大模型 Agent 实战工作坊大纲

• 大模型 Agent 实战工作坊大纲
  • 工作坊目标
  • 时间安排 (总时长：3小时)
    • 第一部分：Agent 概念与落地现状 (40分钟)
      • 幻灯片1: Agent的定义与分类
      • 幻灯片2: Agent的核心组件
      • 幻灯片3: Workflow型Agent vs 自主型Agent
      • 幻灯片4: 当前落地现状分析
      • 幻灯片5: Agent的交互形式
      • 幻灯片6: 案例分析：Microsoft Copilot的局限性
      • 幻灯片7: 互动环节 - 案例讨论
      • 幻灯片8: 互动环节 - 思考讨论
    • 第二部分：需求挖掘与场景分析 (40分钟)
      • 幻灯片1: 从”自动化”角度发现Agent应用场景
      • 幻灯片2: 任务拆解方法论
      • 幻灯片3: 适合当前技术条件下实现的任务特征
      • 幻灯片4: 常见应用领域与案例
      • 幻灯片5: 从生活和工作中发现Agent机会
      • 幻灯片6: 互动环节 - 个人练习
      • 幻灯片7: 互动环节 - 小组讨论
      • 幻灯片8: 互动环节 - 任务评估
      • 幻灯片9: 互动环节 - 全体分享
    • 第三部分：可行性验证与模型选择 (50分钟)
      • 幻灯片1: 任务可行性验证方法
      • 幻灯片2: “元任务”拆分法详解
      • 幻灯片3: 元任务测试的”一票否决”原则
      • 幻灯片4: 不同模型在元任务上的表现差异
      • 幻灯片5: 模型输出细节不足问题
      • 幻灯片6: 知识缺失问题与RAG补充
      • 幻灯片7: 难以拆分的任务类型
      • 幻灯片8: 模型选择策略与评估框架
      • 幻灯片9: 互动环节 - 实操演示
      • 幻灯片10: 互动环节 - 实践练习
      • 幻灯片11: 互动环节 - 问题诊断
    • 休息时间 (15分钟)
    • 第四部分：提示词工程与优化 (35分钟)
      • 幻灯片1: 提示词工程的本质
      • 幻灯片2: 用词选择的重要性
      • 幻灯片3: 指令结构与顺序的影响
      • 幻灯片4: 长文本提示词的约束管理
      • 幻灯片5: 输入输出长度优化策略
      • 幻灯片6: 提示词迭代优化方法
      • 幻灯片7: 多轮交互设计原则
      • 幻灯片8: 互动环节 - 提示词优化实践
    • 第五部分：Agent实现与代码构建 (50分钟)
      • 幻灯片1: Workflow型Agent架构设计
      • 幻灯片2: Streamlit快速原型开发
      • 幻灯片2.5: 无代码Agent开发 - Microsoft Copilot
      • 幻灯片3: 互动环节 - 完整Agent实现案例
      • 幻灯片4: 互动环节 - 分组实践
    • 第六部分：成果展示与总结
      • 幻灯片1: 项目展示指南
      • 幻灯片2: 互动环节 - 项目展示
      • 幻灯片3: 互动环节 - 反馈与建议
      • 幻灯片4: 互动环节 - 评选环节
  • 附录 - 幻灯片1: 准备材料清单 - 幻灯片2: 参与者准备事项 - 幻灯片3: 后续支持计划 - 幻灯片4: 参考资源 - 幻灯片5: 联系方式

    工作坊目标

    通过实践引导参与者理解大模型 Agent 的概念，学习如何设计、验证和实现自己的 Agent 应用，从需求分析到代码实现的全流程体验，并重点关注当前技术限制下的实用落地方案。

时间安排 (总时长：3小时)

第一部分：Agent 概念与落地现状 (40分钟)

• 主题内容与互动：

幻灯片1: Agent的定义与分类

• Agent的基本定义：能端到端地完成一个或者多个任务，并达到人类可用的程度
• Agent的主要特点：
  • 能使用工具（如操作文件系统、浏览器、数据库）
  • 能自主规划应该要做什么
• 满足其中一个特点往往就会被认为是Agent
• Agent的定义非常宽泛

幻灯片2: Agent的核心组件

• 感知(Perception)：获取和理解环境信息
  • 往往由人输入，或者由 Agent 调用工具完成
• 决策(Decision)：基于信息做出判断和规划（可选）
  • 往往由大模型完成，偶尔会有人的接入进行二次确认
• 执行(Action)：实施决策并影响环境（可选）
  • 一般由大模型提供工具调用所需要传入的参数，并通过 API 调用
• 反馈(Feedback)：评估行动结果并调整策略
  • 一般和感知是类似的，但可能只在有规划能力的 Agent 里出现

决策和执行是可选的，如果模型只处理文本，是可以不需要决策和执行的。

幻灯片3: Workflow型Agent vs 自主型Agent

• Workflow型Agent：预定义的执行路径，步骤清晰，类似流水线
  • 特点：可控性高，准确率可预测，容易调试
  • 示例：自动化邮件分类与回复系统，数据处理流程
  • 重点：执行路径是提前规划好的，通常没有循环或反馈环
• 自主型Agent：具有规划、反思能力，可自主决策执行路径
  • 特点：灵活性高，但准确率难以保证，调试复杂
  • 示例：复杂问题求解助手，创意内容生成系统
  • 重点：执行路径由大模型临时生成，通常包含反馈”环”的结构

幻灯片4: 当前落地现状分析

• 落地的真正含义：
  • 落地意味着为用户带来实际价值
  • 如果最终产出不可用或需要大量修正，则不算落地成功
  • 例如：AI代码生成如果错误百出，debug时间超过手写时间，则无实际价值
• Workflow更易落地的原因：
  • 每个步骤的准确率可控，整体成功率更高
  • 错误可追踪、可定位、可修复
  • 用户体验可预期，不会产生”意外”行为
• 自主Agent的落地挑战：
  • 基座模型能力限制导致连续决策准确率低
  • 错误累积效应：每步95%的准确率，连续5步后整体准确率仅77%
  • 规划与执行分离的难题
  • 自我纠错能力有限：模型难以可靠地识别并修复自身错误
    • 例如：错误的SQL语句通常需要人工介入修复
    • 即使模型能识别部分错误，修复能力也必然低于识别能力
    • 反馈机制可能帮助但不能根本解决问题

幻灯片5: Agent的交互形式

• 对话式交互：类似聊天界面的交互方式
  • 特点：灵活性高，适合探索性任务
  • 示例：ChatGPT、Claude等聊天助手
• 嵌入式交互：集成到现有应用中的功能
  • 特点：上下文明确，触发简单，用户体验流畅
  • 示例：PPT的Designer功能，一键生成设计建议
  • 示例：Teams会议的自动总结功能，无需输入prompt即可生成会议摘要、要点和待办事项
• 混合式交互：结合对话和嵌入式体验
  • 特点：兼具灵活性和便捷性
  • 示例：Word中的Copilot，可接受特定指令也可自动提供建议
• 人机协作式交互：设计合理的人工介入点
  • 特点：结合AI效率与人类判断力，提高整体可靠性
  • 关键设计点：确定人类在何时进行校验与选择
  • 示例：文档生成后由人类审核关键点，代码建议需人工确认实施

幻灯片5.5: 人机协作式Agent设计

• 为何必需：
  • 模型能力限制要求人类参与
  • 最终决策责任需人类承担
  • 人机互补提升整体效果
• 关键设计思路：
  1. 关键节点确认：
     • 高风险操作前的人工审核（如文件删除命令）
     • 方向性决策的人工确认（如文章大纲审核）
     • 不可逆操作前的双重确认机制
  2. 最大化效率：
     • 批量处理与一次性确认（如PPT整体设计审核）
     • 避免频繁打断工作流（减少上下文切换成本）
     • “流水线”思维优化人机交互节奏
• 最佳实践：
  • 明确划分AI与人类决策边界
  • 设计友好的确认界面，降低认知负担
  • 从用户反馈中持续优化交互点设计

幻灯片6: 案例分析：Microsoft Copilot的优缺点

• 背景：微软推出的AI助手，承诺能完成复杂任务
• 优点：
  • 简化了复杂的工具调用、搜索、规划、反思等步骤，用户只需提出最终任务
  • 连接了微软的诸多工具，包括Outlook、SharePoint等数据源
  • 支持上传自定义文档，使知识可以自动补充
• 缺点：
  • 复杂指令的遵循程度不高，搜索的召回率不高，流程不透明
  • 基座模型能力不足以支撑高复杂度的自主决策
  • 缺乏有效的错误恢复机制
  • 流程和结果难以校验

幻灯片7: 互动环节 - 案例讨论

• 分组讨论（4-5人一组）：
  • 识别日常生活中已存在的Agent应用
  • 分析这些应用的优缺点
  • 思考改进方向
• 讨论时间：5-7分钟
• 汇报：每组选代表分享1-2个最有趣的发现

幻灯片8: 互动环节 - 思考讨论

• 引导问题：”为什么某些Agent应用体验不佳？”
• 思考框架：
  • 技术限制因素
  • 用户期望管理
  • 设计缺陷
  • 应用场景不匹配
• 全体讨论：收集关键见解，讲师点评

第二部分：需求挖掘与场景分析 (40分钟)

• 主题内容与互动：

幻灯片1: 从”自动化”角度发现Agent应用场景

• 自动化思维：识别重复性、规则性、耗时的任务
• 关键问题：
  • “我每天/每周花最多时间做什么？”
  • “这些任务中哪些是重复的？”
  • “哪些任务有明确的输入和输出？”
• 自动化潜力评估方法

幻灯片2: 任务拆解方法论

• 输入-处理-输出模型详解
  • 输入：任务需要的原始数据和信息
  • 处理：转换和操作数据的步骤
  • 输出：期望的结果和格式
• 任务流程图绘制技巧
• 实例演示：将”每周ICM工单报告生成”任务拆解为具体步骤
  • 输入：原始数据、报告模板、关键指标、负责人问答信息
  • 处理：数据清洗、分析、可视化、摘要生成
  • 输出：格式化报告、关键发现、行动建议

幻灯片3: 适合当前技术条件下实现的任务特征

• 理想的Agent任务特征：
  • 步骤明确且可分解
  • 输入输出格式一致
  • 判断标准客观
  • 容错性高
• 难度评估框架：复杂度、模糊性、专业性
• 示例分析：为什么”邮件分类”比”战略规划”更适合当前Agent实现

幻灯片4: 常见应用领域与案例

• 信息处理：
  • 文档摘要与关键信息提取
  • 数据分析与报告生成
• 内容创作：
  • 营销文案批量生成
  • 多语言内容本地化
• 决策辅助：
  • 数据驱动的选项分析
  • 风险评估与建议生成
• 流程自动化：
  • 客户查询自动回复
  • 例行报告自动化生成

幻灯片5: 从生活和工作中发现Agent机会

• 个人生活场景：
  • 信息过滤与整理（新闻、邮件）
  • 日程规划与提醒
  • 个人学习助手
• 工作场景：
  • 会议记录与行动项追踪
  • 客户沟通自动化
  • 数据分析与报告生成
• 发现方法：时间日志分析、痛点识别、重复任务记录

幻灯片6: 互动环节 - 个人练习

• 任务：列出3个自己日常重复性高的任务
• 工作表填写：
  • 任务名称
  • 完成频率
  • 耗时估计
  • 自动化难度初步评估(1-5)
  • 自动化价值估计(1-5)
• 时间：5分钟
• 目标：识别个人最有价值的自动化机会

幻灯片7: 互动环节 - 小组讨论

• 分组活动：
  • 每人分享自己识别的最有价值任务
  • 小组选择1个最有潜力的任务
  • 共同完成任务拆解工作表
• 任务拆解工作表：
  • 步骤清单
  • 每步输入/输出
  • 可能的挑战点
  • 成功标准
• 时间：15分钟
• 材料：任务拆解模板纸/电子表格

幻灯片8: 互动环节 - 任务评估

• 小组活动：
  • 评估每个步骤的可行性(1-5)
  • 识别关键挑战点
  • 提出可能的解决方案
• 引导问题：
  • “哪个步骤最难实现？为什么？”
  • “有哪些步骤可能需要人工干预？”
  • “如何验证每个步骤的输出质量？”
• 时间：5分钟

幻灯片9: 互动环节 - 全体分享

• 每组代表：
  • 简述选择的任务
  • 展示任务拆解结果
  • 分享关键发现和挑战
• 讲师点评：
  • 任务选择的合理性
  • 拆解的完整性
  • 可行性评估的准确性
• 时间：每组2-3分钟

第三部分：可行性验证与模型选择 (50分钟)

• 主题内容与互动：

幻灯片1: 任务可行性验证方法

• 可行性验证的三个维度：
  • 技术可行性：模型能力是否足够
  • 数据可行性：必要信息是否可获取
  • 实施可行性：是否能集成到现有流程
• 验证流程图：从概念到实施的评估路径
• 快速原型测试策略

幻灯片2: “元任务”拆分法详解

• 元任务定义：不可再分的基础能力单元
• 元任务识别方法：
  • 功能独立性：完成一个独立的小功能
  • 不可再分：无法被进一步拆解
  • 可直接测试：有明确的成功/失败标准
• 元任务示例：
  • “判断Excel单元格是否包含公式”
  • “从文本中提取人名和组织名”
  • “将非结构化数据转换为JSON格式”

幻灯片3: 元任务测试的”一票否决”原则

• 原则解释：如果模型无法完成元任务，则无法完成由该元任务组成的复杂任务
• 应用策略：先测试最关键的元任务
• 决策树：基于元任务测试结果的项目可行性评估
• 案例：某客服自动化项目因模型无法准确识别客户情绪而被否决

幻灯片4: 不同模型在元任务上的表现差异

• 比较表格：GPT-4 vs Claude vs DeepSeek 等
• 测试案例：
  • 逻辑推理任务
  • 代码生成与分析
  • 结构化数据处理
  • 多语言理解与生成
• 性能差异分析与选择建议

幻灯片5: 模型输出细节不足问题

• 问题表现：模型输出过于简略，缺乏必要细节
• 原因分析：训练数据分布影响，模型倾向于生成与训练集类似长度的内容
• 解决策略：
  • 任务拆分：将一个大任务拆分为多个小任务
  • 示例引导：提供详细的输出示例
  • 迭代深化：通过多轮对话逐步获取更多细节
• 案例演示：如何将”市场分析报告生成”拆分为多个子任务

幻灯片6: 知识缺失问题与RAG补充

• 知识缺失的表现与识别
• RAG(检索增强生成)框架介绍：
  • 架构：检索系统 + 生成模型
  • 工作流程：查询分析→文档检索→上下文融合→回答生成
• 实施步骤：
  • 知识库构建
  • 检索系统选择与配置
  • 提示词设计与优化
• 案例：使用RAG解决特定领域专业知识不足问题

幻灯片7: 难以拆分的任务类型

• 文风改写：
  • 挑战：风格转换的主观性和一致性要求
  • 评估方法：A/B测试，人工评价
• 实体提取：
  • 挑战：领域特定实体识别，新实体处理
  • 测试策略：准确率与召回率平衡
• 创意生成：
  • 挑战：创意质量难以量化评估
  • 应对方法：多样性生成+人工筛选
• 其他难以拆分的任务及应对策略

幻灯片8: 模型选择策略与评估框架

• 模型选择决策矩阵：
  • 任务类型与模型专长匹配
  • 成本与性能平衡
  • 部署环境限制考量
• 评估指标体系：
  • 准确性指标
  • 效率指标
  • 稳定性指标
• 模型选择案例分析：
  • 自媒体场景：为什么选择DeepSeek而非GPT-4
  • 代码助手：为什么选择Codex/Copilot而非通用模型

幻灯片9: 互动环节 - 实操演示

• 讲师实时演示：
  • 选择1-2个元任务
  • 在不同模型的Playground中测试
  • 比较结果差异
  • 分析成功/失败原因
• 演示内容：
  • 提示词设计过程
  • 参数调整（温度、top_p等）
  • 结果评估标准
• 时间：10分钟

幻灯片10: 互动环节 - 实践练习

• 个人/小组活动：
  • 为自己的应用场景定义2-3个关键元任务
  • 编写测试提示词
  • 使用提供的API或Playground进行测试
  • 记录结果与发现
• 提供的资源：
  • 元任务定义模板
  • 提示词结构指南
  • 测试结果记录表
• 时间：15分钟

幻灯片11: 互动环节 - 问题诊断

• 小组讨论：
  • 分享测试中遇到的问题
  • 分析失败原因
  • 提出改进方案
• 讲师巡回指导：
  • 针对性建议
  • 常见问题解决思路
  • 提示词优化方向
• 全体分享：2-3个典型问题及解决方案
• 时间：10分钟

休息时间 (15分钟)

第四部分：提示词工程与优化 (35分钟)

• 主题内容与互动：

幻灯片1: 提示词工程的本质

- 理解模型的iid(独立同分布)特性：
    - 训练数据分布对模型行为的影响
    - 为什么相似训练样本的任务表现更好
    - "模型偏好"的本质：统计规律而非真正的偏好
- 提示词工程的核心目标：
    - 最大化与训练数据分布的匹配度
    - 明确指令与约束条件
    - 减少歧义，增强可预测性

幻灯片2: 用词选择的重要性

- 不同用词的效果差异：
    - "总结" vs "精炼" vs "提取要点"
    - "分析" vs "评估" vs "审视"
    - "创建" vs "生成" vs "构思"
- 实例对比：同一任务，不同指令词的输出差异
- 模型对特定术语的敏感度分析
- 行业特定术语的使用建议

幻灯片3: 指令结构与顺序的影响

- 结构要素：
    - 背景信息
    - 任务描述
    - 约束条件
    - 输出格式
    - 评估标准
- 顺序影响分析：
    - 前置背景 vs 后置背景
    - 先约束后任务 vs 先任务后约束
- 最佳实践：
    - 关键信息优先原则
    - 临近原则
    - 逻辑递进结构
    - 视觉分隔与强调
- 案例演示：重构提示词顺序提升效果

幻灯片4: 长文本提示词的约束管理

- 问题：当输出内容较长，需要的约束与提示词相隔较远时
- 解决方案：
    - 让模型先复述约束和要求，再执行任务
    - 使用结构化提示词，明确标记约束部分
    - 关键约束重复强调
- 示例：
  </details>
    请先复述以下约束条件，然后再进行任务：
    1. 输出必须包含5个关键点
    2. 每个点必须有数据支持
    3. 总字数控制在1000字以内
  </details>
- 效果对比：使用复述技巧前后的约束遵循率

幻灯片5: 输入输出长度优化策略

- 长度与模型性能的关系：
    - 注意力机制的局限性
    - 上下文窗口大小的影响
    - 长文本处理的挑战
- 优化策略：
    - 任务分解：将3000字内容拆分为5个600字任务
    - 重要信息前置
    - 增量生成与整合
    - 摘要-详情层次结构
- 案例：长文档分析的最佳实践

幻灯片6: 提示词迭代优化方法

- 系统性迭代流程：
    - 基准测试
    - 单变量实验
    - 结果分析
    - 优化应用
- 常见优化维度：
    - 指令明确性
    - 示例数量与质量
    - 约束条件精确度
    - 格式要求清晰度
- 提示词版本管理最佳实践
- A/B测试设计与结果分析

幻灯片7: 多轮交互设计原则

- 单轮 vs 多轮交互的优缺点
- 多轮交互设计模式：
    - 渐进式细化
    - 反馈纠错循环【需要慎用，因为错误内容可能对幻觉较强的模型有比较强的影响力】
    - 探索-收敛模式
- 上下文管理策略：
    - 关键信息重申
    - 状态追踪
    - 历史摘要
- 案例：客户需求挖掘的多轮对话设计

幻灯片8: 互动环节 - 提示词优化实践

- 活动：利用本环节学到的提示词技巧，解决前一阶段无法实现的需求
- 流程：
    - 选择1-2个之前失败的元任务
    - 应用新学到的提示词技巧重新设计提示词
    - 测试并比较优化前后的结果
- 成果分享：
    - 3-4位参与者分享优化经验
    - 讲师点评并总结关键技巧
- 时间：15分钟

第五部分：Agent实现与代码构建 (50分钟)

• 主题内容与互动：

幻灯片1: Workflow型Agent架构设计

- 简洁架构原则：
    - 从最简单的组件开始
    - 避免引入不透明的框架和步骤
    - 保持流程可控和可解释
- 核心组件：
    - 输入处理模块
    - 任务执行模块
    - 结果整合模块
    - 用户界面模块
- AI编程协助策略：如何利用AI帮助实现不熟悉的部分

幻灯片2: Streamlit快速原型开发

    - Streamlit优势：
            - 快速开发与迭代
            - Python原生支持
            - 丰富的UI组件
            - 部署简便
    - 基本结构：
            - 页面布局
            - 用户输入处理
            - API调用
            - 结果展示
    - 代码演示：简单Agent界面的实现
    - 性能优化技巧

  <details>   <summary><b>逐字稿</b></summary>
    在构建Agent原型时，我们需要一个既简单又强大的工具来快速验证我们的想法。Streamlit恰好满足这一需求，它是Python生态系统中最受欢迎的Web应用框架之一，专为数据科学和AI应用设计。

    Streamlit有几个显著优势：首先，它支持快速开发与迭代，只需几行代码就能创建交互式应用。其次，它提供Python原生支持，对于熟悉Python的开发者几乎没有学习门槛。第三，它拥有丰富的UI组件，从简单的文本输入到复杂的数据可视化都能轻松实现。最后，部署非常简便，通过Streamlit Cloud甚至可以一键部署。

    一个典型的Streamlit应用包含四个基本结构：页面布局定义了应用的外观和组件排列；用户输入处理负责收集和验证用户提供的信息；API调用部分连接到大语言模型和其他必要的服务；结果展示则负责以用户友好的方式呈现输出。

    让我演示一个简单Agent界面的实现。这个例子创建了一个文档摘要工具：

    [示例代码]
    import streamlit as st
    import openai

    st.title("文档摘要Assistant")
    
    # 用户输入
    user_input = st.text_area("请粘贴需要摘要的文本:", height=200)
    
    if st.button("生成摘要"):
            if user_input:
                    with st.spinner("正在生成摘要..."):
                            # API调用
                            response = openai.ChatCompletion.create(
                                    model="gpt-3.5-turbo",
                                    messages=[
                                            {"role": "system", "content": "你是一个专业的文档摘要助手。"},
                                            {"role": "user", "content": f"请为以下文本生成一个简洁的摘要，突出关键点：\n\n{user_input}"}
                                    ]
                            )
                            
                            # 结果展示
                            st.subheader("摘要结果")
                            st.write(response.choices[0].message.content)
            else:
                    st.error("请输入文本内容")

    关于性能优化，使用Streamlit时要注意几点：利用st.cache_data装饰器缓存计算结果；避免在主程序中加载大型模型或数据；使用会话状态(session_state)保存用户会话信息；针对大量数据，考虑使用分页或延迟加载策略。

    这个简单的例子展示了Streamlit如何帮助我们快速构建功能性Agent界面。随着项目发展，我们可以逐步添加更复杂的功能和更精美的界面。
  </details>

幻灯片2.5: 无代码Agent开发 - Microsoft Copilot

    - Copilot Studio优势：
            - 零代码构建企业级Agent
            - 类似 GPT Store 的界面设计
            - 内置知识库连接功能
            - 与Microsoft生态系统集成
    - 核心功能：
            - 话题创建：定义Agent可以回答的问题类型
            - 知识源连接：网站、文档、SharePoint、数据库
            - Power Platform集成：扩展Agent功能
    - 实现流程：
            - 创建Copilot并定义话题范围
            - 连接相关知识源
            - 配置生成式回答设置
            - 测试、发布与监控
    - 使用场景：
            - 企业内部知识助手
            - 客户服务自动化
            - 员工培训与支持

  <details>   <summary><b>逐字稿</b></summary>
    对于那些不想深入代码实现的参与者，我想介绍一个强大的无代码Agent开发平台 - Microsoft Copilot Studio。这是一个企业级工具，让非技术人员也能创建功能强大的AI助手。

    Copilot Studio的主要优势在于它实现了真正的零代码开发体验。你可以通过直观的界面构建企业级Agent，无需编写任何代码。它提供了类似GPT Store的界面设计，让用户可以轻松创建和分享自定义AI助手。更重要的是，它内置了知识库连接功能，可以直接连接到企业内部资源。对于已经使用Microsoft产品的组织，它与整个Microsoft生态系统无缝集成，包括Teams、SharePoint等。

    Copilot Studio的核心功能围绕三个方面：首先是话题创建，你可以定义Agent可以回答的具体问题类型，设置问题示例和预期回答。其次是知识源连接，支持接入网站、文档、SharePoint、数据库等多种信息源，确保回答基于最新和最相关的信息。第三是Power Platform集成，允许你通过Power Automate自动化流程、Power Apps创建自定义应用等方式扩展Agent功能。

    实现一个基本的Copilot非常简单，通常包括四个步骤：首先，创建新的Copilot并明确定义其能回答的话题范围；然后，连接相关知识源，可以是网页、文档或数据库；接着，配置生成式回答的设置，包括回答风格、长度等参数；最后，进行测试、发布并持续监控其表现。

    这种无代码Agent特别适合几种使用场景：作为企业内部知识助手，帮助员工快速找到内部政策、流程或资源；用于客户服务自动化，回答常见问题并解决基本问题；或者作为员工培训与支持工具，提供即时的学习资源和指导。

    对于那些希望快速部署实用Agent但不想深入代码细节的参与者，Microsoft Copilot Studio提供了一个理想的平台，让你专注于内容和用例，而不是技术实现。
  </details>

幻灯片3: 互动环节 - 完整Agent实现案例

    - 案例：自动化PPT生成助手
            - 需求分析：根据Word文档生成PPT
            - 元任务测试：
            1. 规划PPT内容结构
            2. 生成PPT文字内容
            3. 生成PPT图表建议
            - 使用Streamlit串联各个模块
            - 实现演示与代码讲解
    - 时间：15分钟

  <details>   <summary><b>逐字稿</b></summary>
    现在，让我通过一个完整案例来展示如何将我们学到的所有内容整合起来，构建一个实用的Agent。我们的案例是一个自动化PPT生成助手，它能根据Word文档自动创建演示幻灯片。

    首先，让我们看看需求分析。许多人经常需要将冗长的Word文档转化为简洁的PPT演示，这是一项耗时且重复性高的工作。理想情况下，我们希望Agent能够理解文档内容，提取关键信息，规划合理的幻灯片结构，并生成适合演示的内容。

    在开始编码前，我们进行了元任务测试，确认模型能够胜任三个关键能力：
    第一，规划PPT内容结构，即根据文档内容合理划分章节和幻灯片；
    第二，生成PPT文字内容，包括标题、要点和过渡语；
    第三，生成PPT图表建议，根据内容提出可视化建议。

    测试确认这些能力可行后，我们使用Streamlit构建了应用界面，将这些模块串联起来。

    现在，让我演示这个应用的实际运行效果和核心代码：

    [代码演示]
  </details>
    import streamlit as st
    import openai
    from docx import Document
    import json
    
    # 设置页面
    st.set_page_config(page_title="Word转PPT助手", layout="wide")
    st.title("Word文档转PPT助手")
    
    # 文件上传
    uploaded_file = st.file_uploader("上传Word文档", type=["docx"])
    
    if uploaded_file is not None:
            # 读取文档内容
            doc = Document(uploaded_file)
            full_text = "\n".join([para.text for para in doc.paragraphs])
            
            with st.expander("文档内容预览"):
                    st.write(full_text[:500] + "..." if len(full_text) > 500 else full_text)
            
            if st.button("生成PPT结构"):
                    # 第一步：规划PPT结构
                    structure_prompt = f"""
                    请分析以下文档内容，提出合适的PPT结构规划。
                    返回JSON格式，包含幻灯片数量和每张幻灯片的标题与要点。
                    
                    文档内容:
                    {full_text[:4000]}  # 限制长度避免超出token限制
                    
                    JSON格式示例:
                    slides,
                                    // 更多幻灯片...
                            ]
                    }}
                    """
                    
                    with st.spinner("正在分析文档并规划PPT结构..."):
                            response = openai.ChatCompletion.create(
                                    model="gpt-4",
                                    messages=[
                                            {"role": "system", "content": "你是PPT结构规划专家。请根据文档内容提供最合适的PPT结构方案。"},
                                            {"role": "user", "content": structure_prompt}
                                    ]
                            )
                            
                            structure_text = response.choices[0].message.content
                            try:
                                    # 尝试解析JSON
                                    structure = json.loads(structure_text)
                                    
                                    # 显示PPT结构
                                    st.subheader("生成的PPT结构")
                                    
                                    for i, slide in enumerate(structure["slides"]):
                                            col1, col2 = st.columns([1, 3])
                                            with col1:
                                                    st.write(f"#### 幻灯片 {i+1}")
                                            with col2:
                                                    st.write(f"标题: {slide['title']}")
                                                    st.write("要点:")
                                                    for point in slide["points"]:
                                                            st.write(f"- {point}")
                                                    if "visualization" in slide and slide["visualization"]:
                                                            st.write(f"可视化建议: {slide['visualization']}")
                                    
                                    # 提供导出选项
                                    st.success("PPT结构生成完成！在实际应用中，这里可以添加导出为PPT文件的功能。")
                                    
                            except json.JSONDecodeError:
                                    st.error("JSON解析失败，请查看原始输出")
                                    st.text(structure_text)
  </details>

    这个案例展示了如何将复杂任务拆分为多个元任务，通过适当的提示词工程引导模型完成每个步骤，最后将结果整合为用户可用的输出。

    值得注意的是几个关键设计决策：我们限制了输入文本长度，避免超出模型上下文窗口；使用了结构化的JSON输出格式，便于后续处理；通过明确的指令和示例引导模型生成符合预期的内容结构。

    这个简单的演示可以进一步扩展，例如添加更细致的内容处理、支持主题风格选择、甚至直接生成PowerPoint文件。关键是我们遵循了模块化设计，使系统易于理解和扩展。
  </details>

幻灯片4: 互动环节 - 分组实践

- 编程组：
    - 使用Streamlit实现自己的Agent原型
    - 提供的资源：
        - 代码模板
        - API接口文档
        - 常见问题解决方案
- 非编程组：
    - 使用declarative agent平台构建简单应用
    - 提供的资源：
        - 平台使用指南
        - 配置模板
        - 测试案例
- 时间：1周

第六部分：成果展示与总结

• 主题内容与互动：

幻灯片1: 项目展示指南

• 展示内容建议：
  • 项目背景与目标
  • 核心功能演示
  • 技术亮点
  • 遇到的挑战与解决方案
• 展示时间：每组3分钟
• 评分标准介绍：
  • 创新性：解决问题的独特方式
  • 实用性：实际应用价值
  • 完成度：功能完整性与稳定性
  • 技术难度：实现复杂度

幻灯片2: 互动环节 - 项目展示

• 3-5个小组展示他们的Agent原型
• 每组展示流程：
  • 简短介绍(30秒)
  • 功能演示(2分钟)
  • 简要总结(30秒)
• 时间：总计15分钟

幻灯片3: 互动环节 - 反馈与建议

• 参与者互相评价：
  • 每个项目的优势
  • 改进建议
  • 潜在应用场景扩展
• 反馈方式：
  • 口头评论
  • 在线评分表
• 时间：5分钟

幻灯片4: 互动环节 - 评选环节

• 参与者投票选出：
  • “最具创意Agent”
  • “最实用Agent”
  • “技术实现最佳Agent”
• 投票方式：
  • 在线投票工具
  • 现场举手表决
• 获奖项目简短分享经验
• 时间：5分钟

附录

幻灯片1: 准备材料清单

1. 预设的Agent案例库
   • 简单案例：自动邮件分类器
   • 中等复杂度：会议摘要生成器
   • 高复杂度：研究助手
   • 失败案例分析：过于宏大的自主决策Agent
2. 元任务测试集
   • 文本分类元任务
   • 信息提取元任务
   • 格式转换元任务
   • 逻辑推理元任务
3. 提示词优化指南与示例对比集
4. 代码模板（基于Streamlit）
5. 任务拆解工作表与可行性评估清单
6. 常见问题诊断与解决方案手册

幻灯片2: 参与者准备事项

1. 硬件要求：
   • 笔记本电脑
   • 互联网连接
2. 软件准备：
   • OpenAI/Claude/其他大模型API账号（可选）
   • Python环境（编程组）：
     • Python 3.8+
     • pip或conda
     • 推荐安装包：streamlit, langchain, requests
3. 预先思考：
   • 列出3个日常重复性任务
   • 思考这些任务的步骤与流程
   • 考虑可能的自动化价值

幻灯片3: 后续支持计划

1. 线上讨论群组：
   • 平台：Slack/Discord
   • 加入方式：二维码/链接
   • 内容：技术讨论、项目分享、资源推荐
2. 额外学习资源：
   • 代码示例库链接
   • 教程与文档集合
   • 推荐阅读清单
3. 一周后线上答疑会议：
   • 时间：待定
   • 平台：Zoom/Teams
   • 注册方式：邮件/表单
4. 项目迭代指导：
   • 一对一咨询机会
   • 代码审查服务
   • 部署与优化建议

幻灯片4: 参考资源

1. 官方文档：
   • OpenAI API文档
   • Anthropic Claude文档
   • Streamlit官方指南
2. 学术论文与技术博客：
   • “Building Effective Agents with LLMs” - Anthropic
   • “LLM Powered Autonomous Agents” - Lilian Weng
3. 开源项目：
   • LangChain
   • AutoGPT
   • BabyAGI
4. 社区资源：
   • Hugging Face社区
   • GitHub优秀项目集合
   • AI Agent开发者论坛

幻灯片5: 联系方式

• 讲师邮箱
• 社交媒体账号
• 个人网站/博客
• 工作坊反馈表单链接