企业级多智能体设计实战
本学习路线面向有一定 LLM 应用开发经验的工程师，系统讲解如何从零搭建可落地的 Multi-Agent 系统。内容涵盖基础概念、架构设计、RAG 知识管理、工具调用、Prompt 优化、可观测性、安全治理、生产部署和持续迭代，帮助开发者建立完整的多智能体工程能力。
能力图谱
| 维度 | 关键能力 | 对应阶段 |
|---|---|---|
| 基础认知 | Agent/MAS 概念、架构模式、框架选型 | 第一阶段 |
| 角色编排 | 角色设计、任务分解、状态流转 | 第二阶段 |
| 知识管理 | RAG 全流程、向量检索、知识库运维 | 第三阶段 |
| 工具集成 | Function Calling、工具链、API 封装 | 第四阶段 |
| 模型优化 | Prompt 工程、SFT、国产化替代 | 第五阶段 |
| 可观测性 | 日志、Trace、调试、效果评估 | 第六阶段 |
| 安全治理 | 注入防御、内容审核、合规、成本控制 | 第七阶段 |
| 生产运维 | 容器化、高可用、监控、灰度发布 | 第八阶段 |
| 持续迭代 | 数据飞轮、A/B 测试、版本管理 | 第九阶段 |
18 周学习计划
| 周次 | 阶段 | 主题 | 讲次 |
|---|---|---|---|
| 1-2 | 基础认知 | Agent 与 Multi-Agent System 概念、框架对比 | 第一讲 |
| 3-4 | 角色编排 | 角色分工、任务编排、状态机 | 第二讲 |
| 5-6 | 知识管理 | RAG 全流程实战 | 第三讲 |
| 7-8 | 工具集成 | Function Calling 与 CrewAI 实战 | 第四讲 |
| 9-10 | 模型优化 | Prompt 精调与国产模型适配 | 第五讲 |
| 11-12 | 可观测性 | 日志、Trace、调试与效果评估 | 第六讲 |
| 13-14 | 安全治理 | 安全护栏与合规设计 | 第七讲 |
| 15-16 | 生产运维 | 部署、高可用、监控与故障恢复 | 第八讲 |
| 17-18 | 持续迭代 | 数据飞轮与版本管理 | 第九讲 |
补充资料
适用人群
- 有 Python 基础，了解 LLM API 调用的开发者
- 希望从单 Agent Demo 进阶到企业级 Multi-Agent 系统的工程师
- 需要搭建内部知识库、自动化工作流的技术团队负责人
前置知识
- Python 3.10+、异步编程基础
- LLM API 调用经验（OpenAI / 国产模型均可）
- 基本的 DevOps 知识（Docker、CI/CD）
实战项目: 本路线全部知识点已在 Synapse 项目中落地实现 -- 多智能体编排、RAG、工具链、记忆系统、可观测性、安全护栏、Docker 部署。