本课程融合LangChain、LangGraph、RAG、MCP、Skills、A2A、Vue3、FastAPI等多智能体前沿技术栈，从底座搭建到多智能体开发，再到协作架构与业务落地直至生产部署，打通通用性更强的多智能体开发闭环。同时，【学面通AI】多模态项目全程贯穿，综合提升技术实力，并让你收获一整套高效的AI学习与AI模拟面试系统。
六大阶段渐进式实战，全链路掌握多模态多智能体开发
.
├── 阶段一：项目架构蓝图设计与多智能体系统规划/
│ └── 1-第1周 AI 智能体价值解码与项目蓝图绘制/
│ ├── 第1章 多智能体开发特训营--课程概述及学习安排/
│ │ ├── [ 60M] 1-1 【Harness&Hermes】多智能体开发特训营--课程导学
│ │ └── [ 52M] 1-2 课程内容详细介绍
│ ├── 第2章 学面通AI如何让学习&面试效率翻倍/
│ │ ├── [ 76M] 2-1 【学面通AI】多模态多智能体如何把学习效率狂拉 10+ 倍？
│ │ └── [ 49M] 2-2 【学面通AI】多模态多智能体如何把面试能力提升 10+ 倍？
│ └── 第3章 【学面通AI】多模态多智能体项目需求拆解/
│ ├── [ 55M] 3-1 从痛点出发，【学面通AI】项目功能需求分析
│ └── [ 44M] 3-2 将项目功能拆成「角色」与「协作流程」
└── 阶段二：Harness工程化底座：FastAPI+Vue3 全栈搭建/
├── 1-第2周 智能体核心原理与开发环境搭建/
│ └── 第1章 多模态多智能体前置基础串讲，了解Harness与Hermes/
│ ├── [164M] 1-1 什么是 AI大模型？大模型开发流程 · 核心原理 · 主流模型介绍
│ ├── [154M] 1-2 什么是智能体？什么是单智能体和多智能体？
│ ├── [ 62M] 1-3 智能体开发范式：低代码开发与编码开发分析
│ ├── [ 33M] 1-4 Harness是什么？它是如何驾驭智能体？
│ ├── [ 66M] 1-5 Hermes 是什么？与LangChain、LangGraph 的关系是怎样的？
│ ├── [184M] 1-6 Hermes Agent 能让智能体“越用越聪明”的成长型生态体系介绍
│ ├── [ 60M] 1-7 Hermes 全方位对比 OpenClaw：自主进化 vs 调度中控智能体
│ ├── [ 66M] 1-9 项目技术选型与项目架构分析
│ ├── [ 78M] 1-10 基础开发工具安装与 AI 编程入门
│ └── [ 60M] 1-11 结合Cursor编程优化开发工作流，构建高效开发工作流
├── 2-第3周 Python 基础编程实战速成/
│ └── 第1章 Python 快速入门，为【学面通AI】多智能体开发打好基础/
│ ├── [ 21M] 1-1 AI工具可以生成Python代码，为什么我还要学习Python语法？
│ ├── [ 79M] 1-2 学习Python的最短路线：了解 Python语言及学习路径
│ ├── [ 92M] 1-4 Python依赖与环境管理：虚拟环境、依赖安装与版本锁定
│ ├── [ 42M] 1-6 写出可复用的代码：函数封装、工具层组织最佳实践
│ ├── [142M] 1-7 文件处理基础：文件增、删、改、查与编码核心实战
│ ├── [112M] 1-8 Python 进阶语法重点：类型注解、推导式、装饰器、OOP 与 Pydantic 校验
│ ├── [163M] 1-9 统一文件解析器：一套代码搞定PDF、Word、图片、音频的多格式解析
│ └── [ 28M] 1-10 本章总结
├── 3-第4周 “学面通AI” 项目前端骨架搭建/
│ └── 第1章 【学面通AI】多智能体原型设计 + 前端骨架搭建/
│ ├── [ 28M] 1-1 项目开发前避免功能逻辑不清晰问题：将产品功能合理拆分
│ ├── [ 63M] 1-2 项目交互流程设计：学习&面试模式的用户操作路径梳理 + 流程图绘制
│ ├── [ 82M] 1-3 项目关键页面如何拆解？分析会话列表、对话区、语音面试、笔记的结构设计
│ ├── [167M] 1-4 快速落地高颜值 UI界面 MasterGo AI 工具介绍与使用方法
│ ├── 优~库it资源网ukoou点com整理发布
│ ├── [165M] 1-5 怎样快速绘制设计UI设计图？用 MasterGo AI 根据提示词快速产出页面
│ ├── [ 44M] 1-6 组件复用原则：通用组件vs业务组件如何划分？
│ ├── [169M] 1-7 Vue3.5 都需要掌握什么？必备组合式 API 、响应式、组件通信等介绍
│ ├── [153M] 1-8 Vite 前端工程初始化：项目目录结构设计 + 编码规范约定 + 工程配置实战
│ ├── [104M] 1-9 静态页面骨架搭建：路由配置 + 全局布局 + 占位组件 + Mock 数据渲染
│ └── [ 22M] 1-10 本章总结
└── 4-第5周 FastAPI 高性能智能体后端架构开发/
├── 第1章 基于FastAPI后端架构设计：解决代码职责不清问题/
│ ├── [ 77M] 1-1 如何用 Python 快速落地接口开发？FastAPI 核心实战精讲
│ ├── [126M] 1-2 FastAPI后端代码分层架构设计：路由校验业务数据库职责怎么划分？
│ ├── [102M] 1-3 统一错误处理让报错信息可读、可定位、可追溯
│ ├── [105M] 1-4 FastAPI数据库与迁移闭环：如何设计数据模型？迁移流程是怎样的？
│ ├── [135M] 1-5 配置与日志体系：如何对环境变量进行分层？敏感信息如何处理？
│ ├── [ 67M] 1-6 服务稳定性保障：健康检查接口实现 + 冒烟测试用例编写怎么做？
│ └── [ 42M] 1-7 本章总结
└── 第2章 登录鉴权与接口规范，保障学习数据与面试记录安全性及兼容性/
├── [ 26M] 2-1 如何保证学习数据与面试记录的安全和稳定可用？
├── [ 94M] 2-2 注册接口怎么写才安全？密码哈希与基础安全要点有哪些？
├── [116M] 2-3 JWT 鉴权全流程：Token 生成 + 刷新机制 + 过期处理
├── [122M] 2-4 前后端怎么对齐接口？登录鉴权接口联调实战
├── [152M] 2-5 文件上传规范类型：类型大小路径去重策略怎么定？
├── [ 15M] 2-6 接口如何升级不影响旧功能：如何实现版本管理与兼容策略？
├── [ 51M] 2-7 上线前接口性能优化：Redis 缓存在接口层的设计与实现？
├── [ 97M] 2-8 如何跑通 “AI 最小对话”：后端调用DeepSeek API 实现文本生成
└── [ 37M] 2-9 本章总结
├── 阶段三：自主进化智能体实战：Hermes+ Harness 工程管控/
│ ├── 1-第6周 智能体数据建模与前后端联调/
│ │ └── 第1章 数据建模与表结构设计，聊天记录、文件、语音完整存储方案/
│ │ ├── [ 25M] 1-1 聊天记录、文件、语音如何完整存储？
│ │ ├── [ 64M] 1-2 聊天数据建模会话、消息、引用关系的数据库表如何设计？
│ │ ├── [124M] 1-3 面试表如何设计？如何实现最终字幕表结构 + 时间戳对齐？
│ │ ├── [ 37M] 1-4 资源统一管理：如何对音频 文件 图片的存储规范与引用关系进行治理？
│ │ ├── [143M] 1-5 文件怎么存更可靠？本地与对象存储一致性如何保证？
│ │ ├── [ 81M] 1-6 文件数据完整性验收 如何编写可回显、可复盘的测试清单？
│ │ ├── [ 54M] 1-7 聊天记录回显：如何实现前端加载顺序设计？如何实现数据回显？
│ │ ├── [225M] 1-8 实现会话管理，对话信息和面试记录回显接口
│ │ ├── [116M] 1-9 前后端联调如何跑通会话管理+对话信息回显的完整功能？
│ │ └── [ 37M] 1-10 本章总结
│ └── 2-第7周 LangChain 智能体工程化落地/
│ └── 第1章 LangChain+Hermes 稳控 AI 执行/
│ ├── [149M] 1-1 如何解决面试题老跑偏？学习计划乱生成？
│ ├── [ 39M] 1-2 介绍 LLM 应用开发框架 LangChain，以及什么时候需要用它
│ ├── [301M] 1-3 LangChain 调用链路：模型、提示词、记忆、智能体各负责什么？
│ ├── [ 47M] 1-4 AI模型调用：如何配置模型参数并对参数进行调优？
│ ├── [104M] 1-5 实现一个 轻量版AI Agent，吃透 LangChain 5 大核心作用
│ ├── [133M] 1-6 实现一个 轻量版AI Agent，吃透 LangChain 5 大核心作用
│ ├── [ 49M] 1-7 AI 对话场景中 Markdown 渲染技术深度解析
│ ├── [137M] 1-8 AI 聊天场景中 Markdown 渲染技术深度解析(下)
│ └── [ 87M] 1-9 本章总结
│ ├── 3-第8周 智能体提示词工程化/
│ │ └── 第1章 Prompt提示词工程化管理、版本控制/
│ │ ├── [ 40M] 1-1 如何复原面试题与学习计划？搭建提示词管理体系
│ │ ├── [ 62M] 1-2 高价值提示词深度解读：AI 智能体该遵循哪些行为准则？
│ │ ├── [ 49M] 1-3 提示词怎么按场景拆？如何对不同功能的 Prompt 模板进行设计？
│ │ ├── [215M] 1-4 提示词版本控制与回滚：版本如何规范管理？支撑版本回滚的数据表要怎么设计？
│ │ ├── [ 50M] 1-5 提示词变量注入 - 从通用模板到个性化提示词
│ │ ├── [253M] 1-6 提示词工程化验收：如何完成调优、版本切换与回滚的全流程测试验收？
│ │ └── [ 39M] 1-7 本章总结
│ ├── 4-第9周 企业级智能体 RAG 向量知识库搭建/
│ │ └── 第1章 知识库构建，实现学习资料&简历可检索、可追溯、可复现/
│ │ ├── [ 56M] 1-1 AI 检索文本资料 — 它到底是怎么理解文字的？
│ │ ├── [108M] 1-2 为什么需要向量数据库？距离怎么算？Qdrant 理论基础
│ │ ├── [102M] 1-3 如何用 Qdrant 建库、写入向量块并完成文本信息分块处理？
│ │ ├── [181M] 1-4 如何用 Qdrant 建库、写入向量块并完成文本信息分块处理？
│ │ ├── [ 60M] 1-5 文本切块策略——从能用到用好
│ │ ├── [265M] 1-6 根据用户上传的文档 — 提取文字、切块、向量化处理并写进入 Qdrant
│ │ ├── [206M] 1-7 文件向量化处理功能前后端联调：全链路功能验收
│ │ └── [ 37M] 1-8 章节总结
│ └── 5-第10周 RAG + Hermes 架构搭建/
│ ├── 第1章 RAG检索增强生成系统，提升面试问答可信度/
│ │ ├── [ 37M] 1-1 打通检索链路，让 Agent 真正“读过”你的资料
│ │ ├── [236M] 1-2 扫描件 PDF 读不出字？接入 OCR 给解析器加兜底
│ │ ├── [113M] 1-3 当切片割裂语义：递归切片如何让文档切片不再“断章取义”？
│ │ ├── [170M] 1-4 切片只存向量库够吗？为什么还要在 MySQL 存一份原文
│ │ ├── [ 99M] 1-5 用户提问后发生了什么？问题向量化与相似片段检索
│ │ ├── [ 66M] 1-6 让RAG 检索结果真正可用——工程细节
│ │ ├── [ 65M] 1-7 把知识库接进对话 — 从检索结果到流式回答
│ │ ├── [144M] 1-8 RAG检索全流程——让大模型引用你上传的资料作答
│ │ ├── [157M] 1-9 RAG 检索前端功能完善，并对功能进行测试
│ │ └── [103M] 1-10 本章总结
│ └── 第2章 Hermes Agent 多层记忆，实现信息长效存储与迭代/
│ ├── [ 37M] 2-1 为什么智能体项目需要记忆系统？借鉴Hermes Agnet 设计思路
│ ├── [ 62M] 2-2 记忆系统分层设计如何设计？短期记忆和长期记忆
│ ├── [157M] 2-3 如何保证AI 对话的连贯性？ 短期记忆实现
│ ├── [238M] 2-4 短期记忆优化：Redis 缓存工作工作记忆 + 上下文裁剪压缩
│ ├── [ 30M] 2-5 长期记忆系统——让 Agent 真正认识用户（一）
│ ├── [238M] 2-6 长期记忆系统——让 Agent 真正认识用户（二）
│ ├── [180M] 2-7 短期和长期记忆功能测试验证，功能是否符合要求
│ └── [ 63M] 2-8 本章总结
└── 阶段四：多智能体团队实战：工作流编排与高效协同/
├── 1-第11周 LangGraph 多智能体工作流开发/
│ ├── 第1章 LangGraph工作流编排，实现学习&面试流程自动化执行/
│ │ ├── [ 32M] 1-1 为什么需要工作流编排？
│ │ ├── [ 65M] 1-2 LangGraph是什么？有什么特点和作用？
│ │ ├── [ 87M] 1-3 LangGraph 实战：实现轻量版面试出题AI 智能体
│ │ ├── [148M] 1-4 LangGraph 实战：实现轻量版面试出题AI 智能体
│ │ ├── [ 51M] 1-5 工作流状态设计原则 + 节点职责划分
│ │ ├── [ 46M] 1-6 学习工作流最小闭环——从为什么到怎么跑通（一）
│ │ ├── [179M] 1-7 学习工作流最小闭环——从为什么到怎么跑通（二）
│ │ ├── [163M] 1-8 学习工作流最小闭环——从为什么到怎么跑通（三）
│ │ ├── [ 53M] 1-9 学习工作流 — 功能测试
│ │ └── [ 37M] 1-10 本章总结
│ └── 第2章 基于LangGraph搭建测评智能体：断点持久化与流程闭环/
│ ├── [ 29M] 2-1 本章概述：本章节我们需要做什么？
│ ├── [232M] 2-2 总控智能体路由：统一入口如何路由到出题测评？
│ ├── [115M] 2-3 让 Agent 学会暂停 —— langGrah 流程中断与恢复机制
│ ├── [173M] 2-4 学习工作流改造：从“两个分散图”升级为“一个中断式图”
│ ├── [196M] 2-5 动态获取智能体提示词模板，以及测评消息持久化存储
│ ├── [207M] 2-6 前后端接口联调 —— 在页面实现学习工作流交互功能
│ └── [ 34M] 2-7 本章总结
└── 2-第12周 A2A + Hermes 全域管控/
├── 第1章 A2A协议，解决学习面试流程割裂问题/
│ ├── [ 50M] 1-1 为什么需要 A2A 协议？—— 多智能体协作的必然选择
│ ├── [ 83M] 1-2 看懂 A2A 跨进程交互流程图：物理隔离与标准化信封通信
│ ├── [221M] 1-3 走通一次 A2A 全流程 —— 消息信封、路由决策、的最小闭环
│ ├── [ 69M] 1-4 盘点现有项目里已经具备的 智能体协作能力 ，并提出改进方案
│ ├── [ 82M] 1-5 落地 A2A 消息信封——让 多智能体说同一种外交语言
│ ├── [110M] 1-6 A2A 接力调度器实现：校验并消费 Agent 信封数据
│ └── [ 49M] 1-7 本章总结
├── 第2章 Hermes MCP智能体调用治理，避免AI能力调用失控/
│ ├── [ 84M] 2-1 MCP 是什么？它有什么作用和特点？
│ ├── [101M] 2-2 动手封装一个 MCP Server：天气查询工具
│ ├── [117M] 2-3 分享接口管理工具 Apifox 使用技巧，并 通过 MCP 连接该工具-
│ ├── [171M] 2-4 如何快速安装 Hermes Agent 桌面端应用？
│ ├── [ 75M] 2-5 Hermes Agent桌面端详解：页面功能与设置配置
│ ├── [101M] 2-6 利用 Hermes Gateway 消息网关， 搭建可用的 QQ AI 机器人
│ ├── [112M] 2-7 基于 Hermes Agent & QQ机器人 搭建 AI 私人助手(一)
│ └── [151M] 2-8 基于 Hermes Agent & QQ机器人 搭建 AI 私人助手（二）
└── 第3章 Hermes Skills业务能力封装/
├── [ 80M] 3-1 AI Agent 能力单元的核心认知 —— 什么是 Skills？
├── [112M] 3-2 skill 技能包的标准结构定义——设计可复用的能力单元
├── [ 88M] 3-3 skill 的按需加载原理 —— 渐进式加载机制
├── [ 82M] 3-4 如何设计支持 Skills 的 Agent ？—— 架构设计思路
├── [218M] 3-5 搭建 Skill Agent 项目运行底座：定义会话上下文与工具注册中心
├── [154M] 3-6 Skill 技能系统实战：从技能包发现、到建立索引与缓存加载
├── [143M] 3-7 LangGraph 编排 Skill‑Agent 全链路闭环逻辑 (一)
└── [145M] 3-8 LangGraph 编排 Skill‑Agent 全链路闭环逻辑（二）
├── 阶段五：生产级交付：【学面通AI】全链路打通与上线/
│ ├── 1-第13周 AI 智能驱动个性化学习全业务闭环/
│ │ └── 第1章 学习模式全链路拆解，打通资料导入到学习计划完整闭环/
│ │ ├── [119M] 1-1 优化学习 Agent 链路，实现测评结果自动生成笔记
│ │ ├── [145M] 1-2 任务不断档：智能体什么时候该重试，什么失败不要重试？
│ │ ├── [180M] 1-3 总控路由来派发：如何让下一个智能体由总控统一调度？
│ │ ├── [209M] 1-4 实现笔记智能体：如何把测评结果整理成 Markdown 学习笔记？
│ │ ├── [221M] 1-5 保存笔记结果：如何设计笔记存储 表和幂等落库？（一）
│ │ ├── [ 86M] 1-6 保存笔记结果：如何设计笔记存储 表和幂等落库？（二）
│ │ └── [160M] 1-7 落库存储的笔记记录如何管理？ 封装笔记 CRUD 接口进行管理
│ └── 2-第14周 AI 智能体全真语音模拟面试功能开发/
│ └── 第1章 语音面试全流程设计，实现真人级连续对话与字幕回放/
│ ├── [ 46M] 1-1 AI 语音模拟面试系统应该如何实现？完整业务链路拆解
│ ├── [100M] 1-2 在面试前简历信息，如何注入到面试主考官 Agent上下文中？（一）
│ ├── [193M] 1-3 在面试前简历信息，如何注入到面试主考官 Agent上下文中？（二）
│ ├── [279M] 1-4 在进入语音面试前 ‑ 如何让用户确认简历背景信息？（一）
│ ├── [176M] 1-5 进入语音面试前 ‑ 如何让用户确认简历背景信息？（二）
│ ├── [ 63M] 1-6 实时语音对话案例，完整运行链路解析
│ ├── [144M] 1-7 火山引擎平台AI音视频互动方案如何快速开通？
│ ├── [165M] 1-8 Vue3 + 火山 RTC 实时语音对话前端实战解析
│ └── [208M] 1-9 搭建火山 RTC 后端 安全代理：语音对话开启和结束接口实现
└── 代码/
