AIGC/LLMHarness研发提效实践
注：该课程实操内容均为目前最前沿的技术，国内很少很少有人掌握，只在极少数与硅谷极客的实践中，目前为止，包括很多知名大厂对OpenCode，VS Code等等IDE，CC等CLI，以及传统多Agents方式深度使用的资深爱好者也还没有概念，因此在现阶段极为宝贵。网上很多材料，只要不是实操，全是参考价值很小 课程总览市面上关于AI多Agent协作的分享铺天盖地，但你去听一圈就会发现：全是概念。什么“智能体协同”“自主决策闭环”，听起来高大上，实际落地时没人告诉你代码怎么写、脚本怎么配、坑在哪里。为什么？因为Harness Engineering这套东西，真正的实战经验目前只掌握在少数极客和一线AI工程团队手里，网上找不到系统教程，开源社区也只有零散的片段。它不是提示词工程，不是调个API就能跑通的玩具，而是一套需要工具链、基础设施、机制设计三者配合的工程体系。这门课的定位就是填补这个空白：不讲概念，从零开始，手把手带你搭建一套可工作的Harness工程。课程目标不是让你“听懂”，而是让你“能动手”——学完后，你能独立为自己的项目设计Harness框架，并理解这套方法论在企业落地中的价值。以下是课程具体内容的五个方面：第一方面：与传统多Agent模式的代际差别传统的多Agent模式本质上是什么？是分工。你写代码，他做测试，她做review，任务分下去了，但没人对最终质量负责。每个Agent只管把自己那摊活儿干完，至于产出物能不能拼在一起、质量过不过关，没人管。这就是“只分工、不控质”的死穴。Harness Engineering提出的“交互+契约”模式，核心改动只有一条：把“分工”变成“上下游卡控”。规划者出规格书，执行者按规格书干活，评估者拿着规格书做破坏性验收——验收不通过，执行者别想交付。这不是靠AI的“自觉”，而是靠硬性的契约和验收脚本。这一条改动，决定了AI协作是从“作坊式”升级到“工业化”的分水岭。第二方面：Harness Engineering到底是什么，怎么搞？简单说，Harness就是给AI智能体套上一层“工程化缰绳”。具体搞法分三步：第一步，角色分离。 至少拆出三个独立角色：规划者（拆需求、写规格书）、执行者（写代码/做任务）、评估者（跑验收、卡质量）。关键是评估者不能是执行者自己，也不能共享同一个上下文窗口——必须物理隔离。第二步，契约落地。 规划者输出的规格书，要细化到可以被脚本验证的程度。比如“用户登录后跳转到首页”这种描述不行，要变成“调用/api/login返回200后，window.location.pathname === '/home'”这种可执行断言。第三步，机械优先。 凡是能通过Linter、静态检查、单元测试自动验证的，绝不依赖AI去“判断”。评估者本质上是一堆脚本的调度器，AI只负责判断“脚本全过还是没过”，不负责主观打分。第三方面：需要什么工具？坦率地说，市面上至今还没有见到对真正有效工具的完整介绍。什么算是真正有效的工具？就是能够对频道管理、即时对话、机器调度、Agents协同、记忆管理等方面做系统性支持的工程化工具。这些能力目前散落在少数团队的内部实现中，公开渠道几乎找不到。本课程会推荐几套经过实战检验、真正好用的工具方案——它们不在主流视野里，网上不好找，但确实是目前Harness Engineering落地最趁手的武器。课程中会演示每个工具的安装、配置和串联方式，并提供可复用的模板。第四方面：需要什么基础设施？Harness Engineering的基础设施和传统软件开发完全不同，它面向的是Agent的运转需求，而不是人的操作习惯。核心包括以下几项： * Agentic DB：专门为Agent设计的数据库，支持Agent状态持久化、任务追踪和决策记录。 * Dropbox：Agent之间的文件交换空间，用于传递规格书、中间产物、验收报告等。 * Mailbox：Agent的消息队列系统，支持异步通信、消息路由和优先级管理，避免多个Agent同时抢同一个资源。 * Message：实时消息通道，用于Agent之间、Agent与人类之间的即时交互和状态同步。 * Sandbox：安全执行环境，限制Agent能调用的资源、能访问的数据、能执行的操作，防止越权行为。 * 记忆管理：这是最容易被忽视但极其重要的一环。如果把Agent当成真员工来管理，记忆就是它的工作日志和经验库。课程会讲解如何设计短期记忆（当前任务上下文）、长期记忆（历史决策和经验沉淀）、以及记忆的检索、更新和遗忘机制。以上每一项基础设施，课程中都会逐一搭建并演示其作用。第五方面：未来发展、企业作用与个人应对未来方向：随着模型能力提升，Harness的重心会从“防止AI犯错”转向“管理AI集群”。未来一个项目背后可能是几十上百个Agent协同，Harness要解决的是Agent之间的路由、仲裁、负载和冲突解决。企业转型中的作用：Harness解决的是AI规模化落地最头疼的问题——质量不可控。企业把资深工程师的架构经验和代码规范沉淀成Harness里的契约和检查脚本后，初级工程师也能用AI产出符合标准的代码。它不是提升上限，是兜住下限。个人怎么应对：程序员的核心竞争力正在迁移。以前比谁写得快、记得多，未来比的是谁设计的Harness规则更稳定、更省token、更少返工。学会Harness Engineering，你就从“被AI替代的码农”变成了“驾驭AI团队的架构师”。课程承诺本课程不讲概念、不画大饼。每一块工具怎么装、每个脚本怎么写、每个基础设施怎么搭、每个坑在哪里，全部实战演示。你学完后带走的不只是一套知识，而是一套可以直接复制到项目中运行的Harness工程模板。这门课，国内极少有人能讲。
共4节 22人已学习¥98.0 免费试学
AIGC/LLM智能体开发教程
本课程旨在为学生提供一个系统、全面且深入的学习路径，涵盖智能体开发的基础理论与最新技术。通过结合理论讲解和实际操作，学员将掌握如何构建高效、智能化的代理（Agents），并应用于各种复杂的现实场景中。课程特别强调基于LangChain和LangGraph的智能体开发，以及交互式COZE智能体的创建，确保学员能够紧跟行业前沿，具备解决实际问题的能力
共37节 476人已学习超级会员免费 免费试学
NLP基于大模型LLM的开发与编程教程
本课程系统全面详细地进行基于大语言模型LLM的应用开发与辅助编程技术的讲解，包括基于大语言模型的应用开发领域与能力，基于ChatGPT的提示词工程，ChatGPT API应用开发，基于LangChain的大模型应用开发(包括新版本的LangChain表达式语言LCEL)，，基于Github Copilot和ChatGPT插件的AI辅助编程，以及相关领域的新工具介绍等丰富的内容。
共58节 951人已学习超级会员免费 免费试学
大数据联邦学习与多方安全计算
数据要素流通是国家与各行业目前重点发展的应用与技术新方向，也是数字经济的新型基础设施以及下一代云中心化互联互通网络的核心内容。本课程系统介绍数据要素流通的核心技术：隐私计算的技术、架构与应用，内容包括：隐私计算的主体多方安全计算与联邦学习方法的原理，主要组件的技术实现或者编程方法，基于隐私计算的数据要素流通系统架构、组成与流程，面向各行业的具体应用场景等。通过本课程的学习，可以使学员深入浅出地、全面地掌握隐私计算技术与数据要素流通的概念、架构、使用以及在各自实践中定位。
共25节 436人已学习超级会员免费 免费试学
其他信息新技术全集教程
本课程对IT领域的、或广泛涉及的各项新技术进行讲解，力求覆盖尽可能多的已发生及将发生的、信息科技领域的新技术领域，对每一项技术的讲解目标是：学员充分了解及掌握该项技术的概念、原理、主体内容及主要应用，可以包括大的技术方向（如大数据），也可以包括具体的技术方法（如分布式事务）。学习通过该课程的学习，可以对现代IT领域的各项技术得到轻松、全面、准确的认识与掌握。本课程不涉及各项技术的具体使用、编码方法。
共33节 721人已学习免费 免费试学
机器学习8天快速掌握机器学习实践
本课程用通俗、易懂的语言与简单易学又有代表性的实例，帮助学员快速掌握机器学习中最有用的算法及场景，并且能在实践工程中准确选择、熟练使用这些算法解决实践问题，并同时包括了经典机器学习算法、神经网络算法与深度学习算法。本课程不需要算法基础，不需要之前有机器学习的知识当前大部分机器学习课程都需要学员具备一定的数学基础，在学习过程中有一定难度；同时讲的算法非常多，算法细节非常精细。但如果学员只是想在实践中使用机器学习方法解决实际问题的话，其实只需要选择最常用、最实用的算法与其典型实践场景，并且掌握机器学习的常规处理流程，就可以从容应对实践中的大部分问题了。本课程就是选择几个最为常用、最为实用的算法，并且讲解中尽量剔除一切与实际使用无关的内容，力求完全面向应用。本课程虽是追求简捷，但学习后应对实践的技能却不打折扣，尽量包含实践使用中的必要的内容。
共10节 255人已学习超级会员免费 免费试学
大数据大数据教程---Hadoop/Spark的技术与实践
本课程系统介绍大数据技术家族中Hadoop与Spark的架构、编程与相关优化方法，相对于其它课程，本课程有如下特点：一是实战与架构介绍紧密结合，注意讲述实战技能同时，清晰讲解架构与原理，使学员知其然，知其所以然二是与应用实践结合紧密，各技术点都力求与实践场景结合，做到真正会用；同时内容全面，包括批量、实时、流计算、图计算及其结合等多种技术场景三讲解通俗易懂，形象贴切，同时又深入全面，透彻理解。通过本课程学习，学员可从初学者到能真正在工程实践中使用大数据技术解决问题
共36节 1283人已学习免费 免费试学
深度学习Tensorflow Keras实战教程
1. 结合程序实例全面详细介绍Tensorflow Keras编程的结构、模型流程、要素及重要的模型进阶技术点，由浅入深教会学员用Keras进行深度学习编程2. 结合程序实例讲解大多数深度学习实用模型的用法及要点，包括CNN（LeNet，AlexNet，VGGNet, InceptionNet，ResNet等）、RNN、LSTM、AutoEncoder自编码器、生成对抗网络GAN、增强学习、迁移学习、自然语言处理NLP等，使学员掌握绝大多数常用实用的深度学习模型并能用Keras对其编程3. 结合实践场景中的行业综合实例，将Keras对系列实际问题的解决，用程序代码进行讲解，使学员能够将模型与编程方法真正与工作实践紧密结合，并在工作中直接使用解决问题
共100节 2516人已学习超级会员免费 免费试学
机器学习机器学习的算法与实践
本课程体系化的、完整地讲解人工智能的算法与实践。课程紧密结合实例对机器学习领域绝大多数常用算法（涉及监督学习、无监督学习、增强学习、特征工程、深度学习等几乎全领域的数据智能算法）的原理、各算法使用、真实工程中使用进行讲解；除每一种算法都结合程序实例讲解，第三大章又结合真实场景与实例讲解在实际工程中如何真正使用算法解决问题（数据准备、分析、处理、特征工程、模型选择、训练、调优、调参、评估、应用等等）。旨在培养又能理解算法，又能在行业实践与应用场景中真正使用人工智能算法的专业人才
共69节 1346人已学习超级会员免费 免费试学
- 1
石逸凡
研究员
北京大学计算机系博士后，BAT大型互联网公司大数据智能总监，第一界中国软件业十大杰出青年候选人，曾任北京大学计算机教师，20年以上人工智能算法应用、大数据、数据架构与中台等领域的实际项目开发、设计规划与授课经验，出版技术专著三部，美国工程索引IEEE EI论文6篇，自主软件版权一项，美国软件专利一项
课程数 9 学生数 8006