2017年，国务院印发的《新一代人工智能发展规划》明确提出，到2030年我国要成为世界主要人工智能创新中心，全面构建“技术—应用—产业”的人工智能发展生态体系。文件特别强调在自然语言处理、计算机视觉、智能语音等核心技术方向加大投入，这些领域直接与大模型技术紧密相关。2021年发布的《“十四五”规划和2035年远景目标纲要》中进一步提出要增强人工智能技术创新能力，推动人工智能技术的深度应用，形成具有国际竞争力的技术和产业体系。2023年，中共中央、国务院发布的《关于促进人工智能和实体经济深度融合的指导意见》指出，要以生成式人工智能、大语言模型为重点，推动AI技术的产业化和应用落地。

2. 教育部对高校人工智能教学与研究的政策指导

2018年，教育部印发了《高等学校人工智能创新行动计划》，要求高校积极推进人工智能领域的人才培养、科学研究与成果转化。2020年，教育部进一步发布《关于推进新工科建设的指导意见》，强调“人工智能+X”学科交叉融合创新，提出建设人工智能领域高水平实验室的要求。2023年，教育部在人工智能人才培养方面发布专项指导意见，鼓励高校围绕生成式人工智能、大模型算法等核心技术，开展跨学科研究和人才培养。教育部还明确支持高校与企业、科研机构合作，形成以大模型为驱动的创新研究与教育平台，为培养适应未来科技发展的高层次AI人才提供支撑。

3. 地方政策的支持

除中央政策外，各省市也相继出台推动人工智能产业发展的政策。例如，北京、上海、广东等地设立专项基金，支持高校与企业围绕大模型技术开展科研合作和成果转化。深圳、杭州等地明确提出建设区域性人工智能创新中心，进一步为高校实验室建设提供资金与资源支持。

在政策的引领下，建设大模型开发实验室不仅顺应国家人工智能战略需求，也能够为高校打造学术前沿和人才高地提供重要基础，对推动科技进步和社会发展具有重要意义。

二、发展趋势

近年来，我国人工智能产业蓬勃发展，特别是在大模型领域取得了显著的突破和成绩。得益于政策支持、技术积累和市场需求的驱动，我国已成为全球人工智能产业的重要力量，大模型作为人工智能技术的前沿领域，正在推动从基础研究到产业应用的全面革新。

1. 人工智能产业的总体发展

根据《中国新一代人工智能发展报告（2023）》，中国的人工智能核心产业规模已突破5000亿元，企业数量超过4000家，形成了从芯片研发、算法设计到终端应用的完整产业链。特别是在自然语言处理、语音识别、计算机视觉等领域，中国企业和研究机构持续取得国际领先的技术成果，显著缩小了与发达国家的差距。

2. 大模型技术的突破与应用

自2020年以来，大模型技术成为人工智能领域的核心研究热点，中国的研发机构和科技企业迅速布局，取得了一系列创新成果：

模型规模与能力显著提升：多个参数规模超百亿甚至千亿级的大模型相继问世，如华为的“盘古大模型”、百度的“文心一言”、阿里的“通义千问”、以及智源研究院的“悟道”等。这些模型在多模态生成、问答推理、代码生成等方面表现出了强大的能力，达到国际领先水平。

技术创新驱动发展：中国的大模型研究注重技术与工程创新，包括高效的分布式训练算法、自主研发的AI加速芯片（如寒武纪、昆仑芯片）、以及绿色低能耗模型训练技术等，提升了模型训练的效率与可持续性。

行业应用加速落地：大模型已广泛应用于金融、教育、医疗、法律、文化创意等领域。例如，在教育领域，大模型驱动的智能教育助手已用于个性化教学方案设计；在医疗领域，生成式模型用于辅助诊断与药物研发；在文化产业中，AI创作助力数字内容生成与文娱产品设计。

3. 大模型产业的优势与挑战

在大模型领域，我国的优势体现为：

数据与市场规模：中国拥有丰富的数据资源和庞大的消费市场，为大模型训练与应用提供了充足的支持。

政策与资金保障：国家和地方政府对大模型研发提供了多层次的支持，包括专项资金、税收优惠和产业孵化政策。

高校与企业协同创新：一批顶尖高校与龙头企业密切合作，构建了产学研一体化的研发体系。

同时，也面临一系列挑战：

基础研究不足：与欧美相比，中国在基础理论研究和原创算法设计方面仍有待提升。

高端人才缺乏：大模型研发和应用需要跨学科高端人才，而国内相关人才供给尚不足以满足产业快速发展的需求。

国际竞争与技术壁垒：大模型领域的国际竞争日益激烈，面对欧美国家在高端芯片、开源技术等方面的限制，中国需要加快自主创新能力建设。

4. 未来发展趋势

未来，大模型技术将继续向更高参数规模、更高效训练算法和更广泛应用领域发展。在中国，围绕大模型的产业生态将逐步完善，形成从基础研究、技术开发到商业化落地的全链条体系。同时，随着国产化硬件和软件平台的逐步成熟，大模型的研发与应用成本将逐步降低，应用场景将更加多元化，进一步推动产业与社会的全面智能化升级。

在此背景下，高校作为基础研究和人才培养的核心力量，将在大模型技术的创新与应用中发挥重要作用。建设以大模型开发为核心的实验室，将为推动中国人工智能产业实现高质量发展提供重要支撑。

三、建设目标

大模型开发实验室项目的建设目标聚焦于教育教学改革、学科建设、人才引进和科研创新四个方面，旨在实现实用、可操作的建设成果，推动学校在人工智能领域的发展，解决当前相关教学与科研资源不足的问题。

1. 教育教学改革目标

优化课程体系：开发并引入适用于大模型领域的前沿课程模块，包括《大模型开发入门》、《RAG开发实战》、《智能体开发实战》、《多智能体开发》等一系列课程，形成一套完整的“大模型工程师”培养方案，丰富现有课程体系。

提升实践教学水平：通过提供真实的大模型开发环境和应用案例，帮助学生在真实环境中操作、验证、优化大模型，提升其实际操作能力，确保毕业生具备行业需求的核心技能。

创新教学模式：引入AI智能教师，由AI教师在实验思路、理论知识、错误解答和成果检验等方面给学生提供一对一的个性化辅导。建设基于AI教师驱动的实践教学新模式，解决多年来一直存在的实践教学难和效果不佳的痼疾。

2. 学科建设目标

建设人工智能特色学科方向：以大模型技术为特色，推动学校人工智能、计算机科学、软件工程、数据科学、网络工程等学科的方向调整，形成大模型+专业学科的模式，逐步形成在大模型应用领域的优势。

丰富学科内容与实验资源：配置满足大模型开发需求的硬件资源和软件平台，确保学校在前沿技术上的实验资源充足，为学科研究和教学提供更专业的支撑。

3. 高层次人才引进目标

引进大模型方向人才：通过实验室建设吸引具备大模型调优、智能体研发经验的专业人才，形成高水平的人工智能大模型研究团队。

构建人才培养梯队：在实验室资源基础上，设立大模型技术带头人岗位，培养助教、博士生和硕士生等不同层次的学术梯队，为学校人工智能大模型领域提供持续的人才支持。

4. 科研创新目标

提升科研能力：通过实验室平台支撑大模型相关的科研项目，特别是推理优化、RAG应用和大模型部署等领域的技术突破，逐步提升学校在人工智能科研中的影响力。

产出科研成果：目标在建设期内开展多项科研项目，发表高质量论文，申请知识产权专利，力争形成在大模型应用技术上的科研优势，为技术创新和学术积累提供基础。

项目建成后预期成效

1. 解决教学资源匮乏问题：提供大模型实际操作的硬件和软件资源，提升学生的动手实践能力，使其掌握大模型的实际操作与应用技能。

2. 增强人才培养能力：毕业生在大模型领域具备实际开发和部署经验，符合当前AI行业对复合型人才的需求，为企业提供直接上手的工程师。

3. 提升科研成果产出：在实验室平台的支持下，学校能够显著增加在大模型相关领域的科研成果产出，提升在国内外的学术影响力。

4. 增强学校竞争力：项目的完成将使学校在大模型技术应用研究和教学方面建立特色优势，为未来学科发展和人才引进奠定基础。

四、建设意义

在当前全球科技竞争加剧的背景下，人工智能技术尤其是大模型技术的发展已成为推动国家科技创新和经济发展的重要抓手。实验室建设顺应了《新一代人工智能发展规划》的目标，支持培养“掌握自主研发和应用能力的高端人工智能人才”，提升科技自主创新能力，有助于增强国家在人工智能领域的国际话语权和竞争力。

从区域创新和发展视角，实验室的建设也与省级人工智能发展规划相呼应。许多省市将人工智能视为支柱性技术，鼓励高校建设智能技术应用基地，为本地经济发展输送人才。该实验室将为地方产业输送大模型方向的人才资源，支持省内企业的智能化转型，并为省内的科技创新发展提供支持。

该实验室的建设也能提升学校在人工智能领域的学术地位和科研水平，进一步扩大影响力。作为一个创新的科研和教学平台，它将引领该校人工智能相关学科的发展，有助于吸引优质生源和教师资源，打造具有竞争力的人工智能专业群。

在学科层面，大模型开发实验室可以推动学校计算机科学与技术、数据科学、人工智能等相关学科的快速发展。通过聚焦于大模型的研究与应用，实验室将引导学科内容向前沿技术聚焦，打造在自然语言处理、生成式AI等领域具有优势的学科方向。这些学科方向的调整和拓展，可以帮助学科组建具备创新性、跨学科的研究团队，提高学术产出和影响力。

以培养“大模型工程师”为目标，实验室能够帮助学生掌握大模型的开发、推理优化、部署等实际工程技能。这不仅可以提升专业教学的应用性，还可以拓展学生的就业领域，使其具备进入互联网、金融、医疗、智能制造等多个领域从事大模型相关工作的竞争力。此外，实验室还将为专业课程提供创新型实训资源，如大模型的运行与管理、向量数据库建设等，丰富专业教学内容。

实验室建设有助于推动教师、研究人员和学生形成跨学科、跨专业的创新团队，促进科研合作和教学创新。团队内教师可以开展前沿技术研究，将实验成果带入课堂教学，从而提升教学效果。同时，这些团队也能成为国家和省级科研项目的候选单位，培养出能够承担实际科研任务的年轻研究力量。通过实验室的联合研究，教师和学生不仅可以掌握大模型相关的技能，还可以促进技术在各行业领域的应用落地。

该实验室的建设是国家和地区人工智能发展战略在高校层面的重要落地项目，具有明显的宏观和微观价值。实验室不仅能够促进高水平科技人才的培养，还能通过技术研发和应用服务社会。实验室的成立将有效提升高校在人工智能特别是大模型领域的科研实力，为社会输送大批AI人才，助力国家的智能化转型与科技进步。

五、建设内容

1. 软件平台建设

根据现有的技术和实际教学需求出发，确保实验教学顺利开展，软件平台应该具备如下几个功能模块：

1. 大模型实验平台

作为大模型实验平台的统一入口，一体化管理模式，其功能主要分为管理员端、教师端和学生端。管理员端可以进行用户管理、教学资源管理、实验资源管理、系统配置管理等。教师端可以进行课程管理和教学管理，支持教师上机实验。学生端直接学生在平台上开展实验。

2. 资源调度与管理平台

将硬件服务器虚拟化为一个私有云资源池，利用K8S对云资源进行集群化管理，具有服务器集群管理功能和镜像仓库管理功能。

2. 硬件平台建设

为有效开展以上实训，所需的硬件资源主要包括管理服务器、大模型实验一体机以及网络基础设施等设备。具体配置如下：

1. 管理服务器

CPU：高性能CPU服务器用于支持数据处理、向量数据库的构建与查询，以及需要大内存计算任务。

本地存储：高效SAS硬盘，采用Raid10结构，用于存储实验资源和学生实验成果，确保高效的数据读取和写入速度。建议配置至少4TB的存储容量。

2. 大模型实验一体机

大模型实验一体机是实验室核心设备之一，它提供了学生进行大模型实验的各种环境。

GPU：配备一个高性能GPU（如NVIDIA A100、V100或RTX 4060ti等），GPU内存至少需要16GB，用于大模型推理。

向量搜索引擎：Weaviate是一款强大的向量搜索引擎，提供一种高效、可扩展且易于使用的方式来处理大规模的非结构化数据（如文本、图像、音频等）。它用于存储大模型开发领域知识，协助AI智能教师给学生更准确和深入的回答。

国产大模型：本地部署并运行Qwen系列国产大模型。

实验环境：基于Docker的实验环境，提供Jupyter Notebook和云桌面两种界面。容器内安装Conda，内置实验所需要的各种开发包。

AI智能教师：是一个将大模型整合到实验环境中的智能体工具，使用户能够在实验界面中直接与大模型互动，通过自然语言（中英文）、命令和菜单与用户进行交互，完成讲解理论知识、提供解题思路、构建AI应用、修改代码错误、批改学生代码等一系列教学功能。它为教师和学生提供了一种新的实验教学方式，利用智能体给学生进行一对一实验指导，并将学生实验情况及时反馈给教师。

3. 网络基础设施

网络交换机：配置千兆以太网或40Gb/100Gb的高速光纤交换机，确保G管理服务器和实验一体机节点之间的数据传输速度，支持分布式训练和推理。

3. 教学资源建设

教学资源可以分为理论课程资源、实践训练资源和项目实战资源三个方面，系统性地帮助学生掌握大模型相关技术。

1. 理论课程资源

《大模型开发入门》理论篇

课程内容涵盖大模型开发相关基础概念，包括：AI与AGI、大模型、推理、训练、嵌入模型、向量数据库、AI智能体、RAG、提示工程等。通过掌握这些概念，学生能够对大模型开发有个基本但全面的了解。

预训练模型

课程内容让学生了解预训练模型的优点和局限，了解目前主流的本地部署大模型和云端大模型。通过实操掌握通义千问云端大模型API的调用和开发。通过调用大模型API，完成一个基本对话功能。掌握大模型的注册、基本提示词的写法、Token的管理（最大token数、Token的计算、价格考虑），了解大模型微调的基本概念。

AI安全和伦理

课程内容包括AI安全和安全最佳实践两部分。第一部分内容包括提示词嵌入攻击、安全与隐私、偏见与公正。第二部分内容包括大模型安全内容审核、在提示词中加入终端用户ID、对抗测试、提示词的健壮性、用户或用例背景、输入输出的约束等。

向量数据库与知识增强检索（RAG）

课程内容介绍向量数据库（如FAISS、Pinecone）的原理、应用以及如何与大模型结合实现知识增强检索。提供数据库查询优化、数据索引管理的教程，并引入向量相似性搜索的案例分析。

AI智能体

课程内容介绍AI智能体的原理、应用，掌握本地大模型部署和调用以及如何基于本地部署大模型创建一个简单的智能体。本地部署大模型采用Ollama，介绍Ollama支持的模型以及SDK。

多模态大模型

课程内容介绍多模态大模型的最新进展和应用场景，包括：图片理解、图片生成、视频理解、音频处理、文本到声音、声音到文本等。

实践训练资源

《大模型开发入门》实践篇

序号	案例名称	难度	案例介绍
1	LangChain基本知识	容易	以LangChain基础知识点为学习内容，实验包括：大模型接口、提示词模板、输出解析器、选择器、Chain的构建、文本切割、检索、向量存储、记忆组件、智能代理设计、回调机制等。
2	构建基本QA问答	容易	使用LangChain和LLM模型的问答（QA）代理能够理解用户查询并提供相关且简洁的答案。结合LLM模型、提示模板和LLMChain来处理用户问题，并以精简的方式生成由AI驱动的响应。
3	结合上下文交互式对话	容易	一个具备情境感知能力的对话式AI能够在交互过程中保持信息，从而实现更加自然的对话。集成LLM模型、提示模板和历史管理器来生成基于上下文的响应，并跟踪对话会话。
4	构建数据分析智能体	容易	一个由AI驱动的数据分析代理能够使用自然语言解释和回答关于数据集的问题，结合语言模型与数据操作工具，实现直观的数据探索。集成LLM模型、数据操作框架和代理框架来处理自然语言查询，并对合成数据集执行数据分析，使非技术用户也能轻松获取洞察。
5	构建一个简单的RAG系统	容易	基本RAG（检索增强生成，Retrievals-Augmented Generation）技术。从基本的检索查询开始，并集成增量学习机制。
6	RAG系统用于分析CSV文件	容易	介绍使用CSV文件实现基本RAG（检索增强生成）技术。利用CSV文件创建基本的检索系统，并与LLM模型集成以构建问答系统。

《向量数据库与RAG实现》

序号	案例名称	难度	案例介绍
1	选择合适的文本块大小	容易	选择合适的文本块固定大小以平衡上下文保留和检索效率。通过实验不同块大小，为您的特定用例找到上下文保留和检索速度之间的最佳平衡。
2	创建一个可靠的RAG	适中	通过添加验证和优化步骤来增强简单的RAG（检索增强生成）系统，以确保检索到的信息的准确性和相关性。检查检索文档的相关性，并突出显示用于回答问题的文档段落。
3	文本分解为简明、完整且有意义文本块	适中	将文本分解为简明、完整且有意义的句子，以便更好地控制和处理特定查询（尤其是提取知识）。使用LLM模型结合自定义提示，从文档块中生成事实陈述。通过精心设计的提示，引导模型生成简洁而准确的句子，确保每个句子都包含一个明确的事实或概念。生成的命题会通过一个评分系统进行评估，该系统检查以下方面：准确性：确保陈述的内容与原始文档一致，没有引入错误信息。清晰度：检查句子是否易于理解，避免模糊或歧义。完整性：保证每个陈述包含了足够的信息，能够独立表达一个完整的观点或事实。简洁性：确保句子不过于冗长，去除了不必要的细节，保持内容精炼。
4	上下文块头标 (CCH)	适中	上下文块头（Contextual Chunk Headers, CCH）是一种创建文档级和章节级上下文的方法，并在嵌入之前将这些块头附加到各块上。创建一个包含关于文档和/或文档章节上下文的块头，并将其前置附加到每个块上，以提高检索准确性。
5	混合检索	容易	通过结合不同的检索方法来优化搜索结果。将基于关键词的搜索与基于向量的搜索相结合，以实现更全面和准确的检索。
6	智能重排	适中	应用高级评分机制以提升检索结果的相关性排名。通过引入更智能和复杂的评分方法，可以显著提高检索系统的性能。具体方法有：基于LLM模型的评分；交叉编码器模型；元数据增强排名。
7	过用户反馈改进检索的RAG系统	适中	实施从用户交互中学习并改进未来检索的机制。收集并利用用户对检索文档相关性和质量以及生成响应的反馈，以微调检索和排序模型。
8	可解释的检索	容易	提供检索过程的透明度可以显著增强用户信任，并帮助系统不断改进。通过解释为什么某些信息片段被检索出来，以及它们如何与查询相关联，可以让用户更好地理解系统的决策过程
9	带有评估机制的RAG系统	容易	对检索增强生成系统进行评估，涵盖多个指标并创建测试用例。使用 deepevals 库来针对RAG系统的正确性、忠实度和上下文相关性开展测试用例。

项目实战资源

《智能体开发实战》

序号	案例名称	难度	案例介绍
1	模块化的AI工作流	容易	使用LangGraph创建StateGraph工作流。本案例涵盖了状态管理、节点创建以及图编译等关键概念。通过构建一个简单的文本分析流水线来演示这些原则，为更高级的代理架构奠定基础。
2	记忆增强对话智能体	容易	一个具有记忆增强功能的对话式AI智能体整合了短期和长期记忆系统，以在对话中及跨多个会话中保持上下文，从而提高互动质量和个性化程度。该系统集成了语言模型与独立的短期和长期记忆存储，使用结合了两种记忆类型的提示模板，并采用记忆管理器进行存储和检索。系统包含一个交互循环，该循环在每次响应时更新并利用记忆。
3	自我改善的智能体	容易	一个使用LangChain的自改善智能体参与对话，从互动中学习，并通过反思和适应在一段时间内不断提高其性能。该系统集成了LLM模型与聊天历史管理、响应生成以及反思机制。系统采用了一个学习系统，该系统将反思所得的见解融入其中，以提升未来的性能，从而创建一个持续改进的循环。
4	智能客服	适中	一个使用LangGraph的智能客户服务代理能够对查询进行分类、分析情绪，并提供适当的响应或将问题升级处理。
5	论文评分智能体	适中	一个使用LangGraph和大语言模型（LLM）的自动论文评分系统，根据相关性、语法、结构和分析深度来评估论文。利用状态图来定义评分工作流程，为每个评分标准整合独立的评分功能。
6	多平台内容生成智能体	适中	高级内容生成系统，将输入文本转化为适配多种社交媒体平台的内容。该系统使用LangGraph进行工作流编排，分析内容、进行研究，并生成定制化内容，同时确保不同平台上的品牌一致性。工作流中包含多个专业节点（摘要、研究、平台专属）完成内容生成过程。功能包括：使用TypedDict和Pydantic模型进行状态管理；集成搜索引擎增强研究能力；基于LLM模型生成平台专属内容。实现方案支持多平台内容的并行处理，以及可自定义的内容模板。
7	合同审核智能专家	适中	使用多智能体构建一个由AI驱动的合同分析系统。该系统通过专门的AI智能体处理合同审查的不同方面，包括条款分析和合规性检查，并利用LangGraph进行工作流编排，以及Pinecone实现高效的条款检索与比较。系统实现了一个复杂的基于状态的工作流，用于协调多个AI智能体完成合同分析的各个阶段。它包括用于数据验证的 Pydantic模型、基于Pinecone的向量存储以支持条款比较，以及基于LLM的分析功能，用于生成全面的合同报告。实现方案支持并行处理能力，并能根据用户需求自定义报告生成。
8	项目经理智能助理	困难	一个专为项目管理任务设计的AI智能体，通过自动化以下流程来提供帮助：从项目描述中生成可执行任务、识别依赖关系、安排工作计划，并根据团队成员的专业能力分配任务。系统还包含风险评估和自我反思功能，通过多次迭代优化项目计划，目标是将整体项目风险降到最低。利用 LangGraph 来协调由多个专业节点组成的工作流，包括任务生成、依赖关系映射、时间安排、任务分配和风险评估。每个节点使用大模型根据Pydantic模型生成结构化输出。系统还实现了一个可视化工具，用于展示跨多次迭代生成的甘特图计划表。
9	由知识图谱进行增加的RAG系统	困难	将知识图谱中的结构化数据纳入以丰富上下文并改进检索。从与查询相关的知识图谱中检索实体及其关系，将这种结构化数据与非结构化文本结合，以提供更信息量大的响应。

《多智能体开发实战》

序号	案例名称	难度	案例介绍
1	合同审核智能专家	适中	使用多智能体构建一个由AI驱动的合同分析系统。该系统通过专门的AI智能体处理合同审查的不同方面，包括条款分析和合规性检查，并利用LangGraph进行工作流编排，以及Pinecone实现高效的条款检索与比较。系统实现了一个复杂的基于状态的工作流，用于协调多个AI智能体完成合同分析的各个阶段。它包括用于数据验证的 Pydantic模型、基于Pinecone的向量存储以支持条款比较，以及基于LLM的分析功能，用于生成全面的合同报告。实现方案支持并行处理能力，并能根据用户需求自定义报告生成。
2	历史数据研究与分析专家	适中	一个多智能体协作系统，将历史研究与数据分析相结合，利用大型语言模型模拟专门的智能体协同工作，以回答复杂的历史问题。该系统使创建专门的历史研究智能体和数据分析智能体，并由历史数据协作系统进行协调。系统遵循五步流程：提供历史背景、识别数据需求、提供历史数据、数据分析以及最终的综合整理。
3	协作研究智能体	适中	使用AutoGen库开发多智能体系统进行协作研究。它通过智能体之间的协作来解决问题，系统通过将任务分配给专门的智能体来增强研究。使用LLM模型配置了特定的智能体角色，包括管理员、开发者、计划制定人员、执行者和质量保证员。交互管理确保了有序的通信，并定义了状态转换。任务执行涉及协作规划、编码、执行和质量检查。
4	新闻聚合和摘要系统	适中	一个智能的新闻聚合和摘要系统。该系统通过基于LangGraph的工作流编排，利用三个专门的智能体（NewsSearcher、Summarizer、Publisher）自动收集、处理并总结面向大众的AI新闻。使用LangGraph实现了带有状态管理的多智能体系统，以协调新闻收集（使用Tavily API）、技术内容摘要（使用LLM）和报告生成过程。系统采用了模块化架构，具有基于TypedDict的状态管理、外部API集成以及使用可定制模板的Markdown报告生成功能。
5	杂货智能管理系统	适中	一个使用CrewAI构建的多代理系统，自动化管理杂货任务，包括收据解读、保质期跟踪、库存管理和食谱推荐。该系统利用专门的代理来从收据中提取数据、估算产品保质期、跟踪消耗情况，并根据可用食材推荐食谱，以减少食物浪费。该系统通过CrewAI实现了四个专门的代理：收据解读代理：从收据中提取商品详情。保质期估算代理：利用在线资源确定产品的保质期。杂货跟踪代理：根据消费情况维护库存记录。食谱推荐代理：使用现有食材建议餐点。每个代理都有特定的工具和任务，并通过CrewAI的工作流进行协调。
6	个人档案分析和学术支持的多智能体	困难	使用四个专门的代理（协调者、规划者、笔记撰写者和顾问）通过 LangGraph 的工作流框架协同工作，实现了一个状态管理的多代理架构。系统特色在于针对个人档案分析和学术支持的复杂工作流程，并能够根据学生的表现和反馈持续进行调整。
7	个性化职业指导多智能体	困难	生成式AI职业助手展示了如何创建一个多代理系统，为从事生成式AI领域的人士提供个性化的职业指导。使用LangGraph和大语言模型（LLM），该系统提供定制化的学习路径、简历帮助、面试准备以及求职支持。多代理架构通过基于TypedDict的状态管理来协调专门的代理（学习、简历、面试、求职）。系统采用了复杂的查询分类与路由机制，并且集成了如搜索引擎这样的外部工具来进行职位搜索和动态内容生成。
8	气象灾害紧急响应系统	困难	一个全面的系统，展示了两种用于天气应急响应的智能体图实现：一种是实时处理现场天气数据的实时图，另一种是结合了真实和模拟数据的混合图，用于测试高严重性场景。该系统处理从数据收集到应急计划生成的完整工作流程，并包含自动化通知和人工验证步骤。利用LangGraph来协调带有状态管理的复杂工作流程，集成气象API获取实时数据，并使用LLM模型进行分析和响应生成。系统包含了电子邮件通知、社交媒体监控模拟以及基于严重性的路由机制，并为低/中等严重性事件配置了可选的人工验证步骤。
9	能够分析和操作关系型数据库的智能体现	困难	一个智能系统，通过自然语言交互实现关系数据库的直观探索和查询。该系统利用一组由有状态的主管（Supervisor）协调的专业智能体来处理模式发现、查询规划和数据分析任务，同时通过基于向量的关系图保持上下文理解。使用LangGraph来编排一个多智能体工作流，包括发现、推理和规划代理，并使用NetworkX进行关系图的可视化和管理。系统通过TypedDict类实现动态状态管理，使用db_graph属性在会话之间维持数据库上下文，并包含安全措施以防止未经授权的数据库修改。
10	博客自动生成系统	困难	一个两步智能体系统，首先在网上搜索给定主题，然后根据找到的主题生成播客。搜索步骤使用搜索智能体和搜索功能来查找最相关的信息。第二步使用播客生成智能体和生成功能，基于收集到的信息创建播客。该系统利用LangGraph协调两步工作流。通过这种方式，系统能够高效地完成从信息检索到内容生成的整个过程，确保最终生成的播客既具有时效性又富含相关信息。

六、配套服务

1. 教材支撑（建设中）

开发一本《大模型开发从入门到实践》的教材，理论内容涵盖大模型开发最新技术体系，配合LangChain基础开发作为实践内容。

2. 师资培训

提供线上培训和线下培训两种方式。每学期当中，以线上培训为主，平均每个月开展一次，采用腾讯会议的形式，所有线上培训均为免费。每年的寒暑假期间会开展线下培训，线下培训适当收取费用。

图六1高校师资培训一

图六2高校师资培训二

3. 双创与竞赛支持

在人工智能技术蓬勃发展的时代，将AI智能体开发课程与实践引入高校，并通过创新创业大赛激发师生的创新潜力，是推动教育与产业深度融合的重要路径。为支持高校师生更好地参与创新创业大赛，太阳成集团tyc7111cc可以采取以下方法：

u 定制化课程设计：联合高校开发面向创新创业的AI智能体开发课程，涵盖基础理论、开发实践和项目设计，帮助学生快速掌握从零到一的开发能力。

u 项目式学习与案例分享：提供成功AI智能体项目的案例库，结合课程内容，设计学生可直接参与的项目任务，激发学生的创意和实践能力。

u 实验室建设与资源共享：协助高校搭建AI智能体实验室，提供计算资源、开发工具和技术支持，打造高效的项目实践环境。

u 主题赛事与活动：与高校共同举办“AI智能体创新应用设计”专题大赛或黑客松活动，为学生提供更多展示与实践的平台。

u 成果孵化平台：协助学生团队将参赛项目转化为实际产品或服务，通过提供孵化资金、市场推广渠道和合作资源，支持成果产业化。

太阳成集团tyc7111cc

产品中心

道路工程

桥梁工程

隧道工程

市政工程

铁道工程

道桥BIM

人工智能

联系太阳成集团tyc7111cc

人工智能

AI大模型开发创新实训室

一、政策背景

二、发展趋势

三、建设目标

四、建设意义

五、建设内容

1. 软件平台建设

2. 硬件平台建设

3. 教学资源建设

六、配套服务

1. 教材支撑（建设中）

2. 师资培训

3. 双创与竞赛支持

产品中心

联系太阳成集团tyc7111cc

人工智能

AI大模型开发创新实训室

一、 政策背景

二、 发展趋势

三 、 建设目标

四、 建设意义

五、 建设内容

1. 软件平台建设

2. 硬件平台建设

3. 教学资源建设

六 、 配套服务

1. 教材支撑（建设中）

2. 师资培训

3. 双创与竞赛支持

一、政策背景

二、发展趋势

三、建设目标

四、建设意义

五、建设内容

六、配套服务