华东某邮政信息技术中心：LLM大模型应用与智能体开发实战
浏览：11次 作者：小编1、培训背景
当前，邮政系统正处于从“数字化”向“智能化”跨越的关键阶段，传统业务模式面临着客户服务响应效率待提升、业务流程自动化程度不足、数据价值挖掘不充分等挑战。人工智能的大语言模型及智能体技术在智能客服、工单自动处理、数据分析报告生成、业务流程优化等场景中展现出巨大应用潜力，成为破解上述难题的重要突破口。
然而，华东地区某邮政信息技术中心团队虽具备扎实的传统信息技术功底，但在大模型的技术原理、开发工具使用、落地场景设计及智能体构建等方面存在专业能力缺口，亟需系统性、实战化的培训赋能，以快速抢占技术制高点，将前沿AI技术转化为支撑邮政业务创新的核心竞争力。遂邀请中培IT学院团队基于企业内部对该课题的需求，为其定制合理化的培训方案并实施。
2、培训目标
此次授课对象为该企业的IT相关、数据分析、对前沿技术感兴趣的人员。中培IT学院面向核心人员展开了培训需求调研。综合调研结果得知，大家的培训需求主要集中在以下5个方面：
1. 熟悉大模型 API 调用与 AI 辅助编程（基于ollama本地部署大模型）。
2. 运用LangChain大模型框架构建企业知识库（基于ollama本地部署大模型）。
3. 掌握智能体、意图识别、MCP构建（基于ollama本地部署大模型）。
4. 了解多智能体、协作与通信（基于ollama本地部署大模型）。
5. 全面掌握多模态大模型应用及开发，含图像理解、ocr、语音识别及合成，针对企业特有格式报销单据识别及结构化信息提取实现方式（基于ollama本地部署大模型）。
3、培训方案
培训形式：培训采用现场面授，共计5天，每天6小时。
课程深度：高级
预备知识：建议有一定编程基础或者计算机相关专业。
课程大纲：
日程 | 培训章节 | 培训内容 |
第一天 |
大模型API调用与AI辅助编程 | LLM大模型API调用、缓存与函数调用（3小时） 深入解析DeepSeek-V3大模型API调用机制 掌握DeepSeek模型特性、价格策略与参数配置 精讲Temperature参数调节与Token用量计算 实践多轮对话、JSON格式化输出与函数调用 实现大模型上下文硬盘缓存优化 完成聊天机器人应用开发 通义灵码与VS Code智能编程实战（3小时） 剖析通义灵码技术架构与Qwen系列大模型协同原理 完成VS Code环境配置与插件部署 体验智能代码补全：函数级提示与跨语言辅助 运用代码解释、错误修复与规范检查功能 实践注释文档生成与自动化测试用例开发 掌握内联对话与Chat模式交互技巧 熟练运用Ask/Edit/Agent智能化指令工作流 实战演练：基于通义灵码快速构建FastAPI应用 |
第二天 |
LangChain大模型框架构建企业知识库（结合本地ollama模型） | LangChain核心架构与基础组件实战（3小时） 完成LangChain环境配置与快速入门 实践LangChain＋LLM新一代开发范式 解析LangChain架构体系与核心Toolkits 掌握模型I/O全流程：提示构建、模型调用与结果解析 深入提示工程：思维链与思维树实战技巧 集成多模型调用：适配GPT-4与ChatGLM等主流模型 运用OutputParser实现结构化输出与推荐逻辑 配置Memory机制实现对话记忆持久化 LangChain高级应用与系统集成实战（3小时） 使用Chain与Agent构建智能查询系统 实现异步通信机制提升响应性能 配置Tracing与Debug进行流程监控与问题定位 设计本地AI知识库整体架构方案 实战多格式文档加载与智能拆分技术 应用检索优化策略提升查询效率 基于Agent ReAct实现知识库自主决策 发布MCP服务并完成跨系统能力集成 |
第三天 |
智能体、意图识别、MCP构建（结合本地ollama模型） | ReAct框架智能体构建精讲（3小时） 回顾ReAct推理-行动核心机制 掌握LangChain中ReAct智能体实现方法 熟悉LangChain工具集与功能模块 实战构建鲜花定价智能体（create_react_agent） 解析AgentExecutor运行机制与执行逻辑 通过断点调试观察智能体思考过程 完整模拟两轮推理：搜索→计算→任务达成 掌握智能体端到端推理执行全流程 MCP框架应用与集成实战（3小时） 理解MCP模型连接协议架构与价值 掌握MCP核心组件：服务器、客户端与资源协议 实战构建企业级MCP服务器：集成知识库与业务工具 配置外部资源与工具接口 优化MCP环境下智能体提示词工程 实现模型动态调用外部系统功能 案例实战：集成GitHub的自动化开发助手 分析MCP技术优势与实施挑战 展望MCP在多智能体系统中的演进路径 |
第四天 |
LangGraph与多智能体系统架构实战 | LangGraph核心原理与工程实践（3小时） 掌握LangGraph核心组件：Graph与状态管理机制 深入理解Checkpointer持久化组件原理 实现工作流可控化与状态持久化配置 集成Human-in-the-loop人机协同机制 实战构建三类智能体应用： 对话机器人系统(Chatbots) 多智能体协作框架(Multi-Agent Systems) 规划决策智能体(Planning Agent) 多智能体系统架构设计与团队协作（3小时） 解析多智能体系统(MAS)核心架构 实现监督型架构：智能体-监督者通信模式 实践自由通信模式：智能体间自主协作机制 设计多角色扮演与协同决策系统 MetaGPT实战应用： 数据分析智能体构建 软件公司模拟系统开发 掌握企业级多智能体系统工程化实践 深入分析MetaGPT框架核心实现原理 |
第五天 |
多模态数据处理与模型微调 | OCR、视觉与语音智能应用实战（3小时） 深入解析OCR技术原理：从文本检测到字符识别全流程 对比主流OCR框架特性（PaddleOCR、Tesseract等） 实战演示：实现票据/文档自动化识别系统 掌握图像理解三大任务：分类、检测与分割 集成深度学习模型实现图像描述与内容理解 解读语音合成（TTS）核心技术：从文本到自然语音生成 实践主流语音合成工具与API（如通义听悟、VITS） 剖析语音识别（ASR）全流程：声学模型、语言模型与解码机制 实战三大语音识别应用场景： 智能会议纪要生成 实时语音转字幕 智能客服对话处理 |
DeepSeek多模态模型Janus微调实战（3小时） 解析多模态大模型核心原理与典型业务场景 分析报销凭证（发票/单据）结构化特征与技术难点 构建高质量训练数据集：票据样本采集、文字识别与表格标注 专项优化OCR关键字段识别：抬头、金额、日期、税号等核心信息 突破复杂票据版式解析：图像理解与结构分析 实现多模态信息深度融合：文本、图像与语音对齐技术 实战参数高效微调：LoRA/Adapter等先进方法应用 案例演示：端到端凭证识别与结构化信息提取 完成业务闭环：从票据智能识别到自动化报销流程搭建 |
4、讲师简历
刘老师
西安邮电大学计算机科学与技术本科。拥有着10多年软件研发经验，8年企业培训经验，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、大模型和区块链联盟链架构技术。
Python方向：Python OOP、Django、Scrapy、Scikit-Learn，Tensorflow、Keras、DNN、CNN、RNN、DQN、OpenCV、Yolo。熟悉目前主流的ChatGPT、ChatGLM、Llama、Dify大模型技术，并能够使用LangChain + LLM开发属于公司的AI大模型系统。
区块链方向：BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS
授课方向
l Python核心编程与快速入门
l Django Web开发、Scrapy爬虫实践
l Python科学库与数据可视化
l Python数据分析和挖掘技术
l Python机器学习 (K-近邻、贝叶斯、决策树、随机森林、K-均值、线性回归)
l PyTorch 深度学习与人脸识别技术
l DQN强化学习与Yolo目标识别实战
l AI大模型
l ChatGPT与GPTs 技能提升实践
l Llama2 微调与部署实践
l LangChain + LLM 知识库最佳实践
l Python设计模式最佳实践
l 区块链、比特币、以太坊智能合约应用实践
l Solidity Truffle智能合约最佳实践
l Hyperledger Fabirc 联盟链架构实现
教学风格
丰富的企业应用软件开发经验，深厚的软件架构设计理论和实践。专业而丰富的培训教学技能，将深奥的技术理论与企业实践有机融合，通过轻量化、深入浅出的授课方式让学员在愉悦中获取知识。
培训案例（部分）
l 北京建行：Python数据挖掘与统计分析
l 厦门某商业银行：Python入门与银行贷款风险预警
l 浙江邮政：Python人工智能与机器学习
l 中国电信：Python自主研发培训
l 厦门移动：运维人员大数据库与数据挖掘项目实践
l 交通银行：区块链技术培训
l 思科公司：区块链、以太坊Dapp架构培训
l 电信研究院：Hyperledger Fabirc联盟链架构
项目案例 (部分)
项目名称：基于ollama和Llama的大模型重构银行业务系统
项目背景：客户是国内某银行，由于对ChatGPT数据安全性担忧，技术团队想部署一套自己的LLM大模型系统，通过对LLM的训练与微调实现银行客户流失预测与分析
项目目标：技术方面想了解模型、硬件、算力的选择，以及如何实现模型的部署、API调用与模型微调。业务方面想通过大模型对客户流失进行分析与预测，并且针对不同的流失类型优化客户挽留系统。
项目技术栈：Ollama、Llama3、Python、PyTorch、Docker
项目名称：基于LangChain与LLM构建企业知识库
项目背景：在现代企业中，知识管理和信息获取变得越来越重要。为了提高员工工作效率和信息利用率，北京奔驰考虑使用LangChain和LLM技术构建一个智能化的企业知识库系统，以便于员工快速获取和共享知识。
项目目标：采用LangChain和 内部GPT构建一套企业知识库，想让企业规则制度、经验、
流程文档通过GPT来进行管理，从新盘活业务部门各种文档的价值。
项目技术栈：Ollama、Django/Flask（Web框架）、知识图谱、ChatGPT（二次封装）、Chroma向量数据库、AI Agent
项目名称：移动运营商基站定位数据商圈分析
项目角色：数据分析挖掘师
项目目标：根据用户在移动的定位数据，总结出附近商圈的人流特征，识别出真正的商圈 (非住宅、非工作区)，最后选择合适的商圈进行运营商的促销活动。
项目描述：
从移动通信运营商提供的特定接口上解析、处理、并过PCA分析过滤用户属性后得到用户核心特征
通过单个用户为例，对数据进行探索和分析，研究在不同基站的停留时间，并进一步进行预处理，包括数据规约和数据交换、数据标准化等
采用完成的数据预处理进行建模数据，基于基站覆盖范围区域的人流特征采用聚类算法对商圈进行分类。
最后选择合适的商圈进行运营商的促销活动和相关服务的开展
项目名称：地铁铁轨识别辅助地铁自动驾驶
项目角色：技术顾问
项目目标：根据地铁摄像头拍摄的轨道运行数据，采用基于AI 图形图像识别技术在图片中识别出轨运行轨迹，为辅助地铁自动驾驶提供技术支持
获取地铁轨道运行图片，并对直道、弯道、隧道、室外的图片进行分类
拍摄图片尺寸较大但是轨道都在图像地面部分，因此采用图片处理工具包排除无效和干扰的特征
由于图片数量较少(1万张)，但是图片的每个像素都是一个特征，数据噪声还是太严重。导致了严重的欠拟合 (初次学习正确率20%左右)
使用PCA来对数据集进行降维，通过对还原率的不断测试与优化侧准率和召回率平均达到了90%以上
采用卷曲神经网络进一步进行深度学习，最后的图形图像正确率达到了96%
项目名称：供电局的电力窃漏电用户自动识别
项目角色：AI 算法工程师
项目目标：传统防窃漏电方法主要通过定期巡检，校验电表、用户举报等方式来发现窃电或者计量装置故障。但是这种方式对人依赖性太强，抓窃查漏目标不明确。供电局想通过客户计量点有关电流、电压、负荷等数据情况。构建基于指标加权的用电异常分析模型
1. 根据业务需求从样本数据中抽取用户基本信息、违约、窃电处理记录、实时负荷、计量点、等相关主特征数据。
2. 对正常用点用户进行周期性分析，并对所有窃漏电用户和正常用户的电量、警告及其损失数据来构建专家样本。
3. 采用LM神经网络和CART决策树来构建窃漏电用户识别模型。
4. 利用测试样本对两个模型进行评价，从中选取最优模型进行窃漏电诊断。
5、培训过程
此次专项培训于2025年11月10-14日在企业内部会议中心顺利开展，共有40余名IT技术研发、数据分析应用及前沿技术人员等参与其中。本次培训围绕“实战驱动”核心理念，构建“知识输入—实战输出”的高强度学习闭环。全程以DeepSeek、通义灵码等工业级工具为支撑，设计递进式实操任务：学员从首日完成FastAPI应用构建，逐步进阶至企业知识库搭建、鲜花定价智能体开发、多智能体协作系统实现，最终完成票据识别模型微调，每日保持5小时左右的实战训练。在结训成果展示中，8个实战项目全部通过技术验证，其中3项已启动后续开发流程，充分彰显了“即学即用、学以致用”的培训实效，培训成效满意度高达99%以上。
6、效果评估
企业内部满意度调研表-数据汇总
培训结束后，企业对内部参训人员开展了线上满意度调研。根据汇总后的评估数据得知，整体满意度表现优异，多项指标接近满分。其中，“组织管理满意度”达到100%，“教学策划”与“培训成效”均获4.96分（99.29%），反映课程设计与培训目标达成度广受认可。授课内容也获得高分（98.57%）。班主任履职与后勤服务评分稍低，但仍处于高位（97%以上），显示组织执行细节仍有提升空间。总体评价4.89分（97.86%），表明本次培训取得了显著成效，获得参训人员高度肯定。
7、培训总结
通过本次“LLM大模型应用与智能体开发实战”专项培训，华东地区某邮政信息技术中心正在逐步一支人工智能开发专业团队，填补了相关领域的人才缺口，为企业践行“科技兴邮”战略提供了坚实的人才支撑。本次培训不仅实现学员技术能力的短期突破，更构建了长效人才培养机制。培养的技术骨干将作为内部讲师，带动更多团队成员学习提升，形成“核心引领、全员共进”的技术升级氛围。
企业内训
- 标签： AI人工智能 AI智能体构建 LLM大模型
-
下篇： 没有下一篇了
