一、课程优势

本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）。

新书配合此实战课程结合学习，一静一动，互补高效学习！

本课程由互联网一线知名大牛陈敬雷老师全程亲自授课，技术前沿热门，是真正的互联网工业级实战项目。

二、课程简介

GPT多模态大模型、AI Agent智能体、DeepSeek、Dify、扣子Coze、RAG、MCP、GPT-5、Sora……这些不断刷屏的前沿技术正持续引爆AI领域，掀起一轮又一轮创新浪潮。你是否也渴望穿透技术表象，直抵核心本质？是否想系统梳理发展脉络，不再被碎片化信息裹挟？  

在扣子 Coze 智能体平台实操浪潮里，表格知识库搭建、对话工作流编排、文生内容创作、文生图、文生视频、多模态理解等 AI 应用操作，正重塑工作场景。想穿透平台技术表象，直抵 Coze 智能体开发、流程搭建核心？想摆脱碎片化摸索，系统掌握从 0 到 1 落地 AI 应用的实操路径？这门扣子 Coze 智能体平台 AI 应用操作实战课 专为你打造！从基础组件逻辑到复杂工作流部署，从 RAG 知识库构建到文生多模态落地，深度拆解 Coze 平台实操体系，教你用 Coze 把 AI 创意变成真实生产力，在智能应用浪潮里精准卡位、高效实操！

课程核心亮点：从根源到前沿，锻造硬核 AI 技能

课程模块详解：体系化学习，收获明确

1. 快速上手！扣子文档知识库搭建全攻略  

聚焦文档知识库构建核心需求，深度结合Coze 平台实操，从知识结构化存储底层逻辑讲起，涵盖文档分类标签体系设计、多格式内容接入（文本/表格/附件） 技术，手把手教你配置智能检索策略（关键词 + 语义联想） 。1 小时掌握企业级知识沉淀方案，解决信息分散、检索低效痛点，让文档管理从 “无序堆积” 到 “AI 驱动的智能知识库”，适配办公协同、客服知识中台 等场景，学完即可落地实操，快速打造专属知识资产库！  

2. RAG核心技术和实操演示，智能客服、办公助手、知识库对话工作流搭建实操课  

深挖RAG（检索增强生成） 技术本质，拆解向量数据库检索、上下文增强Prompt 构建 核心逻辑，结合智能客服、办公助手 真实业务场景，实操搭建多轮对话工作流 。涵盖知识图谱融合、实时问答路由策略 技术，教你配置意图识别模型 + 对话记忆机制 ，解决 AI 回复 “答非所问、知识过时” 痛点。从需求分析→流程设计→技术部署 全链路教学，适配企业服务、智能办公 赛道，掌握让 AI 应用真正 “懂业务、能落地” 的关键技能！  

3. RAG智能客服、知识问答助手智能体从0到1，实操落地教程  

针对智能客服/知识问答 场景，系统讲解RAG 技术栈全流程落地 ：从领域知识采集（爬虫 + 文档解析） 、向量知识库构建（Embedding 模型选型 + chunk 切分策略） ，到对话策略设计（多轮会话管理、拒答机制） 。融入Coze 智能体配置技巧 ，实操意图识别训练（Few-Shot 学习） 、对话工作流编排 ，解决垂直领域知识问答精度低、用户体验差 痛点。适配中小企业客服降本、垂直行业知识平台 需求，0 基础可学，带你从 “AI 应用围观者” 变身 “智能客服搭建者”！  

4. 表格知识库怎么建？一步步教你实操  
围绕表格数据智能化管理 需求，拆解表格知识库构建全流程 ：从数据清洗（脏数据识别 + 归一化处理） 、结构化建模（关系型 vs 非关系型存储选型） ，到智能应用开发（NL2SQL 技术集成、ChatBI 分析看板搭建） 。结合Coze 平台工具链 ，实操动态表格交互设计、多表关联检索策略 ，解决业务数据分散、跨表分析低效 痛点。覆盖财务报表分析、业务流程数据中台 等场景，教你把 “静态表格” 变成 “AI 驱动的动态知识库”，让数据价值从 “存储” 到 “智能挖掘”！  

5. 表格知识库问答 + NL2SQL + ChatBI 技术，高效处理数据  

整合表格知识库问答、NL2SQL（自然语言转 SQL）、ChatBI（对话式 BI） 技术，深挖数据交互智能化 底层逻辑：讲解SQL 语义解析引擎 工作原理，实操多模态查询指令构建（文本 + 表格交互） ，教你配置智能数据分析流程（数据查询→清洗→可视化输出） 。解决业务人员 “懂业务不懂 SQL、懂工具不懂分析” 痛点，覆盖运营数据分析、财务报表解读 场景，学完即可用自然语言 “指挥” 数据，让 Excel 老手、业务新人都能 5 分钟完成复杂数据分析，抢占数据驱动决策 技能高地！  

6. 任务工作流和对话工作流的操作演示和核心对比  

聚焦工作流自动化 核心需求，深度对比任务工作流（流程驱动） 与对话工作流（交互驱动） 技术差异：拆解BPMN 流程建模 vs 对话状态机设计 底层逻辑，实操Coze 平台工作流编排 ，演示任务调度策略（定时 + 触发式）、对话上下文管理（多轮记忆 + 意图跳转） 。结合智能客服派单、办公流程自动化 真实案例，分析适用场景边界（结构化流程 vs 非结构化交互） ，教你精准选型 “流程引擎”，解决 AI 工作流 “功能冗余、场景适配差” 痛点，适配企业数字化转型、RPA 协同 等需求，掌握让自动化真正 “贴合业务” 的设计能力！  

7. 多模态大模型工作流，AI 进阶必备流程拆解  
瞄准多模态 AI 应用 前沿，拆解大模型工作流全链路 ：从多模态数据输入（文本/图像/语音采集） 、模态融合策略（Encoder 对齐 + 跨模态 Attention 机制） ，到生成式输出（文生图/视频、多模态对话） 。结合Coze 平台多模态组件实操 ，讲解CLIP 模型应用、多模态 Prompt 工程 ，解决 AI 应用 “单模态局限、交互体验单薄” 痛点。覆盖内容创作、智能交互终端 等场景，适配AI 产品经理、技术开发者 进阶需求，掌握多模态时代 “AI 流程设计” 核心竞争力！  

8. 用扣子 Coze 搭网站！低代码建站应用实操  

针对低代码建站 需求，系统讲解Coze 平台全栈开发流程 ：从可视化页面搭建（组件拖拽 + 响应式布局） 、交互逻辑配置（事件绑定 + 状态管理） ，到后端服务集成（API 对接 + 数据库连接） 。融入AI 功能嵌入（文生内容模块、智能客服插件） 技巧，实操企业官网、个人博客、轻量级业务系统 搭建，解决 “代码门槛高、开发周期长” 痛点。无需专业编程基础，2 小时掌握从 0 到 1 建站能力，适配创业团队、自媒体、小微企业 快速数字化需求，让你轻松成为 “AI 驱动的全栈开发者”！  

9. 扣子文生图教程：输入文字，AI 帮你画爆款图  

深挖文生图创作 全流程，结合Coze 平台文生图工具链 ，讲解Prompt 工程进阶技巧（风格描述 + 细节控制 + 负面提示词） ，拆解模型调参（采样方法、步数、分辨率优化） 逻辑。覆盖商业插画、营销海报、IP 形象设计 场景，教你配置多风格 LoRA 模型、生成图二次优化（Inpainting/Outpainting） ，解决 “出图同质化、创意落地难” 痛点。从需求分析→Prompt 设计→图效优化 全链路教学，学完即可用文字生成 “爆款级” 创意 visuals，适配内容创作者、设计师、电商运营 等岗位，抢占 AI 绘图变现风口！  

10. 扣子文生视频技巧：文字秒变动态视频，超简单  

围绕文生视频创作 需求，系统讲解Coze 平台核心功能 ：从文本脚本解析（情节分镜 + 节奏设计） 、素材生成策略（文生图 + 音频匹配） ，到视频渲染合成（转场特效 + 动态字幕） 。融入AI 剪辑技巧（智能镜头选择、多轨音频混音） ，实操短视频、产品演示、知识科普 内容制作，解决 “剪辑门槛高、内容产出慢” 痛点。无需专业剪辑经验，1 小时掌握文字→动态视频全流程，适配自媒体人、营销人员、教育创作者 需求，让你在短视频赛道 “用 AI 降维打击”，快速产出爆款动态内容！ 

为什么选择这门课程？四大核心优势

权威性与实用性兼具：作者陈敬雷深耕 AI 领域多年，课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书，结合京东图书配套视频，理论与实践深度结合。

理论与实战紧密融合：每个知识点都配套代码实践，从原理理解到动手操作无缝衔接，避免 “纸上谈兵”，学完就能上手应用。

内容全面且聚焦核心：覆盖大模型技术全链条关键内容，不冗余、不零散，直击技术核心，让学习更高效。

紧跟 AI 应用落地浪潮：聚焦扣子 Coze 平台核心操作，深耕 RAG 知识库构建、AI Agent 智能体搭建、多模态工作流设计、Agent智能体自主规划及工作流开发、多智能体协作等实操热点，拆解平台最新功能与应用逻辑，确保所学直接对接 Coze 实操场景，贴合用智能体落地 AI 应用的行业需求。

三、老师介绍

陈敬雷  充电了么创始人，CEO兼CTO

陈敬雷，北京充电了么科技有限公司创始人，CEO兼CTO，十几年互联网从业经验，曾就职于用友网络、中软集团、凡客诚品、唯品会、猎聘、人民日报(灵思云途)、北京万朝科技，曾任架构师、首席技术官、首席科学家等职务，对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验，在技术领域，尤其在大数据和人工智能方向有丰富的算法工程落地实战经验，其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。

此外，陈敬雷著有清华大学出版社四本人工智能书籍，分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》，颇受好评。同时陈敬雷还是知名大数据人工智能讲师，研发了上百门课程，总计有30万学员。

四、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍：

陈敬雷老师的京东自营书名标题： GPT多模态大模型与AI Agent智能体（跟我一起学人工智能）
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。

全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。

本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

五、配套书籍目录：

第1章 大模型技术原理

1．1 大模型技术的起源、思想

1．2 基于Transformer的预训练语言模型

1．2．1 编码预训练语言模型

1．2．2 解码预训练语言模型

1．2．3 基于编解码架构的预训练语言模型

1．3 提示学习与指令微调

1．3．1 提示学习

1．3．2 指令微调

1．4 人类反馈强化学习

1．4．1 强化学习

1．4．2 PPO算法

1．4．3 大模型人类反馈强化学习对齐

1．5 GPT智能涌现原理与AGI通用人工智能

1．5．1 什么是智能涌现

1．5．2 思维链

1．5．3 上下文学习能力

1．5．4 指令理解

1．5．5 通用人工智能

第2章 大模型训练及微调

2．1 大模型训练概述

2．2 分布式训练的并行策略

2．2．1 数据并行

2．2．2 模型并行

2．2．3 混合并行

2．2．4 并行计算框架

2．3 预训练模型的压缩

2．3．1 模型压缩方案概述

2．3．2 结构化模型压缩策略

2．3．3 非结构化模型压缩策略

2．3．4 8位/4位量化压缩实战

2．4 大模型微调方法

2．4．1 Prefix Tuning微调

2．4．2 P-Tuning V1微调

2．4．3 P-Tuning V2微调

2．4．4 LoRA微调

2．4．5 QLoRA微调

2．5 基于旋转位置编码RoPE的长文本理解

2．5．1 RoPE技术原理

2．5．2 RoPE关键特性

第3章 主流大模型

3．1 国内大模型

3．1．1 智谱清言ChatGLM

3．1．2 百川智能

3．1．3 百度文心一言

3．1．4 阿里巴巴通义千问

3．1．5 腾讯混元

3．1．6 华为盘古

3．1．7 360智脑

3．1．8 科大讯飞星火

3．1．9 智源悟道大模型

3．1．10 月之暗面Kimi

3．1．11 复旦大学MOSS

3．1．12 零一万物

3．1．13 字节跳动豆包大模型

3．2 国外大模型

3．2．1 OpenAI GPT-4o

3．2．2 Meta LLaMA

3．2．3 Anthropic Claude

3．2．4 谷歌Gemini和开源Gemma

3．2．5 Mistral Large

3．2．6 xAI Grok

3．3 垂直类大模型

3．3．1 HuatuoGPT

3．3．2 BianQue

3．3．3 BenTsao

3．3．4 XrayGLM

3．3．5 DoctorGLM

3．3．6 ChatMed

3．3．7 度小满轩辕

3．3．8 BloombergGPT

3．3．9 LawGPT

3．3．10 LexiLaw

3．3．11 Lawyer LLaMA

3．3．12 ChatLaw

3．3．13 ChatGLM-Math

第4章 LangChain技术原理与实践

4．1 LangChain技术原理

4．2 LangChain六大核心模块

4．2．1 模型I/O

4．2．2 数据增强模块

4．2．3 链模块

4．2．4 记忆模块

4．2．5 Agent模块

4．2．6 回调处理器

第5章 RAG检索增强生成

5．1 RAG技术原理

5．1．1 RAG的概念与应用

5．1．2 RAG技术架构

5．1．3 分块和向量化

5．1．4 搜索索引

5．1．5 重新排序和过滤

5．1．6 查询转换与路由

5．1．7 RAG中的Agent智能体

5．1．8 响应合成器

5．1．9 大模型微调和RAG优劣势对比

5．2 文本向量模型

5．2．1 Embedding模型、Reranker模型及ColBERT模型

5．2．2 阿里巴巴GTE向量模型

5．2．3 中文acge_text_embedding模型

5．2．4 智源中英文语义向量模型BGE

5．2．5 Moka开源文本嵌入模型M3E

5．2．6 OpenAI的text-embedding模型

5．3 向量数据库

5．3．1 Faiss

5．3．2 Milvus

5．3．3 Pinecone

5．3．4 Chroma

5．4 RAG应用实践

5．4．1 基于大模型构建企业私有数据的知识问答

5．4．2 应对大模型落地挑战的优化策略

第6章 多模态大模型

6．1 多模态基础模型

6．1．1 多模态对齐、融合和表示

6．1．2 CLIP

6．1．3 BLIP

6．1．4 BLIP-2

6．1．5 InstructBLIP和X-InstructBLIP

6．1．6 SAM

6．1．7 OpenFlamingo

6．1．8 VideoChat

6．1．9 PaLM-E

6．2 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora

6．2．1 文生图多模态大模型DALL·E 3

6．2．2 GPT-4V

6．2．3 端到端训练多模态大模型GPT-4o技术原理

6．2．4 文生视频多模态大模型Sora

6．3 通义千问多模态大模型

6．3．1 开源Qwen-VL和Qwen-VL-Chat

6．3．2 Qwen-VL-Plus和Qwen-VL-Max

6．4 开源端到端训练多模态大模型LLaVA

6．4．1 LLaVA

6．4．2 LLaVA-1．5

6．4．3 LLaVA-1．6

6．4．4 MoE-LLaVA

6．4．5 LLaVA-Plus

6．4．6 Video-LLaVA和LLaVA-NeXT-Video

6．5 零一万物多模态大模型Yi-VL系列

6．5．1 Yi-VL系列模型架构

6．5．2 Yi-VL系列模型训练微调及推理

6．6 清华系多模态大模型

6．6．1 VisualGLM-6B

6．6．2 CogVLM2

6．6．3 CogAgent

6．6．4 CogView、CogVideo和CogVideoX

6．6．5 CogCoM

6．6．6 GLM-4V-9B

第7章 AI Agent智能体

7．1 AI Agent智能体介绍和原理

7．1．1 AI Agent的定义与角色

7．1．2 AI Agent技术原理

7．2 主流大模型Agent框架

7．2．1 AutoGPT

7．2．2 MetaGPT

7．2．3 ChatDev

7．2．4 AutoGen

7．2．5 FastGPT

7．2．6 XAgent

7．2．7 GPT-Engineer

7．2．8 BabyAGI

7．2．9 SuperAGI

第8章 大模型在企业应用中落地

8．1 基于大模型的对话式推荐系统

8．1．1 基于大模型的对话式推荐系统技术架构设计

8．1．2 推荐AI Agent智能体

8．1．3 面向推荐的语言表达模型

8．1．4 知识插件

8．1．5 基于大模型的推荐解释

8．1．6 对话式推荐系统的新型评测方法

8．2 多模态搜索

8．2．1 多模态搜索技术架构设计

8．2．2 多模态搜索关键技术

8．2．3 多模态实时搜索与个性化推荐

8．3 基于自然语言交互的NL2SQL数据即席查询

8．3．1 NL2SQL数据即席查询技术原理

8．3．2 NL2SQL应用实践

8．4 基于大模型的智能客服对话机器人

8．4．1 大模型智能客服对话机器人技术原理

8．4．2 AI大模型赋能提升智能客服解决率新策略

8．4．3 基于大模型的智能客服对话机器人系统搭建

8．5 多模态数字人

8．5．1 多模态数字人技术原理

8．5．2 三维建模与三维重建

8．5．3 数字人形象设计

8．5．4 唇形同步算法

8．5．5 NeRF、ER-NeRF与RAD-NeRF模型

8．5．6 数字人项目实践

8．6 多模态具身智能

8．6．1 多模态具身智能概念及技术路线

8．6．2 多模态感知与场景理解

8．6．3 视觉导航

8．6．4 世界模型

8．6．5 具身智能模拟器

8．6．6 多模态多感官交互具身智能大模型

8．6．7 端到端强化学习人形机器人

8．6．8 多模态通才具身智能体