From 1f159ed749f61c873ba3b39825038adde758fba1 Mon Sep 17 00:00:00 2001 From: fuzhongyun <15339891972@163.com> Date: Fri, 21 Nov 2025 18:31:04 +0800 Subject: [PATCH] remove --- 课件资料/0.大纲.md | 88 ----------- 课件资料/0.开场白.md | 34 ----- 课件资料/1.承上启下-技术演进与主题定位.md | 20 --- 课件资料/2.融合方案-Agent与工作流.md | 30 ---- 课件资料/3.场景识别与技术选型.md | 28 ---- 课件资料/4.实战落地-架构传输与成本.md | 30 ---- 课件资料/WPS-PPT-提示文档.md | 124 --------------- 课件资料/代码.md | 174 ---------------------- 8 files changed, 528 deletions(-) delete mode 100644 课件资料/0.大纲.md delete mode 100644 课件资料/0.开场白.md delete mode 100644 课件资料/1.承上启下-技术演进与主题定位.md delete mode 100644 课件资料/2.融合方案-Agent与工作流.md delete mode 100644 课件资料/3.场景识别与技术选型.md delete mode 100644 课件资料/4.实战落地-架构传输与成本.md delete mode 100644 课件资料/WPS-PPT-提示文档.md delete mode 100644 课件资料/代码.md diff --git a/课件资料/0.大纲.md b/课件资料/0.大纲.md deleted file mode 100644 index 6c94552..0000000 --- a/课件资料/0.大纲.md +++ /dev/null @@ -1,88 +0,0 @@ -# 总大纲：AI应用落地（Agent + 工作流融合实战） - -总时长：72分钟（1.2小时） - -## 0 开场与目标（3分钟） - -- 主题与目标：让后端 Go 团队“又快又稳”做出可用的 AI 应用 -- 一句话定位：Agent 负责“聪明与解释”，工作流保障“稳定与规模” -- 贯穿案例：订单诊断（降低 MTTR/人工接管率、提升稳定性） - -## 1 概念与融合（10分钟） - -- 什么是 Agent：意图识别、工具选择、策略决策、结果解释与对话管理 -- 什么是工作流：确定性算子编排、状态与数据管理、幂等与重试、失败回退、审计与监控 -- 优缺点对比： - - Agent：灵活、可解释；成本不稳定、可能不一致 - - 工作流：稳定、可控、低成本；表达复杂判断困难、解释弱 -- 融合方案（职责边界与组合模式）： - - 入口路由：Agent 基于意图调用不同工作流 - - 工作流内嵌决策：复杂判断节点由 Agent 决策，其余节点确定性执行 - - 管理者-执行者：Manager Agent 分配任务，工作流封装工具完成 -- 常见坑：多 Agent 过度设计、记忆与任务状态混淆、工具幂等缺失 - -## 2 技术演进（6分钟） - -- 手工时代 → 智能体时代 → 工业化时代（精简版） -- 结论：从能用到好用，标准化与可观测是必经之路（不单设页面） - -## 3 需求识别（12分钟） - -- 三招判断：频次、复杂度、容错 -- 适用与不适用：规则清晰/100%准确/一次性工作不适合 AI -- 场景映射：订单诊断、商品分析、文库问答 -- 回退策略：从 AI 回退为代码/规则引擎的判断标准 - -## 4 选型建议（12分钟） - -- 部署方式：供应商（API/Agent/工作流） vs 私有化（云/本地） -- 语言选择：阶段化策略（原型优先 Python；生产优先 Go），纯 Go 团队可直接上 Go -- 框架推荐： - - Python：LangChain/LangGraph（原型与功能全） - - Go：Eino、LangChainGo（生产与性能） -- 硬件与模型容量： - - 7B：16G 显存可行（量化更稳） - - 14B：建议 24–48G 显存；16G 需重度量化且质量折衷 -- 私有化阈值（简易测算）：月 API 费用 ≈ 硬件折旧/月 + 运维人力/月 + 合规需求 → 达到阈值再考虑自建 - -## 5 实战演示（24分钟） - -- Python 快速原型（10分钟）： - - 用 LangChain/LangGraph 搭“订单诊断”工作流：订单查询→支付网关→风控规则→异常解释 - - 监控：LangSmith 指标与问题定位 -- Go 生产化（10分钟）： - - 框架：Eino / LangChainGo；HTTP 层（Gin/Hertz） - - 目录结构： - - `cmd/` 服务入口 - - `internal/agent/` 意图识别与解释 - - `internal/workflow/` 节点编排、重试与回退 - - `internal/tools/` 订单/支付/风控等工具封装 - - `internal/observability/` 指标、日志、trace - - `pkg/` 通用库；`api/` 接口定义（OpenAPI/gRPC） - - 工程要点：幂等、错误码、超时/熔断、重试与任务重放 -- 传输与体验（4分钟）： - - 流式对比：SSE（浏览器友好、单向） vs WebSocket（双向、状态管理） vs HTTP Streaming（解析复杂） vs gRPC 流（强类型、需网关） - - 选择建议：前端优先 SSE；双向需 WebSocket；内网优先 gRPC/HTTP2 - - 降低等待焦虑：预热与缓存、渐进式输出（先要点后细节）、并行查询与最慢支路降级、心跳与重连 - -## 6 成本评估与阶段化私有化（4分钟） - -- 在线指标：成功率、P95 延迟、令牌用量、调用成本、重试次数、人工接管率 -- 监控盲点：上下文与工具调用的隐性令牌、未分场景/版本统计 -- 阶段化决策：先供应商跑通 + 完整监控 → 达阈值再私有化；含合规与数据敏感评估 - -## 7 总结（1分钟） - -- 选择 > 实现，适合 > 先进；Agent + 工作流是通用融合方案 -- 一套模板 + 一套度量与监控 → 快速落地、可持续优化 - -## 8 相关资源（1分钟） - -- LangChain： -- LangGraph： -- Eino 框架： -- LangChainGo： -- Coze（可视化）： -- Coze Studio（本地部署）： -- Coze Loop（监控）： -- 内部模板与评测集：公司知识库/代码模板（按团队链接补充） diff --git a/课件资料/0.开场白.md b/课件资料/0.开场白.md deleted file mode 100644 index 3be27ba..0000000 --- a/课件资料/0.开场白.md +++ /dev/null @@ -1,34 +0,0 @@ -# 开场白 - -**【承上启下，建立技术演进的连贯性】** - -前面我们学习了AI原理和部署实践， -那今天呢？我想和大家聊聊：AI到底该怎么'用好'？ - -**【痛点共识】** - -- 算法懂了、模型也能跑，但落地时到底该用 Agent 还是工作流？ -- SSE、WebSocket、HTTP 流到底怎么选，用户等待体验怎么优化？ -- 供应商 vs 私有化怎么权衡，成本到什么阶段再自建？ - -**【今天我们做什么】** - -- 用一个真实案例（订单诊断）贯穿：Agent 负责意图与解释，工作流负责确定性执行与回退重试 -- 给出阶段化选型：原型用 Python，生产用 Go（Eino/LangChainGo），并给出目录模板与工程要点 -- 拆解流式传输与体验优化：选择建议、并行与降级、渐进式输出 -- 评估成本与私有化阈值：用数据而不是感觉做决定 - -**【你将带走】** - -- 可直接复用的 Go 项目目录模板与 Python 原型示例 -- 流式传输最佳实践与选择建议 -- 一套成本评估与私有化决策表 -- 常见坑清单与规避方法（幂等、错误码、记忆与状态分离） - -**【一句话总结】** - -选择 > 实现，适合 > 先进；聪明交给 Agent，稳定交给工作流。 - -**【开始吧】** - -接下来 72 分钟，我们用融合方案把“能用”变成“好用、可持续”。 diff --git a/课件资料/1.承上启下-技术演进与主题定位.md b/课件资料/1.承上启下-技术演进与主题定位.md deleted file mode 100644 index 093f774..0000000 --- a/课件资料/1.承上启下-技术演进与主题定位.md +++ /dev/null @@ -1,20 +0,0 @@ -# 承上启下：技术演进与主题定位 - -## 技术演进三阶段 -- 手工时代：Prompt 手工打造，结果不稳定、不可复制 -- 智能体时代：能记忆与调工具，但仍是作坊式、效率有限 -- 工业化时代：标准化流程、质量可控、批量复制 - -## 主题定位（一句话） -- 聪明交给 Agent，稳定交给工作流；两者融合，既好用又可规模复制 - -## 课程收益与贯穿案例 -- 收益：更快选型、更稳上线、更好用户体验、更清晰成本评估 -- 案例：订单诊断（降低 MTTR、减少人工接管率） - -## 今日路线图 -- Python 快速原型 → Go 生产化 → 传输与体验优化 → 成本评估与私有化阈值 -## 一句话总结 -主题定位：Agent 负责聪明与解释，工作流保障稳定与规模。 -## 一句话引出 -进入“融合方案”，明确职责边界与组合模式。 \ No newline at end of file diff --git a/课件资料/2.融合方案-Agent与工作流.md b/课件资料/2.融合方案-Agent与工作流.md deleted file mode 100644 index 597db1d..0000000 --- a/课件资料/2.融合方案-Agent与工作流.md +++ /dev/null @@ -1,30 +0,0 @@ -# 融合方案：Agent × 工作流 - -## Agent 的职责 -- 意图识别与对话管理 -- 工具选择与策略性决策 -- 结果解释与可解释性输出 - -## 工作流的职责 -- 确定性算子编排与数据读写 -- 状态管理、幂等、重试与失败回退 -- 审计与监控、指标采集 - -## 组合模式 -- 入口路由：Agent 基于意图调用不同工作流 -- 工作流内嵌决策：复杂判断节点由 Agent 决策，其余确定性执行 -- 管理者-执行者：Manager Agent 分配任务，工作流执行工具 - -## 边界与协作 -- 记忆 vs 任务状态分离：避免业务状态污染对话记忆 -- 工具接口规范：输入输出、错误码、幂等与超时/熔断 -- 回退与人机协同：失败分支、人工接管入口、任务重放 - -## 常见坑与规避 -- 多 Agent 过度设计 → 一个入口 Agent + 工作流主干 -- 幂等缺失与错误码混乱 → 无法重试与回退 -- 监控缺失 → 无法定位问题与评估成本 -## 一句话总结 -边界清晰、模式够用、契约完备，才能让融合方案在生产可控。 -## 一句话引出 -下节将把融合范式映射到具体场景与选型。 \ No newline at end of file diff --git a/课件资料/3.场景识别与技术选型.md b/课件资料/3.场景识别与技术选型.md deleted file mode 100644 index eb48fac..0000000 --- a/课件资料/3.场景识别与技术选型.md +++ /dev/null @@ -1,28 +0,0 @@ -# 场景识别与技术选型 - -## 三招判断适配度 -- 频次：是否每天出现 -- 复杂度：是否需要看多个因素 -- 容错：是否允许偶尔错误 - -## 不适用的边界 -- 规则清晰 → 用代码/规则引擎更稳更便宜 -- 要求 100% 准确 → AI 不合适 -- 一次性工作 → 人工处理即可 - -## 部署选型 -- 供应商（API/Agent/工作流）：验证快、维护省心、需评估数据外流 -- 私有化（云/本地）：数据可控、长期成本可控、需工程与运维投入 - -## 语言与框架 -- 原型：Python（LangChain、LangGraph） -- 生产：Go（Eino、LangChainGo） -- 团队策略：纯 Go 团队可直接 Go，但建议保留原型快速验证 - -## 私有化阈值与硬件预算 -- 模型容量：7B≈16G 显存；14B建议 24–48G 显存（16G 需重度量化） -- 阈值测算：月 API 费用 ≈ 硬件折旧/月 + 运维人力/月 + 合规需求 -## 一句话总结 -先用数据选场景与方案，原型快跑，生产稳落，达到阈值再私有化。 -## 一句话引出 -随后进入“实战落地”，用订单诊断完成端到端演示。 \ No newline at end of file diff --git a/课件资料/4.实战落地-架构传输与成本.md b/课件资料/4.实战落地-架构传输与成本.md deleted file mode 100644 index df59dff..0000000 --- a/课件资料/4.实战落地-架构传输与成本.md +++ /dev/null @@ -1,30 +0,0 @@ -# 实战落地：架构、传输与成本评估 - -## 案例流程（订单诊断） -- 节点：订单查询 → 支付网关 → 风控规则 → 异常解释 -- 分支：失败回退、重试策略、人工接管入口 - -## Python 原型要点 -- LangChain/LangGraph 搭建工作流 -- LangSmith 指标与问题定位 - -## Go 生产要点 -- 框架：Eino / LangChainGo；HTTP 层（Gin/Hertz） -- 目录结构：`cmd/`、`internal/agent`、`internal/workflow`、`internal/tools`、`internal/observability`、`pkg/`、`api/` -- 工程要点：幂等、错误码、超时/熔断、重试与任务重放 - -## 传输与体验 -- SSE：浏览器友好、单向推送、实现简单 -- WebSocket：双向、低延迟、需心跳与状态管理 -- HTTP Streaming：保持 HTTP 语义，前端解析更复杂 -- gRPC 流：双向流、性能好、Web 需网关 -- 降低等待焦虑：预热与缓存、渐进式输出、并行查询与最慢支路降级、心跳与重连 - -## 成本与度量 -- 在线指标：成功率、P95 延迟、令牌用量、调用成本、重试次数、人工接管率 -- 监控盲点：上下文与工具调用的隐性令牌、未分场景/版本统计 -- 阶段化私有化：先供应商 + 完整监控 → 达阈值再自建 -## 一句话总结 -用融合方案跑通端到端，并以指标闭环驱动体验与成本优化。 -## 一句话引出 -最后收束到“课程总结与资源”，附行动清单与评测模板。 \ No newline at end of file diff --git a/课件资料/WPS-PPT-提示文档.md b/课件资料/WPS-PPT-提示文档.md deleted file mode 100644 index 5e81bcb..0000000 --- a/课件资料/WPS-PPT-提示文档.md +++ /dev/null @@ -1,124 +0,0 @@ -# WPS 智能PPT生成提示文档：AI应用落地（Agent × 工作流融合实战） - -## 全局参数 -- 听众画像：后端 Go 开发，具备基础 AI 应用认知 -- 目标：理解并掌握“Agent + 工作流”融合范式，能快速原型与稳定生产化 -- 风格：简洁、工程化、数据驱动；少段落，多要点；配图清晰 -- 配色：主色蓝灰（#2F5D8A / #4A4A4A），强调色橙（#F59E0B） -- 字体：中文用思源黑体/微软雅黑，英文字体用 Inter/Roboto -- 页数建议：18–20 页；每页遵循“标题/一句话金句/三要点/图示建议”结构 -- 图形偏好：流程图、架构图、对比表；避免花哨背景与过多动画 -- 术语一致：Agent、工作流、SSE、WebSocket、HTTP Streaming、gRPC、MTTR、P95、令牌 - -## 目录与每页内容 -1. 标题页 - - 金句：选择 > 实现，适合 > 先进 - - 要点：主题、讲师、时间 - - 图示：主题封面图（抽象线路/节点） - -2. 开场与目标 - - 金句：聪明交给 Agent，稳定交给工作流 - - 要点：听众画像、课程目标、贯穿案例（订单诊断） - - 图示：课程目标图标组 - -3. 承上启下：技术演进 - - 金句：从手工到工业化，核心是标准化与可观测 - - 要点：手工→智能体→工业化；问题与改进；度量意识 - - 图示：时间轴 - -4. 融合方案总览 - - 金句：边界清晰、模式够用、契约完备 - - 要点：Agent 职责；工作流职责；融合收益 - - 图示：双层架构图（Agent 外层、工作流主干） - -5. 组合模式与职责边界 - - 金句：入口路由、内嵌决策、管理者-执行者 - - 要点：三种模式；适用场景；边界约束（记忆vs状态） - - 图示：三模式示意图 - -6. 常见坑与规避 - - 金句：少而精的 Agent + 可观测工作流 - - 要点：过度多Agent；幂等与错误码缺失；监控缺失 - - 图示：问题→对策表 - -7. 场景识别三招 - - 金句：频次、复杂度、容错三步筛选 - - 要点：三招定义；通过案例映射；回退边界 - - 图示：打勾/打叉列表 - -8. 不适用边界 - - 金句：能编程就别用 AI；必须 100% 准确也别用 - - 要点：规则清晰、100%准确、一次性工作 - - 图示：红线边界卡片 - -9. 部署选型 - - 金句：先供应商跑通，达阈值再私有化 - - 要点：供应商（API/Agent/工作流）；私有化（云/本地）优缺点 - - 图示：对比表 - -10. 语言与框架 - - 金句：原型 Python，生产 Go；纯 Go 团队可直接 Go - - 要点：LangChain/LangGraph；Eino/LangChainGo；生态与工程取舍 - - 图示：栈对比图 - -11. 私有化阈值与硬件预算 - - 金句：用数据而不是感觉做决定 - - 要点：月 API 费测算；自建=硬件折旧+运维+合规；显存容量：7B≈16G，14B建议24–48G（16G重度量化） - - 图示：简易成本公式与条形图 - -12. 架构总览（订单诊断） - - 金句：入口 Agent + 主干工作流，端到端闭环 - - 要点：输入/输出；节点与分支；回退与人工接管 - - 图示：端到端流程图 - -13. 传输与体验（对比） - - 金句：前端优先 SSE；双向用 WebSocket；内网优先 gRPC/HTTP2 - - 要点：SSE/WebSocket/HTTP Streaming/gRPC 优劣；心跳与重连；渐进式输出与并行降级 - - 图示：对比表 + 时序图 - -14. Python 原型演示 - - 金句：快速搭建、可观测、可回放 - - 要点：LangChain/LangGraph；LangSmith 监控；评测集与回放 - - 图示：原型架构与监控截图占位 - -15. Go 生产化演示 - - 金句：目录清晰、契约完备、稳定可扩展 - - 要点：Eino/LangChainGo；`cmd/`、`internal/*`、`pkg/`、`api/`；幂等/错误码/重试/熔断 - - 图示：目录结构树与依赖图 - -16. 工程要点（可靠性） - - 金句：幂等与错误码是重试与回退的根基 - - 要点：超时/熔断；任务重放；死信与恢复策略 - - 图示：容错链路图 - -17. 成本与度量 - - 金句：指标闭环驱动优化与私有化决策 - - 要点：成功率、P95、令牌、成本、重试、人工接管率；监控盲点与分维度统计 - - 图示：指标仪表盘占位 - -18. 总结与行动清单 - - 金句：模板 + 度量与监控 → 快速落地、可持续优化 - - 要点：选一个场景；填选型表；套模板；算成本账 - - 图示：清单卡片 - -19. 相关资源 - - 金句：拿来即用的外部文档与内部模板 - - 要点：LangChain、LangGraph、Eino、LangChainGo、Coze、Coze Studio、Coze Loop、内部知识库链接 - - 图示：资源链接卡片 - -## 版式与生成要求 -- 每页结构：主标题（不超过14字）+ 一句话金句（不超过20字）+ 三要点（每条不超过18字）+ 图示建议（一句话） -- 避免长段落；对比用表格；流程用箭头；术语保持一致 -- 所有英语缩写保留原文：SSE、gRPC、HTTP/2、MTTR、P95 -- 优先白底深色文字；强调色仅用于关键字或数据 - -## 演讲备注（可选） -- 强调“融合范式”的方法论与工程可操作性 -- 贯穿案例用“订单诊断”，度量指标贯穿始终 -- 传输体验与成本评估是实战关键，不可略过 - -## 生成后校对清单 -- 术语统一；硬件容量数字正确（14B→24–48G 显存建议） -- SSE/WebSocket/gRPC 对比无缺项；有心跳与重连要点 -- 目录结构页包含 `cmd/`、`internal/agent`、`internal/workflow`、`internal/tools`、`internal/observability`、`pkg/`、`api/` -- 成本页包含公式与分维度指标 \ No newline at end of file diff --git a/课件资料/代码.md b/课件资料/代码.md deleted file mode 100644 index 4f91d94..0000000 --- a/课件资料/代码.md +++ /dev/null @@ -1,174 +0,0 @@ -# 代码示例 - -langchain生态 - -- Chain - -```python -async def main(): - prompt = ChatPromptTemplate.from_messages([ - ("system", "你是一个友好、专业的AI助手。"), - ("human", "{input}") - ]) - - # 2) 定义模型（按你本地 Ollama 配置调整） - model = ChatOllama( - model="qwen3:8b", # 或你的实际模型名 - base_url="http://localhost:11434" - ) - - # 3) 定义输出解析器，将 AIMessage 转字符串 - parser = StrOutputParser() - - # 4) 组合为表达式管道 - chain = prompt | model | parser - - # 非流式调用 - text = await chain.ainvoke({"input": "请用一句话做自我介绍"}) - print("非流式：", text) - - # 流式调用 - print("流式：", end="", flush=True) - async for chunk in chain.astream({"input": "讲一个简短的笑话"}): - print(chunk, end="", flush=True) -``` - -- Graph - -```python -# 创建状态图 -async def main(): - workflow = StateGraph(WorkflowState) - - # 添加节点 - workflow.add_node("intent_analysis", self._intent_analysis_wrapper) - workflow.add_node("order_diagnosis", self._order_diagnosis_wrapper) - workflow.add_node("natural_chat", self._natural_chat_wrapper) - - # 设置入口点 - workflow.set_entry_point("intent_analysis") - - # 添加条件边 - workflow.add_conditional_edges( - "intent_analysis", - self._route_after_intent_analysis, - { - "order_diagnosis": "order_diagnosis", - "natural_chat": "natural_chat", - "end": END - } - ) - - # 添加结束边 - workflow.add_edge("order_diagnosis", END) - workflow.add_edge("natural_chat", END) - - # 编译图 - agent = workflow.compile() - - messages = [HumanMessage(content="Add 3 and 4.")] - messages = agent.invoke({"messages": messages}) - for m in messages["messages"]: - print(m.content) -``` - -对应流程图（Mermaid） - -```mermaid -flowchart TD - IA[intent_analysis] --> ROUTE{判断意图} - ROUTE -->|order_diagnosis| OD[order_diagnosis] - ROUTE -->|natural_chat| NC[natural_chat] - ROUTE -->|end| END((END)) - - OD --> END - NC --> END -``` - -说明：当意图分析结果为空或不满足条件时，视为“否”分支，进入 `natural_chat`。 - -- Agent - -```python -from langchain.agents import create_agent - -def get_weather(city: str) -> str: - """Get weather for a given city.""" - return f"It's always sunny in {city}!" - -agent = create_agent( - model="claude-sonnet-4-5-20250929", - tools=[get_weather], - system_prompt="You are a helpful assistant", -) - -# Run the agent -agent.invoke( - {"messages": [{"role": "user", "content": "what is the weather in sf"}]} -) -``` - -Go生态 - -- chain - -```go -package main - -import ( - "context" - "fmt" - "os" - - "github.com/cloudwego/eino/compose" - "github.com/cloudwego/eino/components/prompt" - "github.com/cloudwego/eino/schema" - "github.com/cloudwego/eino-ext/components/model/openai" -) - -func main() { - ctx := context.Background() - - // 1) 定义 ChatTemplate（输入键：query），使用 Jinja2 格式 - pt := prompt.FromMessages( - schema.Jinja2, - schema.SystemMessage("你是一个友好的AI助手。请用中文回答。"), - schema.UserMessage("用户问题：{{query}}"), - ) - - // 2) 创建 ChatModel（以 OpenAI 为例，按需替换为其他提供商） - cm, err := openai.NewChatModel(ctx, &openai.ChatModelConfig{ - APIKey: os.Getenv("OPENAI_API_KEY"), - BaseURL: os.Getenv("OPENAI_BASE_URL"), // 可选，自建或代理时设置 - Model: os.Getenv("MODEL_NAME"), // 例如："gpt-4o-mini" - }) - if err != nil { - fmt.Println("初始化模型失败:", err) - return - } - - // 3) 组合并编译 Chain：模板 -> 模型 - chain, err := compose.NewChain[map[string]any, *schema.Message](). - AppendChatTemplate(pt). // prompt - AppendChatModel(cm). // model - // AppendBranch 分支 - // AppendPassthrough 空透传节点 - // AppendParallel 并行节点 - // AppendGraph 子图节点 - // AppendLambda 自定义函数节点 - Compile(ctx) // 编译链 - if err != nil { - fmt.Println("编译链失败:", err) - return - } - - // 4) 调用链（非流式） - msg, err := chain.Invoke(ctx, map[string]any{"query": "简要介绍一下 Eino 的 Chain"}) - if err != nil { - fmt.Println("调用失败:", err) - return - } - - fmt.Println("回复：", msg.Content) -} -```