价格： 49 学币
多 Agent+Skills+SpringAI 构建自主决策智能体视频教程，本课程以旅游规划为实战场景，以 SpringAI 生态为技术核心，深度集成 JManus（类 Manus 轻量级多 Agent 协同引擎）与 AgentScope（技能模块化封装利器）。通过全程手把手实战教学，带你系统掌握 ReAct 模式与多 Agent 协同架构的核心原理与实现路径。
.
├── 第1章 AI 正式进入多 Agent 协作和自主决策的时代/
│ ├── [ 37M] 1-1 多Agent融合自主决策，AI发展的必然趋势
│ ├── [ 19M] 1-2 准备工作：安装ApiFox
│ ├── [ 39M] 1-3 准备工作：配置阿里大模型广场的ApiKey
│ ├── [ 17M] 1-4 准备工作：百度地图API秘钥(AK)
│ ├── [ 15M] 1-5 准备工作：安装Nacos 3
│ ├── [158M] 1-6 仿Manus能自主决策的框架：Jmanus
│ └── [ 51M] 1-7 具备ReAct核心能力的框架：AgentScope
├── 第2章 大白话快速简单过一遍 Ai 大模型/
│ ├── [ 29M] 2-1 大模型咋就懂咱说啥 ？
│ ├── [ 32M] 2-2 大模型的信息分析器：Transformer层
│ ├── [ 27M] 2-3 大模型的大脑中枢：自注意力机制
│ ├── [ 19M] 2-4 大模型的回应咋就这么体贴呢
│ └── [ 16M] 2-5 大模型是弹药库，智能体则是武器
├── 第3章 MCP + Skills，Agent“工具+技能”的双轮驱动/
│ ├── [ 11M] 3-1 大模型困境：数据获取与整合上 的“抓瞎”
│ ├── [ 16M] 3-2 困境解决方案：函数调用( Function Calling )
│ ├── [ 35M] 3-3 Function Calling就是大模型的跑腿小弟
│ ├── [ 16M] 3-4 更优的困境解决方案： MCP
│ ├── [ 20M] 3-5 对比Function Calling，MCP的不同
│ ├── [102M] 3-6 体验MCP：Jmanus配置MCP服务
│ ├── [ 11M] 3-7 具有专业知识的Agent Skills
│ ├── [ 31M] 3-8 工具调用最强组合：Agent Skills+MCP
│ ├── [ 13M] 3-9 搞定复杂活儿，得靠多个Agent协作
│ ├── [ 37M] 3-10 多Agent跨部门协作：A2A协议
│ ├── [ 32M] 3-11 主流的多Agent开发框架
│ └── [ 39M] 3-12 多Agent的核心执行流程
├── 第4章 SpringAi 1.1 实现 MCP+A2A/
│ ├── [ 95M] 4-1 以bom方式导入SpringAi Alibaba依赖
│ ├── [ 85M] 4-2 导入MCP依赖
│ ├── [ 27M] 4-3 MCP能连接万物的原因：通信的分层设计
│ ├── [ 80M] 4-4 MCP的通信：SSE实时传输
│ ├── [ 63M] 4-5 创建MCP工具
│ ├── [ 62M] 4-6 将MCP工具注册到MCP服务
│ ├── [ 91M] 4-7 线程不会被卡住：WebFlux框架
│ ├── [ 51M] 4-8 Jmanus导入SpringAi自定义的MCP服务
│ ├── [ 56M] 4-9 SpringAi Alibaba 1.1 以bom方式导入依赖
│ ├── [108M] 4-10 SpringAi 1.1 整合MCP
│ ├── [ 39M] 4-11 SpringAi 1.1 A2A的3个核心组件
│ ├── [ 77M] 4-13 SpringAi 1.1 A2A的服务注册
│ ├── [113M] 4-14 SpringAi 1.1 A2A的服务发现
│ ├── [180M] 4-15 SpringAi 1.1 A2A的元数据AgentCard
│ └── [181M] 4-16 测试 SpringAi 1.1 实现的 A2A 协议
├── 第5章 Agent 团队打造专属你的旅行规划/
│ ├── [ 38M] 5-1 旅行规划的复合任务拆解
│ ├── [ 52M] 5-2 团队成员：路线制定专员Agent
│ ├── [ 71M] 5-3 团队成员：行程规划经理Agent
│ ├── [ 59M] 5-4 团队成员：费用统筹管家Agent
│ ├── [ 97M] 5-5 Agent团队和大模型的无缝协作
│ └── [ 36M] 5-6 百度地图MCP提供的工具体系全景
├── 第6章 多 Agent + ReAct架构，SpringAi迈入Agent新时代/
│ ├── [ 24M] 6-1 SpringAI 1.0，1.1 和 2.0
│ ├── [100M] 6-2 SpringBoot整合SpringAi Alibaba
│ ├── [107M] 6-3 和大模型互动的中枢：ChatModel对象
│ ├── [153M] 6-4 和大模型互动的窗口：ChatClient对象
│ ├── [109M] 6-5 ChatClient流式响应获取数据 (SSE)
│ ├── [196M] 6-6 SpringAi 1.1 正式进入Agent自主决策时代
│ ├── [103M] 6-7 SpringAi 1.1 组建旅游规划的Agent团队
│ ├── [165M] 6-8 SpringAi 1.1 Agent团队协同合作
│ ├── [109M] 6-9 AgentScope构建搭载工具的ReAct Agent（1）
│ ├── [117M] 6-10 AgentScope构建搭载工具的ReAct Agent（2）
│ ├── [117M] 6-11 MCP客户端连接MCP服务端
│ ├── [130M] 6-12 大模型调用本地自定义的MCP服务
│ ├── [ 67M] 6-13 RAG只是一个过渡阶段吗 ？
│ ├── [ 97M] 6-14 长下文能取代RAG吗 ？
│ └── [ 79M] 6-15 测试AgentScope的Agent运行
├── 第7章 Graph 搭建旅游规划工作流，像拼积木一样轻松/
│ ├── [ 54M] 7-1 以工作流方式编排旅行规划的团队协同
│ ├── [ 71M] 7-2 搭建工作流的记忆中枢：OverAllState
│ ├── [104M] 7-3 搭建工作流的框架蓝图：StateGraph
│ ├── [173M] 7-4 搭建工作流的执行单元：NodeAction
│ ├── [ 43M] 7-5 搭建工作流的流程顺序：Edge
│ ├── [ 94M] 7-6 编译及运行工作流
│ ├── [ 96M] 7-7 图形化展示工作流
│ ├── [ 50M] 7-8 Flux就是装载SSE流式数据的容器
│ ├── [135M] 7-9 Flux包装SSE返回给前端展示打字机输出效果
│ ├── [ 58M] 7-10 SpringAi Alibaba1.1的Graph引擎
│ ├── [ 89M] 7-11 SpringAi 1.1的工作流状态更新
│ ├── [212M] 7-12 基于Graph搭建旅游规划工作流
│ └── [ 54M] 7-13 总结Agent和Graph分别构建的工作流
└── 第8章 Jmanus 懂思考、会规划、一步步动手完成任务。/
├── [ 40M] 8-1 多Agent设计思路 角色分工
├── [ 79M] 8-2 多Agent设计思路 冲突协商
├── [116M] 8-3 多Agent设计思路 SOP管理机制
├── [ 60M] 8-4 Manus多Agent的技术架构
├── [ 70M] 8-5 Manus是自主决策的Ai Agent
├── [ 68M] 8-6 OpenManus复刻Manus的架构思路
├── [ 27M] 8-7 PlanAct是全局流程规划的主管
├── [ 21M] 8-8 ReAct是灵活应变的基层执行者
├── [ 84M] 8-9 JManus的文件架构以及Prompt提交入口
├── [104M] 8-10 JManus的核心：计划协调器
├── [109M] 8-11 JManus向大模型请求计划创建
├── [ 83M] 8-12 根据计划类型创建不同的执行者
└── [ 72M] 8-13 不同的执行者调用不同的执行流程
└── 代码/
