2026年8月，火龙果科技为某重点军工航天测评单位成功实施了《AI辅助工作增效》培训。经过培训前多方交流与沟通，精准对接了业务需求与学员痛点，本次培训在内容设计与组织实施上实现了高度契合。

培训需求如下：

1. Agentic Rag、LLM wiki等先进知识库方案。 2. 实际使用过程中，知识库的实时新增、更新、维护方法及冲突保留机制。 3. Agent评估 4. 多Agent框架优化 5. Langchain/Langgraph对于模型记忆、知识库、上下文的管理 6. Langchain/Langgraph的多轮HITL人工交互 7. 有哪些常用的智能体架构？如何根据业务场景，决定选择哪种多Agent架构？ 8. 有哪些常见的架构组合使用的方式？ 9. 什么情况下应该发起人机交互？如何避免Agent提出不专业的问题？ 10. 多个Agent协作的时候，如何避免信息在Agent传递过程中失真？ 11. 多个Agent协作直接的效率如何最高？ 12. 被测件来自不同领域，每个领域希望大模型可以通过记忆或者自进化的手段，变得更加专业。该如何设计记忆系统？ 13. 如何避免记忆后导致模型反而效果不如以前？ 14. embedding模型输出的相似度非常接近，可能是什么原因导致的？ 15. 多个Agent协作直接的效率如何最高？ 16. skills到底怎么写更好？ 17. 上下文工程，哪些写进skill更好，哪些用rag更合适? 18. Claude和Openclaw都有哪些比较有特色的技术？ 19. 如何让Agent更加稳定？

   培训由火龙果实践经验丰富的资深技术顾问实施。培训中讲师在系统化讲解的基础上结合学员工作中的实例有针对性地回答了学员的关键问题，使培训收到了很好效果。

教材封面与目录：

 

课程大纲：基于大模型的Agent技术应用开发实践