「周末三小时练完，你的 Agent 就很厉害了」

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

先说结论，省得你往下翻：这条视频的音频里，一句干货都没有。 真正的内容全在屏幕上——一份被快速滚动播放的课程大纲。而这份大纲，练完至少要三个月，不是三小时。

但它仍然值得扒。因为那份大纲本身，是一张相当完整、相当当下的 Agent 能力地图。而这条视频本身，是一个教科书级别的「资料引流」结构。两样都值得学。

一、先把音频扒干净：24 秒里说了什么

完整转写（去口误）：

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，留个「AI」直接暴走。

192 个字，拆开看结构是这样的：

秒干什么具体手法
0-3承诺「三小时」+「很厉害」= 极低成本 × 极高回报
3-8造痛点「买好设备准备好算力，结果坐电脑前发呆」——精准戳「想学但不知道从哪下手」
8-14给解药「小白秒变大神」「代码不会写也行」「神级攻略」
14-21秀证据屏幕滚动大纲——这段是唯一有信息量的部分
21-24收钩子「完整版 PDF 已整理好，留言『AI』」

值得注意的是证据段和话术段是错开的：嘴上在说「代码不会写」「教程太难」的时候，屏幕上滚过去的是 Rotary Positional Encoding、KV cache、MHA → MQA → GQA、4 bit 量化与 QLoRA 微调。

这不是矛盾，这是设计。大纲越硬核，越能证明”我有货”；话术越轻松，越能让你觉得”我也能行”。 观众来不及读清楚屏幕上写的是什么，只留下一个模糊印象：「哇，好全，好专业，而且他说三小时就够」。

这是这条视频最狠的一手，后面第三节细说。

二、真正的干货：把那份滚动大纲还原出来

我把视频抽成逐秒帧，一帧一帧读屏，拼出了这份大纲的主体。它大致分七块：

1. AI 大模型应用开发（入门层）

  • openAI 的 Embeddings 模型：词嵌入模型、T-SNE 可视化数据、基于 Embedding 的相似搜索
  • openAI 大模型多模态应用开发：GPT-4 教学学习小助手实战、GPT-4 多模态个人图片设计实战、电视剧配音开发实战、郭德纲相声的英语版实战
    • 学习目标：掌握 openAI 中各种模型 API 操作，学会使用 openai 的多模态在各种应用场景下的经典案例
  • 国产大模型 ChatGLM-4 应用开发：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、国情语义分割实战开发、自定义 Tools 语义查询数据实战开发
    • 学习目标：掌握部署私有化大模型的项目的预算计算方法，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

2. LangChain 框架开发实战

  • 从魔塔社区下载和部署 GLM-4-9B 实战
  • Langchian 框架简介、Langchian 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 生成微调训练数据集实战案例
    • 学习目标：掌握 Langchain 框架以及 RAG 开发，掌握向量数据库和 Agent 在 Langchain 中的应用开发

3. Agent 应用开发 + RAG + Workflow（核心层）

  • Agent 应用开发：Multi-Agent 会话、助理 Agent 和用户代理 Agent、GroupChat 的多轮 Agent
    • 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
  • RAG 开发：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)
  • AI WorkFlows（工作流）：Multi-Agent Systems 网络智能体/分层智能体、PlanningAgents 从规划到流式传输并预先执行任务 DAG、反省 Reflection & Critique、自我发现智能体 Self-Discover Agent
  • MCP：MCP 不费和相关概念（原文如此）
  • 新版 langchain + langgraph + MCP 的智能体：大模型私有化部署和新 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

4. 向量数据库 Milvus

  • Milvus 核心参数与核心机制解读
  • Milvus 高级场景中的原理与机制

5. Loop Engineering（循环工程）⭐

这块我单独标出来，因为它是整份大纲里最新、也最少见的一块：

  • Loop Engineering 介绍
  • Loop Engineering - 自动化、调度
  • Loop Engineering - 工作树、隔离
  • 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 - 未来趋势与开发者角色
  • Loop Engineering - 合同完善案例需求 / 合同完善案例实现 / 退款处理案例实现

6. 新版 LangChain（框架升级）

Models 模型、Agent 智能体、短期记忆、长期记忆、人机协同 HITL、Guardrails 安全护栏

7. AI 大模型微调实战（进阶层，最硬）

  • Huggingface 模块开发实战：安装和使用、Transformer 加载模型、数据集预处理、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
    • 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
  • 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、KV cache 缓存、Attention 的进化 MHA → MQA → GQA、LLaMA 模型推理实战案例、LLaMA 模型安装模型/集束搜索/随机采样案例实战、Top P 采样策略案例实战
    • 学习目标：2024 年 7 月，全球性能最好的开源大模型 LLaMA 的深度剖析
  • 大模型微调实战：Prompt Tuning、P-Tuning、Prefix Tuning、LoRA 低秩分解 + LoRA 微调实战、多适配器的加载与切换
  • 大模型微调进阶篇：透彻分析模型训练时显存占用问题、半精度训练与 8 bit 模型训练、半精度与 8 bit 微调实战/训练优化技巧、大模型微调与数值下溢和内存溢出等问题解决、4 bit 量化与 QLoRA 模型训练及实战
  • DeepSeek 系列模型解析与微调实战：V1 论文领读、V2 论文剖析、V3 论文精讲、R1 论文解析、DeepSeek 在医疗问答场景里的监督微调实战、GRPO 面向智慧医疗的偏好对齐微调实战

8. AI 大模型项目实战

  • 基于 RAG 贝壳网智能客服问答系统项目实战：GLM4-9B + Langchain 中间件、Vector 数据/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：Transformer 模型以及搭建机器翻译系统、Encoder/Attention/Decoder 构建模型、Transformer 模型总体架构、Encoder-Decoder 架构与缩放点击注意力、实时语音和文字翻译模型
  • 京东客户购买意向预测项目实战：数据清洗/数据挖掘/数据探索/构建 user 信息、特征工程/数据整理维度/数据基本特征/用户类别/行为特征处理/构建数据集、Xgboost 建模（s 数据加载、模型训练、特征重要性排序、算法预测验证数据、验证数据模型评估）
  • AI 大模型生产级项目实战（持续更新中）

三、这条视频最该学的：为什么「三小时」是必须撒的谎

我们把上面那份大纲摊开来算一笔账。

光是「Meta 大模型 LLaMA 深度解析」这一节，就包含 RMS Norm、RoPE、KV cache、MHA→MQA→GQA 的演进——这是四篇论文的量。「DeepSeek 系列」是 V1/V2/V3/R1 四篇论文精读加两个微调实战。「大模型微调进阶篇」里的 QLoRA、4bit 量化、显存溢出排查，每一个都是要租卡真跑才能踩明白的。

保守估计：这份大纲全部走完，全职三个月起步，业余的话半年。

那视频为什么敢说三小时？因为它的目标从来不是让你练完。

这条视频的转化路径是：看到承诺（三小时）→ 看到证据（大纲很全）→ 产生焦虑（这么多我不会）→ 承诺化解焦虑（但只要三小时）→ 留言领 PDF。

「三小时」和「大纲很硬核」这两个信息之间的巨大落差，正是驱动力本身。如果他老实说「这份大纲要练三个月」，转化率会当场腰斩——因为观众会立刻做出「我没这个时间」的判断，然后划走。而说三小时，观众来不及算账，先把「AI」两个字留在评论区了。

这是内容变现里最经典的一手：用一份真实的、有分量的资料，配一个不真实的、极低门槛的承诺。资料的真实性负责建立信任，承诺的不真实性负责压低行动成本。

要不要抄？我的判断是：结构可以抄，那个具体的谎不要抄。

同样的结构，可以换成不撒谎的版本：

  • ❌「周末三小时练完，你的 Agent 就很厉害了」
  • ✅「这份 Agent 学习清单我练了三个月，但如果你只有一个周末，我告诉你先练哪三块」

后者一样有钩子（清单 + 筛选后的路径），一样有权威感（我练了三个月），一样能收资料，但没有欠观众一个还不上的承诺。代价是转化率会低一些，收益是复购和信任还在。 做长期账号的，选后者。

顺带一个更实用的观察：「屏幕滚动大纲」是个被严重低估的视觉素材。 它同时解决了三件事——证明你真有东西、把信息密度做满、让观众读不完从而产生「必须领 PDF」的动力。成本极低（录屏几秒），说服力极强。这个手法可以直接迁移到任何知识付费/资料引流场景。

四、如果真的只有一个周末：把这份大纲压缩成能跑完的最小路径

既然那三小时是假的，我把这份大纲筛一遍，给一条真能在一个周末（大约 12-16 小时）跑完、且跑完确实能搭出一个能用的 Agent 的路径。

原则：先跑通一个端到端能用的东西，再回头补原理。 大纲里的微调/源码/论文全部先扔掉——那些是「让 Agent 更强」的部分，不是「让 Agent 存在」的部分。

周六上午（3h）· 让 Agent 会调工具

  • 挑一个模型 API（不折腾本地部署，不算显存，不租卡）
  • 写一个最简单的 Tool（比如查天气/查数据库），让模型学会调它
  • 目标产出：一个能自己决定「要不要调工具、调哪个」的脚本
  • 对应大纲：Langchian Tools 和 Agent 开发、自定义 Tools 语义查询数据实战开发

周六下午（4h）· 让 Agent 有资料可查（RAG）

  • 塞进去一批你自己的文档（工作资料、笔记都行）
  • 切分 → Embedding → 存向量库 → 检索 → 拼进提示词
  • 目标产出：能回答「你的文档里写了什么」的问答
  • 对应大纲：RAG 中 5 种 Split 方法、基于 Embedding 的相似搜索、Embedding+RAG
  • ⚠️ 这一步最容易翻车的不是代码，是切分策略。切太碎丢上下文，切太大检索不准。留时间调它。

周日上午（3h）· 让 Agent 有状态、能多步

  • 上 LangGraph（或等价的状态机），把「单轮问答」改成「多步骤任务」
  • 加短期记忆（对话历史）+ 一个简单的循环退出条件
  • 目标产出：能自己跑三五步、中间会重试的 Agent
  • 对应大纲：新版 LangGraph 开发智能体、短期记忆、PlanningAgents

周日下午（3h）· 让 Agent 停得住、不闯祸

  • 加 HITL（关键动作前停下来问人）
  • 加 Guardrails（输出校验、危险动作黑名单）
  • 加 Reflection（跑完自评一次，不合格重来）
  • 对应大纲：人机协同-HITL、Guardrails 安全护栏、反省 Reflection & Critique、Loop Engineering - 使用和运行 Loop 的风险点
  • 💡 这半天是全周末最重要的，也是所有教程最容易略过的。 一个不会停的 Agent 不是能力强，是危险。

剩下的（微调、LLaMA 源码、DeepSeek 论文、量化）——不要在这个周末碰。 那些是你已经有一个跑起来的 Agent、并且明确知道它哪里不够用之后，才该回头补的。顺序反了，你会卡在配环境和显存报错上耗掉整个周末，然后得出「搞 Agent 太难」的错误结论——正好掉进视频开头那个「坐在电脑前发呆」的坑里。

五、大纲里最值得注意的一块：Loop Engineering 进课程了

整份大纲里，前面七成的内容（Embedding、RAG、LangChain、微调、LLaMA、DeepSeek）是过去两年国内 AI 课程的标配，谈不上新。

真正让我停下来看第二遍的，是 Loop Engineering 这一块——它有 11 个子条目，篇幅仅次于微调实战，而且条目拆得很细：自动化调度、工作树隔离、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、运行风险点、未来趋势与开发者角色，最后配三个真实业务案例（合同完善需求/实现、退款处理）。

这说明一件事：「循环工程」已经从少数人博客里的概念，下沉到了商业课程大纲。

它和前面那些内容的区别在于——RAG、微调解决的是「Agent 单轮能力强不强」，Loop Engineering 解决的是「Agent 能不能自己转下去，不用人一直盯着」。前者是能力，后者是自主性。而真正决定一个 Agent 有没有用的，往往是后者：一个单轮很聪明但每轮都要人接力的 Agent，本质上还是个高级搜索框。

另外那句「Loop Engineering - 未来趋势与开发者角色」很有意思——课程作者显然意识到了，当循环体从人换成 Agent，开发者的角色也要跟着变（从「每轮判断」变成「设计循环 + 定义退出条件 + 守住风险点」）。这个判断我认同。

六、值得借鉴的点（可直接抄的清单）

#手法怎么用抄不抄
1滚屏大纲当证据把自己的体系/清单录几秒滚屏，观众读不完 → 想领资料✅ 直接抄，成本最低收益最高
2痛点用画面演「坐在电脑前发呆」配 Tom & Jerry 表情包，比说十句共情有效✅ 抄，表情包降低说教感
3话术软 × 证据硬嘴上「代码不会写也行」，屏幕上滚 KV cache——两边错开，各打一个受众✅ 抄结构
4单字留言钩子「留个 AI」比「私信我」门槛低一个数量级✅ 抄
524 秒极限压缩承诺-痛点-解药-证据-钩子，五段全塞进 24 秒，没有一秒废话✅ 抄节奏
6虚假工作量承诺「三小时」压门槛，实际三个月❌ 不抄，长期账号还不起
7「秒变大神」式话术「小白秒变 Agent 大神」❌ 不抄，透支信任

结语

这条视频值 24 秒的观看时间，但不值一个周末的执行时间。

它给了一份真的很不错的能力地图，也给了一个假的时间承诺。正确的用法是：收下地图，扔掉承诺，自己重新算一遍时间。

如果你只有一个周末，照第四节那条路径走——四段，各干一件事，周日晚上你会有一个能调工具、能查资料、能跑多步、并且知道什么时候该停下来问你的 Agent。

它不会「很厉害」。但它是真的。这比厉害重要。