视频：抖音 @落叶说IT《周末抽三个小时练完这些，你的 Agent 就很厉害了！》（23.9 秒） 标签：#ai #ai大模型 #agent #程序员 #编程

一、先说结论：这条视频的口播，零干货

我把它的音频完整转写了，24 秒，一共 191 个字，全文如下：

周末抽三个小时练完这些，你的 agent 就很厉害了。信心满满，买好设备，准备好算力，结果到了要去搞一个 agent 的时候，就坐在电脑前发呆。别担心，今天跟着我分享的干货，从小白秒变 agent 大神。之前觉得搞 AI 智能体超难、代码不会写、教程太难，就这个神级攻略，照着练，让你一个周末直接搭出个牛逼 agent，纯保姆级教程，图文结合，全是干货。完整版 PDF 我已经整理出来了，留下 “AI” 直接抱走。

从头到尾没有讲任何一个具体方法。结构是标准的四段钩子：

  1. 痛点代入（0-8s）：买好设备准备好算力，坐电脑前发呆 —— 配 Jerry 老鼠生气表情包
  2. 身份反转（8-13s）：小白 → 大神，绿底大字弹幕硬切
  3. 权威堆料（13-20s）：手举一张滚动的课程大纲截图，快速划过，制造”信息量爆炸”的观感
  4. 引流收口（20-24s）：完整版 PDF，评论区留 “AI” 抱走

这是一条获客视频，不是教程视频。它的产品不是知识，是”你的评论 + 你的微信”。

我说这个不是骂它——这套做法在抖音是有效的、也是合规的。但既然要认真拆这一条，那得先把定性讲清楚：照这条视频本身，你什么都学不到。真正有信息量的东西，全在他手举的那张纸上。

二、真货在画面里：我把 24 帧逐帧读了一遍

视频最有价值的部分，是 10s-24s 那段一直在滚动的截图。它是一份大模型全栈课程大纲（明显是某个付费课的目录，密密麻麻几百个知识点）。博主快速划过，正常人根本看不清。

我把视频按每秒 1 帧拆成 24 张图，一张张读过去，把大纲还原出来了。以下是能辨认清楚的全部章节：

1. 国产大模型 ChatGLM-4 应用开发

学习目标标注的是「掌握私有化大模型的项目预算计算方法，学会部署和发布私有化大模型，学会自定义 Tools、Agent 和私有化大模型的结合」。

  • GPU 和 CPU 的区别
  • 大模型部署和微调所需 GPU 型号
  • 部署和微调所需显存计算公式
  • RAG 中 5 种 Split 方法
  • 国境奇文语义分割实战开发
  • 自定义 Tools 语义查询数据实战开发

2. LangChain 框架开发实战

  • LangChain 框架简介 / Langchain Tools 和 Agent 开发
  • LangGraph 提示词管理、监控、链定义和管理
  • Langchain 和 Tavily 检索
  • 基于 Youtube 字幕构建 RAG 项目实战
  • Langchain + openai + TEXT-TO-SQL 实战项目
  • Langchain 生成微调训练数据实战案例

3. Agent 应用开发

学习目标：「掌握 AI 的智能代理开发和集成，掌握 Agent 在 RAG 系统中的运用」。

  • Multi-Agent 会话
  • 助理 Agent 和用户代理 Agent
  • GroupChat 的多轮 Agent

4. RAG 开发（五种范式）

  • 智能体 RAG：Agentic RAG
  • 适应性 RAG：Adaptive RAG
  • 自我纠正 RAG：Corrective RAG
  • 自我决策 RAG：Self RAG
  • 工作流 RAG：Graph RAG

5. AI WorkFlows（工作流）

  • Multi-Agent Systems：网络智能体、分层智能体
  • PlanningAgents：从规划器模式传输并预先执行任务 DAG

6. Loop Engineering ⭐

这一整段是我认为整份大纲里最值钱的部分，单独展开：

  • Loop Engineering · 工具 tool 调用
  • Loop Engineering · Skill 技能
  • Loop Engineering · 插件连接器和子 Agent 协作
  • Loop Engineering · 记忆-状态
  • Loop Engineering · 设计 Loop 的 11 大要素
  • Loop Engineering · 使用和运行 Loop 的风险点
  • Loop Engineering · 未来趋势和开发者角色
  • Loop Engineering · 合同完善案例需求 / 案例实现
  • Loop Engineering · 退款处理案例实现

7. 新版 LangChain + LangGraph + MCP

  • 反思：Reflection & Critique
  • 自我发现智能体：Self-Discover Agent
  • MCP 不该和相关概念
  • 大模型私有化部署和新版 Langchain
  • LCEL 表达式语法
  • 基于 新版 langchain + langgraph + qwen3 的多模态聊天机器人案例
  • Embedding + RAG
  • 新版 LangGraph 开发智能体（Agent）
  • 新版的 MCP + Agent / 新版 LangGraph + WorkFlow
  • 新版 LangChain：Models 模型 / Agent 智能体 / 短期记忆 / 长期记忆

8. HuggingFace 与 Transformer

学习目标：「掌握 Huggingface 库中各种 API 的调用，掌握 Transformer 模块加载大模型以及各种常用工具集」。

  • Huggingface 的安装和开发流程 / 编码结构开发
  • Huggingface 工具集：批量编码、Loadding、评价指标、管道等
  • Trainer 工具以及中文分词项目实战
  • Transformer 加载模型、数据集合并处理
  • 用户评论情感分析、多项选择、阅读理解、句子相似度、对话机器人等项目实战

9. Meta 大模型 LLaMA 深度解析

  • LLaMA 大模型整体架构和数据集
  • RMS Layer Normalization
  • Rotary Positional Encoding（RoPE）
  • KV cache 缓存
  • Attention 的进化：MHA → MQA → GQA
  • LLaMA 模型推理实战案例、向量搜索、暴力搜索、随机采样案例实战
  • Top P 采样策略案例实战

10. 大模型微调实战篇

  • ModelScope 魔搭大模型与数据集下载和使用
  • 云服务平台的环境搭建与使用
  • PEFT 大模型高效微调理论、指令数据集构造方法
  • Prompt Tuning、P-Tuning、Prefix Tuning 理论 + 微调实战
  • 理解 LoRA 低秩分解 + LoRA 微调实战、多适配器的加载与切换

11. 大模型量化训练篇

  • 透视分析模型训练时显存占用问题
  • 半精度模型训练与 8 bit 模型训练
  • 半精度与 8 bit 微调实战、训练优化技巧

12. DeepSeek 系列论文精讲

  • DeepSeek V1 论文导读 / V2 论文剖析 / V3 论文精讲 / R1 论文解析
  • DeepSeek 在医疗问答场景下的监督微调实战
  • GRPO 面向智慧医疗的偏好对齐微调实战

13. AI 大模型项目实战

  • 基于 RAG 的贝壳网智能客服问答系统项目实战（GLM4-9B + Langchain 中间件、Vector 数据库、相似检索、数据 Split 之后通过 Embedding 向量化、Gradio 的 UI 界面、FastAPI 接口、uvicorn 服务器）
  • 基于 Transformer 的 NLP 项目
  • 基于摸拟的 Agent 实战项目：自定义工具集（携程公司政策、航班、租车、酒店旅游等查询和订单 Tool）、SQL AI Agent 开发智能数据库、Zero-shot Agent 零样本智能体、智能体中的 Confirmation 和 Conditional、决策能力的 Workflows
  • 基于 RAG 的企业知识库问答系统（企业级向量数据库 Chroma、如何加载企业内部数据如 PDF / Markdown / Word / Excel、学习 6 种文本拆分方式：定长拆分器、递归拆分器、分隔符拆分器、标题和层落拆分器、语义拆分器、根据具体需求采用不同的 Retriever 包括混合检索器、本地相似检索器、网格检索器等、构架问答系统的 Retrieval QA 链、LangChain 框架开发完整的召回流程）
  • TEXT2SQL + Qwen3 大模型项目实战（2025 最新更新）

（截图分辨率有限，个别条目字迹模糊，我按上下文做了最接近的还原，不排除有个别用词偏差。）

三、实话环节：这份大纲，三个小时练不完

我得把这句说出来，因为它是这条视频最大的问题。

上面这份大纲，粗数下来 150+ 个知识点，横跨：应用层（LangChain/Agent/RAG）→ 框架层（LangGraph/MCP）→ 模型层（Transformer/LLaMA 架构/KV cache/GQA）→ 训练层（PEFT/LoRA/Prompt Tuning）→ 优化层（半精度/8bit 量化/显存分析）→ 论文层（DeepSeek V1-R1 + GRPO）。

这是一个正经培训机构按月排课的完整体系，认真学、动手做，三到六个月是合理区间。而标题写的是”周末抽三个小时练完这些”。

这两件事之间的差距，不是夸张手法的问题，是它会让新手对自己产生错误的判断——练了一个周末发现啥也没搭出来，于是归因成”我太笨了”，而不是”这个承诺本来就不成立”。

这是我最想跟看到这条视频的人说的一句话：你不是学不会，是那三个小时从一开始就不存在。

四、那这条视频到底值不值得学？

值得。但学的不是它教的东西，是两样别的：

值得学的第一样：这份大纲是一张不错的「能力地图」

抛开引流包装，这份目录的结构编排是专业的，它把”做 AI Agent”这件事切成了层次分明的几段，而且顺序基本正确：

先会用（LangChain/Agent/RAG 应用层）
  → 再会编（LangGraph/Workflow/Loop 编排层）
    → 再懂内部（Transformer/LLaMA 架构/KV cache/注意力进化）
      → 再会调（PEFT/LoRA/微调）
        → 最后会省（量化/显存优化）

多数人卡在第一层就以为自己”会 Agent 了”。这份大纲的价值在于告诉你上面还有四层，以及每一层的具体名词是什么——有了名词，你就能自己去搜、去查、去学，不需要买他的课。

所以我的建议是：把这份大纲当 checklist 用，逐条自查”这个词我知不知道”，不知道的自己去学。 这是完全免费的用法，而且比领那份 PDF 有用。

值得学的第二样：Loop Engineering 这个章节，是真信号

我在上面给它打了星号，因为这是整份大纲里最贴近当下前沿、也最少见于其他课程的一段。

它列的几条：工具调用 → Skill 技能 → 插件连接器和子 Agent 协作 → 记忆-状态 → 设计 Loop 的 11 大要素 → 运行 Loop 的风险点 → 未来趋势和开发者角色。

这条线的意思是：Agent 的核心竞争力已经不在”模型多强”，而在”循环设计得多好”——你怎么让它自己发现任务、自己调工具、自己保存状态、自己在下一轮把上一轮的结果用上、以及出错时怎么停住不要级联崩掉。

而它后面挂的两个案例——合同完善和退款处理——也很说明问题：这两个都是有明确终止条件的企业流程，不是”帮我写篇文章”这种开放任务。这暗示了一个判断：当前 Agent 真正能落地赚钱的场景，是那些”步骤多但边界清晰”的业务流程，不是通用助理。

这一点，比大纲里其他 140 个知识点加起来都值钱。

五、哪些值得借鉴（可迁移清单）

#可迁移的点怎么用
1痛点场景化开场：“买好设备准备好算力，坐电脑前发呆”具象到一个动作，比”你是不是很迷茫”强十倍。换个赛道同理：“资料买了三摞，翻开第一页就困”
2密集资料当视觉钩子手举密密麻麻的考点表快速滚动，不需要看清，传递”信息量爆炸”
3绿底大字弹幕硬切在口播关键词处硬切满屏色块大字（“小白→大神""代码不会写”），强行制造节奏点，成本极低
4身份反转承诺”小白 → 大神”，给的是身份跃迁不是知识点。人买的是身份不是内容
5表情包降低攻击性抱怨/痛点段落配 Jerry 生气表情包，把”说教感”压下去
6评论区关键词领取转化钩子，但交付物必须真有用（见上文）
7专业目录的层次编排逻辑用 → 编 → 懂 → 调 → 省。这个五层结构可以直接套到我们自己的课程/内容体系设计上

不建议借鉴的：标题承诺与实际内容量严重不匹配（“三小时练完”）。短期涨播放，长期砸口碑，尤其对复购型业务是负资产。

六、一句话总结

这条视频本身是个钩子，但钩子上挂的那张大纲是真东西——把大纲当免费 checklist 自查，别当三小时速成班；而整份大纲里最值钱的，是那个叫 Loop Engineering 的章节，因为它是唯一一段教程教不会、只能靠踩坑长出来的能力。