本节课带你做一个智能电商客服 Demo：

Skill = 知识模块（退款政策 / 产品 FAQ / 故障排查），按需加载，不再堆 Prompt

MCP = 执行工具（查订单/检查支付/执行退款/创建工单/对接CRM），让 Agent 真的能办事

实战覆盖 3 个高频场景：

🔹 退款闭环：政策判断 → 查单 → 资格判断 → 退款 → 工单记录

🔹 产品咨询：多 Skill 动态选择，快速给推荐与对比

🔹 故障排查+查单跨域协作：并行工具调用，合并结果给可执行方案

🔹 开发用 stdio，生产用 HTTP 的部署形态怎么选。

本期带你从0到1跑通 AgentEvolver 的 AppWorld 实战：一个让 Agent 能“自己教自己”的自进化训练框架（Self-Questioning / Self-Navigating / Self-Attributing）。

你将学到：

🔹 AgentEvolver 三大核心机制到底在解决什么问题（自动生成任务 / 失败经验学习 / 步骤级奖励归因）

🔹 AppWorld 是什么、为什么适合作为入门环境（Python REPL + 457 个可调用 API + 多步骤任务）

🔹 最小化训练示例：只用环境内置数据集做基础 GRPO 训练（先把流程跑通）

🔹 环境服务如何启动、如何用 curl 验证服务正常

🔹 配置文件 basic.yaml 的关键点：禁用经验管理 ReMe、禁用 ADCA-GRPO，自顶向下理解训练入口 

本系列课程将带你深入理解 Agent Lightning —— 微软研究院提出的零代码强化学习（RL）优化 AI Agent 的工业级方案。

本节课程重点讲解 Spider SQL Agent：

🔹 多轮交互式 SQL 生成与验证

🔹 基于奖励信号的强化学习优化

🔹 LangGraph 状态管理 + Agent Lightning 强化学习框架

🔹 Spider 数据集驱动的 SQL 查询优化

通过本节学习，你将完整掌握 从环境搭建、数据准备、Agent 实现、提示词策略、训练框架到RL优化 的全流程，为构建智能 SQL Agent 提供实战参考。

本节课程带你全面解析 智能计算 Agent 项目 Calc-X，一个通过 AutoGen 与 AgentLightning 框架 无缝集成的数学计算 AI Agent 实战案例。

核心亮点包括：

🔹 AutoGen 多智能体对话系统 的应用与扩展

🔹 AgentLightning 框架 + vLLM 高性能推理服务器 的集成

🔹 MCP (Model Context Protocol) 工具调用与计算器服务器实践

🔹 强化学习 (RL) 在智能 Agent 训练中的奖励优化流程

通过本课程，你将学习如何 构建、训练与优化一个可执行数学计算任务的 AI Agent，并深入理解 多智能体协作 + 工具调用 + RL 奖励反馈 的完整闭环。

本项⽬基于 Agent Lightning 框架实现了⼀个⽀持检索增强⽣成（RAG）的智能 Agent 系统。

该系统通过 WebQA 知识库检索相关信息来回答⽤户问题，并采⽤强化学习进⾏优化训练。主要解决了传统 RAG 系统答案质量不稳定、检索相关性不⾜的痛点。

核⼼特性:

🔹 基于 WebQA 的知识检索

🔹 多轮对话式问答

🔹 强化学习优化

🔹 分布式训练⽀持

🔹 实时性能评估

这是⼀个完整的 Prompt 优化训练案例，使⽤ APO（Asynchronous Prompt Optimization，异步提示优化） 算法来训练⼀个智能会议室预订Agent。该案例展示了如何使⽤ Agent-Lightning 框架，通过⾃动化⽅式优化 AI Agent 的 Prompt 模板，⽽⾮微调模型参数。

核⼼特性：

🔹 智能决策：使⽤ LLM 进⾏会议室选择决策

🔹 函数调⽤：⽀持⼯具调⽤模式查询会议室可⽤性

🔹 ⾃动评分：使⽤ LLM Judge 对选择结果进⾏⾃动化评估

🔹 可训练：集成 Agent-Lightning 框架，⽀持通过 APO 算法优化提示模板

🔹 完整追踪：使⽤ AgentOps 进⾏执⾏轨迹追踪和调试

Single Agent 实战（4个案例）

🔹 Search Agent (搜索智能体)：基于 AWorld 框架实现了⼀个智能搜索助⼿，能够⾃动选择最合适的搜索引擎（维基百科、DuckDuckGo、Google、百度）来获取信息，并⽣成综合分析报告。

🔹 Analyst Agent (分析智能体)：一个基于 AWorld 框架构建的专业数据分析师智能体案例，展示了如何创建⼀个具备商业洞察能⼒的 AI 智能体来解决真实的业务问题。

🔹 本地⼯具 Agent (获取时间｜计数器)：这个案例展示了如何在 AWorld 框架中创建和使⽤⾃定义⼯具。

🔹 多⼯具协作 Agent 这是⼀个基于 AWorld 框架构建的多功能研究助⼿ Agent，专⻔⽤于市场调研和⽂档分析。案例展示了如何创建⼀个具备多种⼯具能⼒的智能体，能够处理复杂的⽂档分析任务。

VisionRAG Pro 是⼀个基于 UltraRAG 2.0 框架构建的智能视觉理解系统，专⻔⽤于图像理解、视觉问答、图表分析和⽂档解析等复杂的多模态任务。

该系统采⽤迭代式深度分析和智能路由决策机制，通过多轮推理实现对视觉内容的精准理解和智能问答：

🔹 检索增强视觉理解

上下⽂感知检索 - 基于分析问题动态检索相关知识

多模态知识融合 - 结合检索信息增强视觉理解能⼒

渐进式知识积累 - 每轮分析都会积累更深层的理解

🔹 ⾼效流程控制

声明式 Pipeline - YAML 配置实现复杂推理逻辑

并⾏处理优化 - ⽀持多模态数据的⾼效处理

模块化可扩展 - 新功能可⽆缝集成到现有流程

本节课带你从零开始搭建一个自定义 VRAG 系统，覆盖了从文档语料库准备、ColQwen2 嵌入向量生成、索引数据库构建，到 FastAPI 服务部署与 Streamlit 可视化界面搭建的全流程实战。

🔹 文档预处理与图片提取：将 PDF 高分辨率转图，构建图像语料库

🔹 ColQwen2 嵌入测试与索引构建：ImageNode 对象生成与保存

🔹 搜索引擎测试与 API 部署：FastAPI 启动参数与知识库绑定

🔹 VLM 推理服务部署：基于 Qwen2.5-VL-7B-VRAG 实现多模态推理

🔹 Web 可视化界面：Streamlit 前端展示与交互

通过本课，你将学会如何将多模态 Embedding 技术与检索增强生成 RAG 结合，构建可扩展、可定制的智能多模态检索问答系统。

本节课程带你完整走一遍 VRAG-RL 强化学习实战流程，从环境配置、搜索引擎与奖励模型服务启动，到执行训练脚本与参数配置，全流程剖析每一个关键步骤。

课程中使用 Qwen2.5-VL-3B-Instruct 多模态模型，结合 GRPO 策略优化，带你掌握强化学习在 RAG 场景中的实战应用。

🔹 Step1: Conda环境与依赖配置

🔹 Step2: 启动搜索引擎服务

🔹 Step3: 启动奖励模型服务

🔹 Step4: 执行训练脚本（含参数详细解读）

适合对象：AI算法工程师、科研人员、以及希望深入理解强化学习 + RAG 技术落地的学习者。