中培IT学院

成都某航天集团:LLM与Dify高效工作流实战培训

浏览:7次 作者:小编

一、培训背景

在当今快速发展的信息技术时代,人工智能(AI)已成为推动社会进步和产业升级的关键力量。其中,Agent智能体作为AI领域的一个重要分支,正逐渐展现出其独特的价值和广泛的应用前景。Agent智能体是一种能够自主决策、与环境进行交互并完成任务的软件实体。学习Agent智能体的开发不仅具有深远的理论意义,更具有重要的实用价值。

成都某航天集团作为国内航天领域的中坚力量,长期深耕于航天器的研发、制造与发射服务等核心业务。凭借深厚的技术积累与卓越的创新能力,集团在卫星通信、载人航天、深空探测等多个关键方向取得了一系列举世瞩目的成就,为我国航天事业的蓬勃发展立下了汗马功劳。

二、培训目标

成都某航天集团特邀请中培IT学院管理咨询有限公司,开展LLM与Dify高效工作流实战培训,旨在实现以下目标:

1.技术能力提升:帮助员工掌握 LLM 核心原理与应用技巧,熟练运用其处理科研报告分析、故障诊断描述等航天领域复杂数据文本,提升信息处理效率与准确性;同时精通 Dify 工作流搭建与优化,推动业务流程自动化、智能化,降低人工失误,提升协同效率。

2.创新发展赋能:培养员工以新技术解决实际问题的创新思维,鼓励在航天项目研发、生产管理等环节探索新方法、新模式,为集团技术创新与业务拓展注入新思路。

3.核心竞争力打造:通过培训打造兼具前沿技术能力与创新精神的人才队伍,提升集团整体竞争力,助力集团在航天领域持续领跑、实现高质量发展。

三、培训策划

1. 培训方案

● 培训课题:LLM与Dify高效工作流实战培训

● 培训形式:“系统方法讲解+真实案例剖析+互动演练”三位一体的教学方式

● 培训讲师:刘老师

2. 课程大纲

培训2天面授+直播,12课时,具体日程安排如下:

内容

详情

第一部分:大模型驱动的Agent智能体概述

1.智能体的定义与特点

2.智能体与传统软件的关系

3.智能体与LLM的关系

4.从ChatGPT到智能体

5.智能体的五种能力

6.记忆,规划,工具,自主决策,推理

7.多智能体协作

8.企业级智能体应用与任务规划

9.智能体开发

 第二部分: 基于大模型的Agent技术框架


1.Agent的四大要素 

2.Agent的规划和决策能力 

3.Agent的各种记忆机制 

4.Agent的核心技能:调用工具

5.Agent的推理引擎:ReAct框架 

6.何谓ReAct 

7.用ReAct框架实现简单Agent 

8.基于ReAct框架的提示 

9.构建ReAct Agent

第三部分: 基于LangChain构建智能体

1.何谓LangChain 

2.LangChain中的六大模块 

3.LangChain和Agent开发 

4.LangChain构建智能体的类型

5.LangChain构建工具

6.何谓LlamaIndex 

7.说说LlamaIndex 

8.LlamaIndex和基于RAG的AI开发 

9.简单的LlamaIndex开发示例

第四部分: 推理与行动的协同——通过LangChain中的ReAct框架实现

1.复习ReAct框架 

2.LangChain中ReAct Agent 的实现 

3.LangChain中的工具和工具包 

4.create_react_agent创建鲜花定价Agent 

5.深挖AgentExecutor的运行机制 

6.在AgentExecutor中设置断点 

7.思考:模型决定搜索 

8.行动:工具执行搜索 

9.思考:模型决定计算 

10.行动:工具执行计算 

11.思考:模型完成任务 

第五部分: 计划和执行的解耦-通过LangChain中的Plan-and-Execute实现

1.Plan-and-Solve策略的提出 

2.LangChain中的Plan-and-Execute Agent 

3.通过Plan-and-Execute Agent实现物流管理 

4.为Agent定义一系列进行自动库存调度的工具 

5.创建Plan-and-Execute Agent并尝试一个“不可能完成的任务” 

6.完善请求,让Agent完成任务

7.从单Agent到多Agent

第六部分: 多Agent 最佳实践

1.智能体和多智能体 multi-agent systems

2.监督者:每个Agent与一个监督者Agent通信

3.自定义多Agent工作流:每个Agent只与其他Agent通信

4.Multi-Agent多角色协作      

5.SOP拆解    

6.角色扮演   

7.反馈迭代   

8.监督控制

9.workflow automation

10.企业工程化最佳实践

第七部分: 基于Dify 本地化构建智能体

1.Dify:零基础开发对话机器人

2.功能概述

3.基础能力

4.插件

5.工作流

6.记忆库

7.查询天气机器人的最终效果

8.创建你的第一个机器人

9.用自然语言优化输出结果

10.用工作流优化输出结果

11.综合实战:基于Dify的数据库查询实现

12.Dify本地化与Agent各终点发布(网页嵌入、微信、API)

第八部分: 基于多模态构建Agent

1.多模态技术原理讲解

2.常用的多模态模型介绍、原理解析

3.多模态典型应用场景举例,以及技术实现

4.多模态技术实战

5.多模态需求输入:图像、语音、文本

6.语音输入集成模块

7.图像输入集成模块

8.核心需求理解与多轮输入整合模块

9.语音输入处理

10.利用多模态技术实现多模态智能聊天对话

基于多模态大模型的Agent开发

三、培训讲师

成都某航天集团:LLM与Dify高效工作流实战培训-成功案例2852.png

刘老师  AI 技术领域资深专家

西安邮电大学计算机科学与技术专业。拥有20余年软件研发与企业培训经验,对Java、Python、区块链等技术领域有独特的研究,精通机器学习、深度学习、大模型技术。

在技术研究层面,刘老师主攻AI全栈技术体系,对多领域技术有深入且独到的钻研:熟悉企业级应用软件开发全流程;深耕AI核心领域,涵盖机器学习、深度学习、大模型三大方向:熟练运用Scikit-Learn及主流机器学习算法,精通TensorFlow等深度学习框架与多种神经网络结构,掌握Yolo、OpenCV技术;在大模型领域具备全链条实战能力,深入研究主流模型,熟练运用相关技术工具,精通微调、训练、部署等关键技术,对主流大模型框架有源码级理解,可支撑技术落地。

凭借多年企业一线研发经验,刘老师深谙技术与业务的融合逻辑,在培训教学中擅长将深奥的算法原理、复杂的模型架构转化为轻量化、场景化的讲解,以“理论+案例+实战”三位一体的授课模式,让学员快速理解技术核心、掌握实战技能,累计为金融、通信、能源、制造等多行业培养大量AI技术人才,是兼具技术深度与教学温度的实战派导师。

四、培训现场

成都某航天集团于2025年11月10日-11日在成都芙蓉酒店会议室开展为期2天的LLM与Dify高效工作流实战培训,共有20余位技术骨干参与学习。培训现场气氛热烈非凡,宽敞明亮的培训室内,投影仪闪烁着清晰的内容,讲师站在前方,以生动且专业的方式开启知识讲解。

员工们全神贯注,目光紧紧跟随讲师的讲解节奏,时而低头认真记录关键要点,时而举手提出疑问,与讲师展开积极互动。在实操环节,大家迅速分组,围绕电脑屏幕,热烈讨论着LLM模型的应用场景和Dify工作流的搭建步骤。遇到难题时,小组成员们相互启发、共同探索解决方案。

休息间隙,员工们也未停止交流,分享着自己在实操中的心得与体会。整个培训现场,充满了浓厚的学习氛围和积极向上的精神风貌,大家都在努力汲取新知识、新技能,为集团在智能化转型的道路上贡献自己的力量。

成都某航天集团:LLM与Dify高效工作流实战培训-成功案例3701.png

成都某航天集团:LLM与Dify高效工作流实战培训-成功案例3703.png

成都某航天集团:LLM与Dify高效工作流实战培训-成功案例3706.png

五、培训总结

成都某航天集团举办的LLM与Dify高效工作流实战培训圆满收官,整体学习取得丰硕成果。主要体现在三方面:

在技能提升上,员工熟练掌握了LLM在航天数据处理、智能问答构建等场景的应用技巧,能运用其强大的语言理解和生成能力,高效处理海量科研资料与业务文档,提升信息提取与分析的精准度。同时,精通Dify工作流的搭建与优化,可实现业务流程自动化,减少人工操作失误,提高工作效率。

在创新思维方面,培训激发了员工探索新技术应用的热情,鼓励他们将LLM与Dify融入航天项目研发、生产管理等环节,提出创新性的解决方案,为集团技术革新注入新活力。

从团队协作来看,培训中的分组实操促进了员工间的交流与合作,增强了团队凝聚力。员工们学会跨部门协作,共同攻克难题,为集团智能化转型与高质量发展筑牢了人才基础。

此次培训成效显著。员工不仅提升了利用LLM处理航天数据、构建智能应用的能力,还学会运用Dify优化业务流程,提高工作效率。更重要的是,激发了创新思维,大家开始思考如何将新技术融入日常工作,为集团发展带来新思路。

未来,集团将持续关注前沿技术,开展更多针对性培训,鼓励员工学以致用,推动智能化转型,在航天领域持续创新,为实现高质量发展注入强劲动力。

企业内训 企业内训
标签: 人工智能 Agent技术 AI赋能

上篇: 北京某金融数字科技公司:项目管理之需求管....

下篇: 没有下一篇了