Jay Alammar 等五位作者开设 75 分钟免费直播课讲透 AI Agents

到底是什么把 LLM 变成了 AI Agents ? 这门 75 分钟的免费直播大师课，不依赖任何 Agent 框架，把 "推理、记忆、工具、规划、评估" 五个组件如何组合成一个真正的 agenti...

到底是什么把 LLM 变成了 AI Agents ? 这门 75 分钟的免费直播大师课，不依赖任何 Agent 框架，把 "推理、记忆、工具、规划、评估" 五个组件如何组合成一个真正的 agentic 系统，讲成一个连贯的整体。 报名地址： ragpack.ai/masterclass 5 位老师堪称 AI 教育领域的“梦之队”： · Jay Alammar @JayAlammar & Maarten Grootendorst @MaartenGr — 《Hands-On Large Language Models》与 @OReillyMedia 新书《An Illustrated Guide to AI Agents》的共同作者；Grootendorst 还是 BERTopic/KeyBERT 的创建者 · Luis Serrano @SerranoAcademy — 前 Google/Apple AI 科学家，《Grokking Machine Learning》作者 · Josh Starmer @joshuastarmer — StatQuest 创始人 · Chris McCormick @ChrisJMcCormick — 以 BERT/Transformer 深度实操教程著称 # 课程结构解读：六讲的内在逻辑 课程的设计有一条清晰的递进主线，从“是什么”到“怎么想”到“怎么评”再到“用什么造": 第 1 讲: 什么才算 Agent? 从 LLM 的固有局限出发，给出核心判据：与环境交互、维护状态、自主决定下一步。并做三层区分，LLM 应用 → LLM 工作流 → 真正的 agentic 系统。这是目前行业内最常被混淆的概念，也是整门课的地基。 第 2 讲: 为什么推理重要? 讲推理型 LLM 与推理技术(Chain-of-Thought、"search against verifiers" 等)如何让模型能“想清楚问题、选对动作”。"search against verifiers"(带验证的搜索式推理)是近年推理研究的核心范式，出现在大纲里说明内容相当新。 第 3 讲: 记忆 + 工具，从“说”到“做” 记忆解决跨交互的上下文延续；工具让模型能检索信息、调 API、跑代码、真正影响环境。这两者是 Agent 区别于聊天机器人的分水岭。 第 4 讲: 规划、反思与自主性 问题分解、动作排序、根据反馈调整、复盘结果、修正计划。这是 agent 行为的“执行层”。 第 5 讲: Agent 评估 这一讲值得特别留意：它强调不能只看最终答案是否令人信服，而要评估结果、决策/动作轨迹、可靠性与安全性。“评估轨迹而非只评估输出”正是当前 Agent 工程的共识性难点，把它列入入门课大纲，反映了课程的专业度。 第 6 讲: Agent Harness 讲清 LangChain/CrewAI 这类框架到底打包了什么、替你做了什么、代价是什么。整体立场是“从第一性原理理解，而非依赖框架”，这一讲是那个立场的落点。 Jay Alammar @JayAlammar Join the us for a free masterclass on AI Agents next week! Together with @MaartenGr @joshuastarmer @ChrisJMcCormick @SerranoAcademy we have been cooking a gentle introduction to AI agents. 📅 Sept 29, 2026 ragpack.ai/masterclass R 🔗 View Quoted Tweet 💬 0 🔄 1 ❤️ 6 👀 656 📊 1 ⚡