各有關(guān)單位：
隨著大模型技術(shù)進(jìn)入產(chǎn)業(yè)落地階段，分布式多智能體（Multi - agent）已成為連接巨型模型與企業(yè)復(fù)雜場景、支撐智能決策的核心樞紐。在新一代智能體開發(fā)領(lǐng)域，MCP、A2A、ADK、Reasoning LLMs、Reinforcement Learning、Computer Use 和 Langraph 等正以顛覆性的方式重塑整個大模型智能體產(chǎn)品的落地方法。作為新一代 Agentic AI 產(chǎn)品落地的關(guān)鍵，這一技術(shù)體系已在業(yè)界引發(fā)深遠(yuǎn)變革，并將永久性地革新企業(yè)級智能體系統(tǒng)的構(gòu)建與運(yùn)作模式。

這種技術(shù)需求的代際躍遷，迫使企業(yè)必須從 “系統(tǒng)集成” 思維轉(zhuǎn)向 “數(shù)字生命體” 構(gòu)建。智能體技術(shù)不再只是效率工具，而是正在成為連接物理世界與數(shù)字世界的神經(jīng)中樞，企業(yè)需要建立全新的技術(shù)認(rèn)知框架與組織能力模型，以應(yīng)對這場由技術(shù)范式遷移引發(fā)的商業(yè)邏輯重構(gòu)。根據(jù)麥肯錫最新調(diào)研，全球 63% 的頭部企業(yè)已將智能體技術(shù)納入數(shù)字化轉(zhuǎn)型核心戰(zhàn)略，但技術(shù)落地成功率不足 15%。核心問題在于大模型本身行為的不可控性及智能體系統(tǒng)本身 Knowledge Gap 等導(dǎo)致了 Agentic AI 的不可靠性。

為幫助廣大企事業(yè)單位成功落地分布式大模型智能體技術(shù)，構(gòu)建可控、可靠、可規(guī)模化的 Agentic AI 系統(tǒng)，CIIT 項目辦公室聯(lián)合北京智益方信息科技有限公司、北京智聯(lián)新一代信息技術(shù)有限公司，將于 2025 年 6 月 6 日至 6 月 8 日舉辦線上 “全棧分布式 Agentic AI 實(shí)戰(zhàn)營：技術(shù)內(nèi)幕、算法源碼、企業(yè)落地案例實(shí)戰(zhàn)” 高級講座。講座由曾領(lǐng)導(dǎo)多個企業(yè)級大模型與 Agent 產(chǎn)品的架構(gòu)設(shè)計和開發(fā)的人工智能專家親自授課。課程基于超過 3 萬行代碼的詳細(xì)講解，貫穿 MCP、A2A、ADK、Reasoning LLMs、Reinforcement Learning、Computer Use、LangGraph 等大模型智能體成功落地全鏈路的 Driver、Engine、Framework、SDKs、Deployment 及應(yīng)用開發(fā)最佳實(shí)踐，深入剖析從協(xié)議設(shè)計、源碼實(shí)現(xiàn)、工程調(diào)試到企業(yè)級案例落地的每一個關(guān)鍵環(huán)節(jié)，涵蓋 21 大精細(xì)模塊，從智能體類型選擇、分布式協(xié)同、上下文管理、狀態(tài)管理，到前后端源碼解析、異步調(diào)度以及推理優(yōu)化和強(qiáng)化學(xué)習(xí)，逐行解析各模塊實(shí)現(xiàn)細(xì)節(jié)。學(xué)員將通過實(shí)戰(zhàn)案例，全面掌握從協(xié)議設(shè)計到具體代碼實(shí)現(xiàn)的全棧技術(shù)，告別單一 API 調(diào)用的淺嘗輒止，系統(tǒng)學(xué)習(xí)講師在 MCP、A2A、ADK、Reasoning LLMs、Reinforcement Learning、Computer Use、LangGraph 等落地過程中遇到的各類問題及詳細(xì)解決方案，從架構(gòu)選型、性能調(diào)優(yōu)、錯誤排查到細(xì)節(jié)問題的應(yīng)對策略，全面揭秘核心內(nèi)部技術(shù)細(xì)節(jié)，幫助學(xué)員和企業(yè)在實(shí)際項目中避免常見陷阱并提升系統(tǒng)質(zhì)量和可靠性。通過對電商競價系統(tǒng)、醫(yī)療領(lǐng)域 LLM 適配、自動化 Computer/Browser Use 等多個真實(shí)企業(yè)級案例的現(xiàn)場演示，學(xué)員不僅能學(xué)習(xí)技術(shù)本質(zhì)和架構(gòu)內(nèi)核，更能直觀感受各模塊如何在大規(guī)模場景中協(xié)同工作，從而極大提升產(chǎn)品落地效率，實(shí)現(xiàn)可控、可靠且規(guī)模化的智能體系統(tǒng)建設(shè)。通過構(gòu)建可控、可靠的下一代智能中樞全鏈路技術(shù)，幫助學(xué)員從根本上系統(tǒng)掌握大模型智能體的工程化技術(shù)，建立全棧開發(fā)視野。講座旨在幫助學(xué)員在實(shí)際項目中迅速復(fù)制可控、可靠、可擴(kuò)展的 Agentic AI 系統(tǒng)建設(shè)路徑，從協(xié)議設(shè)計到源碼實(shí)現(xiàn)、從算法內(nèi)核到工程部署，全面提升企業(yè)級智能體開發(fā)和落地能力，助力企業(yè)搶占未來 AI 智能化轉(zhuǎn)型的制高點(diǎn)，推動實(shí)現(xiàn) AI 賦能的業(yè)務(wù)決策鏈路戰(zhàn)略升級，實(shí)現(xiàn)并在市場競爭中取得主動權(quán)。

敬請各相關(guān)單位積極參加！

聯(lián)系方式：13817964035（微信同號）

通信工業(yè)協(xié)會
通信和信息技術(shù)創(chuàng)新人才培養(yǎng)工程項目辦公室
2025 年 4 月 18 日

《全棧分布式 Agentic AI 實(shí)戰(zhàn)營：技術(shù)內(nèi)幕、算法源碼、企業(yè)落地案例實(shí)戰(zhàn)》線上高級講座簡章

一、講座時間和方式

1. 時間：2025 年 6 月 6 日至 6 月 8 日（周五、周六、周日共 3 天）

2. 方式：騰訊線上直播

二、研修對象

涉及人工智能及大模型技術(shù)產(chǎn)業(yè)鏈各廠商、企業(yè)級 AI 解決方案提供商、云計算與大數(shù)據(jù)平臺服務(wù)商、分布式計算技術(shù)提供商、智能體框架開發(fā)商、電信運(yùn)營商、廣電運(yùn)營商、云廠商、互聯(lián)網(wǎng)公司、IT 公司、智能交互公司、科研院所與高等院校，央國企各級 IT 主管、部門負(fù)責(zé)人及 CIO、人工智能技術(shù)專家、AI 研發(fā)工程師、AI 解決方案工程師、信息系統(tǒng)研發(fā)和運(yùn)維工程師、智能系統(tǒng)研發(fā)負(fù)責(zé)人、分布式系統(tǒng)架構(gòu)師、強(qiáng)化學(xué)習(xí)算法專家、智能體通信協(xié)議設(shè)計師、大模型推理引擎開發(fā)者、LLM 企業(yè)級應(yīng)用開發(fā)者、Data Scientist、Data Engineer、機(jī)器學(xué)習(xí)工程師、項目經(jīng)理、產(chǎn)品經(jīng)理，來自金融、制造、零售、醫(yī)療、教育、能源、交通、電商等行業(yè)的 AI 負(fù)責(zé)人，負(fù)責(zé)企業(yè)內(nèi)部 AI 戰(zhàn)略決策、研發(fā)、部署及維護(hù)的專業(yè)技術(shù)人員等，包括那些想掌握 Agentic AI 核心技術(shù)、并在企業(yè)場景落地的開發(fā)者、創(chuàng)業(yè)者及所有對智能體有深入興趣或需求的單位和個人。

三、講座大綱

1. 模塊一：解密可控可靠的大模型產(chǎn)品落地技術(shù) A2A + MCP + Reasoning LLMs

2. 模塊二：剖析分布式智能體 Tools 及 Data 統(tǒng)一 MCP 協(xié)議設(shè)計及框架技術(shù)

3. 模塊三：詳解分布式大模型智能體框架 Multi - Agent Framework 內(nèi)幕解密

4. 模塊四：解碼企業(yè)級分布式 Agentic AI 應(yīng)用落地十二大關(guān)鍵技術(shù)及實(shí)現(xiàn)

5. 模塊五：從零打造生產(chǎn)級大模型智能體架構(gòu)設(shè)計及前端 1286 行源碼詳解

6. 模塊六：生產(chǎn)級分布式大模型智能體案例后端內(nèi)幕及 1995 行源碼實(shí)現(xiàn)詳解

7. 模塊七：分布式智能體 A2A 協(xié)議內(nèi)核及對 LangGraph 支持源碼逐行解析

8. 模塊八：智能體 MCP Server 內(nèi)核設(shè)計、通信協(xié)議及模塊源碼逐行解讀

9. 模塊九：智能體 MCP 實(shí)現(xiàn) Stateful 大模型智能體狀態(tài)管理及源碼實(shí)現(xiàn)

10. 模塊十：MCP Agent 框架架構(gòu)設(shè)計、七大 Agent 模式及其實(shí)現(xiàn)源碼詳解

11. 模塊十一：MCP Agent 框架內(nèi)核 MCP Client、Server 及 Agent 源碼詳解

12. 模塊十二：MCP Agent 框架 Runtime Executor、Transport 模塊源碼詳解

13. 模塊十三：Multi - Agent 開發(fā) ADK Runtime 及 Callback 設(shè)計與技術(shù)實(shí)現(xiàn)

14. 模塊十四：ADK 程序狀態(tài)管理 Context、Sessions、Memory 設(shè)計與實(shí)現(xiàn)

15. 模塊十五：基于 DeepSeek 及 MCP 大型分布式大模型智能體案例實(shí)戰(zhàn)詳解

16. 模塊十六：DeepSeek 內(nèi)核與技術(shù) - 核心架構(gòu)、優(yōu)化策略與高效訓(xùn)練全解析

17. 模塊十七：推理模型 Test - time Compute 及 DeepSeek - R1 RL 內(nèi)幕詳解

18. 模塊十八：DeepSeek 推理模型強(qiáng)化學(xué)習(xí) GRPO：原理、算法與源碼解析

19. 模塊十九：DeepSeek 強(qiáng)化學(xué)習(xí)算法 GRPO 七大問題、優(yōu)化思路及源碼實(shí)現(xiàn)

20. 模塊二十：LLM 強(qiáng)化學(xué)習(xí)下的 Computer Use 及 Browser Use 技術(shù)詳解

21. 模塊二十一：GRPO/PPO/DPO 的醫(yī)療領(lǐng)域 LLM 適配及端到端項目源碼詳解

四、講座收益

1. 全面掌握大模型智能體架構(gòu)設(shè)計與落地技術(shù)：系統(tǒng)了解 LLM Agents、Workflow Agents 和 Reinforcement Learning Agents 的三大類型，掌握 A2A 協(xié)議、MCP 標(biāo)準(zhǔn)及 Reasoning LLM 的底層原理，從而構(gòu)建出適用于電商競價、自動化系統(tǒng)等場景的成熟產(chǎn)品架構(gòu)。（模塊一、模塊二）

2. 深入解析分布式多智能體協(xié)同機(jī)制：課程詳細(xì)講解多種分布式智能體工作模式（如 Coordinator/Dispatcher、并行 Fan - Out/Gather、Hierarchical Task Decomposition 等），幫助學(xué)員設(shè)計出具備高效任務(wù)分解和協(xié)同處理能力的系統(tǒng)。（模塊一、模塊三）

3. 掌握端到端狀態(tài)管理與上下文整合技術(shù)：通過 MCP 協(xié)議和多層狀態(tài)管理機(jī)制（包括短期、長期和工作記憶），學(xué)員將學(xué)會如何管理多輪對話、統(tǒng)一上下文、任務(wù)全生命周期，從而確保整個系統(tǒng)在長流程任務(wù)中保持穩(wěn)定與一致。（模塊九、模塊十四）

4. 實(shí)戰(zhàn)級前后端源碼解析與調(diào)試能力培養(yǎng)：課程通過逐行源碼解析前端（1286 行）和后端（1995 行）的實(shí)現(xiàn)細(xì)節(jié)，深度講解消息發(fā)送、數(shù)據(jù)同步、交互調(diào)度、調(diào)試流程等關(guān)鍵技術(shù)，幫助學(xué)員快速將理論轉(zhuǎn)化為工程實(shí)踐。（模塊五、模塊六）

5. 源代碼級拆解 A2A 與 MCP 內(nèi)核及傳輸機(jī)制：通過對 A2A 協(xié)議、MCP Client/Server 和 Runtime Executor 等模塊的源碼剖析，學(xué)員能夠深入理解智能體之間如何實(shí)現(xiàn)高效通信、Push Notifications、狀態(tài)轉(zhuǎn)換及多傳輸機(jī)制，提高系統(tǒng)的實(shí)時性與可靠性。（模塊七、模塊八、模塊十二）

6. 構(gòu)建靈活多樣的 Agent 設(shè)計模式與回調(diào)機(jī)制：課程詳細(xì)介紹了 MCP Agent 框架中七大 Agent 模式（AugmentedLLM、Parallel、Router、IntentClassifier、Evaluator - Optimizer、Orchestrator - workers、Swarm）以及 ADK Runtime 內(nèi)的 Context 管理及 Callbacks 機(jī)制，幫助學(xué)員根據(jù)業(yè)務(wù)需求構(gòu)建靈活的智能體協(xié)同系統(tǒng)。（模塊十、模塊十一、模塊十三）

7. 提升推理能力與 Test - Time Compute 優(yōu)化技巧：通過對 DeepSeek 推理模型的詳細(xì)講解以及 Test - time Compute 策略（搜索驗(yàn)證、Proposal Distribution 調(diào)整等）的深入解析，學(xué)員將學(xué)會如何在在線推理階段高效平衡生成質(zhì)量與計算資源，實(shí)現(xiàn)推理優(yōu)化。（模塊十六、模塊十七）

8. 掌握前沿的 Reinforcement Learning 強(qiáng)化學(xué)習(xí)優(yōu)化與獎勵機(jī)制：系統(tǒng)講解 GRPO、PPO、DPO 等 RL 核心算法和源碼實(shí)現(xiàn)，深入解析 Reward Model 設(shè)計、優(yōu)勢估計、動態(tài)梯度調(diào)整與 Replay 機(jī)制，并分享產(chǎn)品落地中的問題和改進(jìn)方案，幫助學(xué)員能在實(shí)際項目中實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)的穩(wěn)定高效調(diào)優(yōu)。（模塊十八、模塊十九）

9. 擴(kuò)展應(yīng)用邊界，掌握大模型在 Computer Use 與 Browser Use 中的實(shí)戰(zhàn)應(yīng)用：詳解 Monte Carlo Tree Search（MCTS）、Self - critique mechanism 和強(qiáng)化學(xué)習(xí)算法 Direct Preference Optimization（DPO），實(shí)現(xiàn) Browser Agent 智能體的自我糾錯能力。通過以 Claude 大模型為例對 Computer Use 和 Browser Use 技術(shù)的詳細(xì)解析，學(xué)員不僅會熟悉大模型如何控制虛擬機(jī)、自動化執(zhí)行命令和交互，還能實(shí)現(xiàn)跨模態(tài)操作和實(shí)際辦公自動化，拓展 AI 的實(shí)際應(yīng)用場景。（模塊二十）

10. 全鏈路垂直領(lǐng)域項目實(shí)戰(zhàn)與綜合工程實(shí)踐能力提升：課程通過一個完整的醫(yī)療領(lǐng)域 LLM 適配項目，從增量預(yù)訓(xùn)練、指令微調(diào)、RLHF 到 DPO 全流程源碼逐行解析，為學(xué)員提供真實(shí)場景的落地案例，鍛煉其從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、系統(tǒng)部署到質(zhì)量監(jiān)控的全鏈路工程實(shí)現(xiàn)能力。（模塊二十一）

五、講座內(nèi)容

模塊一：解密可控可靠的大模型產(chǎn)品落地技術(shù) A2A + MCP + Reasoning LLMs

1. A2A 對多模態(tài) Text/Audio/Video/Forms/iframe 支持設(shè)計原理

2. A2A 中 Client Agent 和 Remote Agent 四大核心交互行為詳解

3. A2A 中 Agent 交互的 Task Management Lifecycle 全生命周期詳解

4. A2A 中關(guān)于 User experience negotiation 實(shí)現(xiàn) iframes, video, web forms 技術(shù)解析

5. A2A 中 Authentication and Authorization 運(yùn)行流程及實(shí)現(xiàn)內(nèi)幕

6. A2A 中的 stateTransitionHistory 運(yùn)行機(jī)制和實(shí)現(xiàn)詳解

7. A2A 中的 Task Management 全生命周期詳解

8. A2A 中 Multi - turn Conversations 多輪對話運(yùn)行流程及技術(shù)實(shí)現(xiàn)詳解

9. A2A 中 TaskStatusUpdateEvents 和 TaskArtifactUpdateEvents 解析及技術(shù)實(shí)現(xiàn)

10. 以具體示例詳解 ChatCompletionMessageToolCall 結(jié)構(gòu)內(nèi)幕

11. 為何 Tool Use 能力是大模型 LLM 進(jìn)化為智能體最為核心的環(huán)節(jié)？

12. Function Calling 對 Agent 框架開發(fā)及 MCP 技術(shù)的關(guān)鍵意義

13. 大模型 LLM 調(diào)用外部工具面臨的三大核心問題分析剖析

14. 為何并不是所有的大模型 LLM 都具備 Function Calling 的能力？

15. 如何讓不具備 Function Calling 功能的大模型實(shí)現(xiàn) Function Calling 的能力？

模塊二：剖析分布式智能體 Tools 及 Data 統(tǒng)一 MCP 協(xié)議設(shè)計及框架技術(shù)

1. Model Context Protocol（MCP）工作全生命周期流程七大步驟詳解

2. OpenAI、Cursor、Windsurf、LangGraph、Langflow 等對 MCP 的支持詳解

3. MCP 作者為何說 “MCP will be the foundational protocol for agents”?

4. MCP 三大組件 Hosts、Clients、Servers 及其交互關(guān)系詳解

5. 使用 MCP 需要 LLM 大模型具備 Function Calling 的能力嗎？

6. 詳解 OpenAI 對 MCP 的支持

7. 解密 MCP 能夠幫助企業(yè)實(shí)現(xiàn) “Clear separation of concerns between AI product teams” 的根本驅(qū)動力

8. 基于 MCP 編程實(shí)戰(zhàn)大模型智能體并使用 MCP Inspector 詳解

9. MCP 作者為何說 “An MCP client can be a server and vice - versa”?

10. MCP 作者為何說 “Models are only as good as the context provided to them”?

11. MCP 是如何標(biāo)準(zhǔn)化 AI apps & agents 與 tools & data sources 模塊之間的交互的？

12. MCP 中標(biāo)準(zhǔn)化 AI 系統(tǒng)中的 External System:Tools、Prompts、Resources 詳解

13. MCP 中 tool annotations for describing behavior 詳解

14. MCP 中的 long - lived vs short - lived connections 詳解

15. 解密 MCP 中 Client 和 Server 之間 Transport 通信機(jī)制演變的三大核心階段

16. MCP 中 Server 如何借助 Client 中的 LLM 智能強(qiáng)化 Server 的功能？

17. 詳解 MCP Elicitation 實(shí)現(xiàn) “proactively request context from users” 原理內(nèi)幕

18. 生產(chǎn)環(huán)境下的 MCP Streamable HTTP 技術(shù)內(nèi)幕及最佳實(shí)踐

19. Cursor MCP 案例源碼逐行解析

20. Langflow MCP 案例源碼逐行解析

21. LangGraph MCP 案例源碼逐行解析

22. 綜合案例：基于 DeepSeek 的 LangGraph MCP 案例實(shí)戰(zhàn)詳解

模塊三：詳解分布式大模型智能體框架 Multi - Agent Framework 內(nèi)幕解密

1. LLM Agent Orchestration 本質(zhì)和經(jīng)典模式解密

2. Multi - Agent frameworks 中關(guān)鍵組件 Profile、Memory、Planning、Percept、Action 詳解

3. 為何說 Dynamic Planning 的能力是 Multi - Agent 的基礎(chǔ)？

4. 為何說 LLM Agents 不僅僅是 next - token prediction？

5. 使用 Tools 和 Memory 來實(shí)現(xiàn) Augmented LLM

6. LLM Agents 核心組件 Effectors 內(nèi)幕詳解

7. LLM Agents 核心組件 Sensors 內(nèi)幕詳解

8. LLM Agents 核心組件 Environments 內(nèi)幕詳解

9. LLM Agents 核心組件 Actuators 內(nèi)幕詳解

10. LLM Agents 核心組件 Sensors 內(nèi)幕詳解

11. Augmented LLM Agents 與 Environment 交互的 Action Space 詳解

12. Augmented LLM Agents 中的 Planning 原理機(jī)制詳解

13. Augmented LLM Agents 中的 Hierarchical Planning 解密

14. 分布式 Agent 中的 Chain - of - Thoughts 詳解

15. 分布式 Agent 中的 Subgoal decomposition 詳解

16. 分布式 Agent 中的 Reflection 詳解

17. Short - Term Memory 與 model's context window 詳解

18. Short - Term Memory 與 Dynamic Memory Compression 詳解

19. Long - term Memory 與 vector database 詳解

20. Working Memory 與 LLM Context 詳解

21. Procedural Memory 與 System Prompt 詳解

22. Semantic Memory 與 User Information 詳解

23. Episodic Memory 與 LLM Past Actions 詳解

24. LLM Orchestrator 與 Tools 詳解

25. Toolformer 全生命周期詳解

26. MCP Hosts 是簡化 Tools 使用的三步驟

27. Hosts、Clients、Servers 數(shù)據(jù)交互的全生命周期流程詳解

28. 基于 DeepSeek - R1 的 LLM Planning 內(nèi)幕詳解

29. 基于 DeepSeek - R1 的 LLM Reasoning 內(nèi)幕詳解

30. 基于 DeepSeek - R1 的 LLM Reasoning and Acting 內(nèi)幕詳解

31. 基于 DeepSeek - R1 的 LLM Reflecting 內(nèi)幕詳解

32. 基于 DeepSeek 的 LLM Multi - Agent Collaboration 內(nèi)幕詳解

模塊五：從零打造生產(chǎn)級大模型智能體架構(gòu)設(shè)計及前端 1286 行源碼詳解

1. 分布式大模型智能體案例技術(shù)架構(gòu)及現(xiàn)場演示

2. 詳解 Coordinator 作為工作流程的入口，負(fù)責(zé)處理初始交互

3. 詳解 Coordinator Prompting 技術(shù)及實(shí)現(xiàn)

4. 詳解 Planner 分析任務(wù)并制定執(zhí)行策略

5. 詳解 Planner Prompting 技術(shù)設(shè)計及實(shí)現(xiàn)并路由任務(wù)

6. 前端源碼 addMessage、updateMessage、sendMessage 逐行解析

7. 前端源碼 StreamEvent、fetchStream、parseEvent 逐行解析

8. 前端源碼 chatStream 逐行解析

9. 前端源碼調(diào)試過程詳解

模塊六：生產(chǎn)級分布式大模型智能體案例后端內(nèi)幕及 1995 行源碼實(shí)現(xiàn)詳解

1. 基于 FastAPI 和 LangGraph 的后端架構(gòu)設(shè)計及測試

2. Server 端 ContentItem、ChatMessage、ChatRequest 源碼逐行解析

3. Server 端 chat_endpoint 源碼逐行解析

4. Server 端 create_deepseek_llm、create_openai_llm 源碼逐行解析

5. Server 端不同類型 Agent 實(shí)現(xiàn)源碼逐行解析

6. Server 端 Crawler 源碼逐行解析

7. Server 端 JinaClient 源碼逐行解析

8. Server 端 ReadabilityExtractor 源碼逐行解析

9. Server 端 build_graph 源碼逐行解析

10. Server 端 research_node、code_node、browser_node、planner_node、coordinator_node、reporter_node 源碼逐行解析

11. Server 端 State、Router 源碼逐行解析

12. Server 端 run_agent_workflow 源碼逐行解析
    13

................................

六、特邀專家 王老師：現(xiàn)任美國一家大模型分布式 Agentic AI 公司的 Co-Founder 和 CTO、杰出 AI 工程師、Chief Data Scientist 及首席機(jī)器學(xué)習(xí)工程師，擁有豐富的大語言模型 (LLM) 和智能 Agent 產(chǎn)品落地經(jīng)驗(yàn)。專注于對話式 AI (Conversational AI)、生成式 AI (Generative AI)、大語言模型 (LLM) 的微調(diào)與對齊 (Fine-tuning/Alignment)、LLM 幻覺檢測與控制技術(shù)，以及 LLM Computer Use 等領(lǐng)域。在硅谷任職期間，王老師曾領(lǐng)導(dǎo)多個企業(yè)級大模型與 Agent 產(chǎn)品的架構(gòu)設(shè)計和開發(fā)，不僅滿足復(fù)雜業(yè)務(wù)需求，還有效最小化 LLM 的幻覺 (Hallucinations) 和偏見 (Biases) 風(fēng)險，助力企業(yè)構(gòu)建高效可靠的生成式 AI 解決方案。作為一名解決問題的專家，他擅長克服技術(shù)、組織或戰(zhàn)略層面的障礙，尤其是在緊迫時間節(jié)點(diǎn)和高壓環(huán)境中交付優(yōu)質(zhì)解決方案。自 2022 年以來，王老師專注于提供以業(yè)務(wù)驅(qū)動為核心、幻覺最小化的生成式 AI/LLM 解決方案，利用包括 GPT、LLama 2/3、Mistral、Claude 等主流模型，聚焦于持續(xù)預(yù)訓(xùn)練 (Continual Pretraining)、指令微調(diào) (Instruction Fine-tuning)、小型化微調(diào) (PEFT)、低秩適配 (LoRA)、量化 (Quantization)、強(qiáng)化學(xué)習(xí) (RLHF、PPO、DPO、KTO、ORPO、RLAIF) 等技術(shù)，以及 Responsible AI、Red Teaming Engineering 和 Agent 應(yīng)用開發(fā) (Agentic Application)。此外，王老師曾在職業(yè)生涯中領(lǐng)導(dǎo)了 11 個大型 NLP 項目，合作企業(yè)包括 ByteDance、Apple、PayPal、Chase Bank、Faethm、LinkedIn 、Tencent 和 Pearson 等123。

七、頒發(fā)證書 本次培訓(xùn)結(jié)束后，將進(jìn)行專業(yè)測評考試，經(jīng)考核合格，可申請以下兩類證書： A 類證書：由中國通信工業(yè)協(xié)會通信和信息技術(shù)創(chuàng)新人才培養(yǎng)工程頒發(fā)《分布式 Agentic AI 智能體》、《AI 智能體應(yīng)用》、《AI 智能體研發(fā)》高級職業(yè)技術(shù)水平證書，三個專業(yè)任選其一，證書可在官方網(wǎng)站查詢，同時可作為聘用、任職、定級、晉升的重要參考依據(jù)4。 B 類證書：在獲得 A 類證書的基礎(chǔ)上，頒發(fā)一本高級《人工智能應(yīng)用》、《大模型應(yīng)用》或《大模型開發(fā)》技術(shù)證書，三個專業(yè)任選其一，證書可在官方網(wǎng)站查詢，可作為聘用、任職、定級、晉升的重要參考依據(jù)5。

聯(lián)系方式：13817964035（微信同號）