开展人工智能从业人员“大模型智能体理论实操与Vibe Coding：Claude Code、Codex、Harness工程、OpenClaw及Hermes”高级实战研修班的通知

2026/07/17

点击上方蓝字关注我们

2026年的AI工程化，不再是"养一匹更强的烈马"，而是"打造一套更可靠的缰绳"。OpenClaw是"军团指挥官"，管好人；Claude Code是"狼群战术"，打好仗；Codex是"全能执行者"，干好活；Hermes是"终身学习者"，不断进化。而贯穿这一切的，是Harness Engineering的思想——把模型当作不可控但强大的引擎，用工程化的Harness让它变得可控、可信、可用。

��为什么你学了那么多AI课，依然做不出一个能用的智能体？

因为你一直在学"点"，从来没学"面"。学了大模型，不会部署；学会了部署，不会调优；学会了调优，不知道怎么变成Agent；学会了Agent，不知道怎么让它干活；学会了让它干活，不知道怎么多个Agent协同；学会了协同，不知道怎么沉淀成Skill……每一步都差一点，结果就是什么都知道一点，什么都做不出来。

这一次，我们帮你把整条链路打通。

本次课程共二十节，为期5天，从基座模型原理出发，一路走到多智能体实战部署，不讲废话，只讲干货：

��第一节到第四节：大模型原理、私有化部署、DeepSeek V4源码解析、全流程微调——把地基打牢

��第五节到第八节：Agent核心架构、Harness Engineering理论、LangChain/LlamaIndex/AutoGen框架——把框架搭好

��第九节到第十四节：OpenClaw、Hermes、Claude Code、Codex四大智能体深度拆解与实战——把工具用透

��第十五节到第二十节：技能迁移、工作流串联、Skill开发、零代码游戏开发、爆款Skill打造——把能力沉淀

��理由一：这不是"又一款AI课"，这是市面上唯一从原理到实战、全链路打通的智能体课程

市面上的培训，要么只讲应用层操作，学完只会"点按钮"；要么跳过原理直接上代码，非科班学员越学越吃力。本次课程从Transformer架构、Self-Attention机制、MoE混合专家、MLA多头潜在注意力讲起，一路讲到Ollama本地部署、DeepSeek V4源码走读、全流程微调实战，再讲到Harness工程、多智能体编排、四大主流工具深度实战、Skill封装与技能迁移。课程体系设计遵循"原理→部署→微调→工程→实战" 的自然进阶路径。零基础？没关系，我们带你从根上长出来。

��理由二：所有课程讲工具，只有我们讲"工具之间怎么配合"

OpenClaw怎么和Hermes联动？数据怎么迁、技能怎么移、工作流怎么串？（第十五节专门讲这个。）Codex怎么和Claude Code协同？谁适合写代码、谁适合审代码、谁适合部署？（第十四节给你答案。）Hermes怎么蒸馏一个人的思维方式，变成一个可运行的Skill？（第十八节女娲skill现场演示。）别的课程教你怎么用一把锤子，我们教你怎么指挥一支施工队。

��理由三：讲"新"不丢"根"，讲"用"不丢"理"

Claude Code的SubAgent多Agent架构和ReAct、Reflexion是什么关系？OpenClaw的Gateway和ESB（企业服务总线）有什么异同？Hermes的自进化机制和强化学习经验回放怎么呼应？——这些底层逻辑，不讲透，你永远只能照抄别人的Prompt，永远没有自己的判断力。 邹伟博士深耕AI领域超过十年，出版11部专著，从深度学习框架调优一路跟到Harness Engineering，有底气把新工具讲透，更有能力把它们锚定在AI工程化的历史脉络中。

��理由四：不讲PPT，只讲"我亲手趟过的坑"

第三节DeepSeek V4源码解析和全流程微调实战——代码一行一行走，坑一个一个填。 第九节OpenClaw网关企业级部署——生产环境踩过的雷，课堂上全告诉你。 第十四节Codex自动化工作流集成——PR Review Bot怎么搭、CI/CD流水线怎么接，现场跑给你看。 第十八节skill-creator和女娲skill——3天GitHub 3000 Star的开源项目，怎么用、怎么玩、怎么复刻，现场实操。所有的内容，脱胎于真实项目经验，不打嘴炮，不念PPT。

一、培训对象

各企事业单位、科研院校、培训机构技术人员，从事计算机、自动化、机器人软件工程和信息工程等相关人员。具有1年以上工作经验的IT工程师或管理者，了解Python 语言。

除此之外，还包括：已经玩过OpenClaw、想深入系统原理的开发者；公司准备引入智能体、需要有人牵头落地的技术骨干；单纯对AI前沿技术有热情、想跑在大多数人前面的极客。

需要的基础：写过代码（Python/TypeScript都行），知道API是怎么回事，用过Git。不需要是大模型专家，不需要有AI背景——智能体的重点在“干活”，不在“炼丹”。

二、培训时间与地点：

上课时间：2026.08.23—2026.08.26日（四天。每天6-7小时）。

授课地点：暂定钉钉线上(回放半年)+北京线下（北京海淀西二旗附近）。如遇线下人员少于5人，自动转为全员线上。我们强烈大家尽可能来线下学习。会务组将于开课前7日前将《报到通知》发给各参培学员，详细报到地点、乘车路线等事宜。

三、 主要内容：

第一节：DeepSeek等大模型的原理和技术演进路线 1. 大模型发展史以及最近进展！！（时刻更新） 2. 大语言模型（LLM）结构全景图 3. Scaling Law（性能的四大扩展规律） 4. 大模型的基石——Transformer架构与自注意力机制：Self-Attention机制的原理和计算过程、Multi-Head Attention的设计和作用 5. MoE混合专家——让大模型“该谁干活谁干活” 6. MLA多头潜在注意力——DeepSeek的“显存革命” 7. Engram条件记忆——“查表”与“计算”分离的新范式 8. DSpark推测解码 9. 知识蒸馏——大模型“传功”给小模型 10. FP8混合精度训练——把训练成本“打下来” 11. 训练全栈工程优化——从并行策略到硬件适配 12. 技术演进路线图

第二节：本地私有化部署及大模型API调用实操 1. Ollama的安装与配置 2. 私有化部署工具链全景——从Ollama到llmaker 3. 通过API调用大模型（基础调用三要素（API Key、Endpoint、消息体） 4. 单论对话与多轮对话调用 5. 开源模型与闭源模型调用 6. 调用Gemma、Qwen与Llama

第三节：DeepSeek v4源码解析及全流程微调实战 3.1 DeepSeek v4 核心架构解析 ·模型规模与MoE设计（稀疏激活、专家路由） ·注意力机制优化（MLA / 多头潜在注意力） ·训练数据配比与长上下文扩展（1M token） ·开源仓库结构导览（模型加载、推理入口、配置体系） 3.2 源码关键模块走读 ·模型定义层：modeling_deepseek.py 核心类继承关系 ·分布式推理：张量并行、流水线并行的实现 ·自定义算子：融合核函数（FlashAttention、MoE Gate） ·从源码中能学到什么（代码风格、性能优化技巧） 3.3 全流程微调实战（从数据到部署） ·环境准备：硬件要求（单机多卡/多机）、依赖安装、模型权重获取 ·数据准备：指令数据格式（ShareGPT/Alpaca）、数据清洗与去重、长序列打包 ·微调方法选择： o全参微调（适合数据量大、领域差异大的场景） oLoRA / QLoRA（资源受限首选） o混合微调（部分层冻结 + adapter） ·训练工程： o使用 DeepSpeed / FSDP 进行分布式训练 o学习率调度、梯度累积、混合精度 o监控与日志（W&B / TensorBoard） ·评估与测试： o验证集困惑度、下游任务指标 o对抗性测试（越狱、幻觉检测） ·推理部署： ovLLM / TGI 加速推理 o量化（INT8/INT4）与 KV Cache 优化 实战：使用工具从零开始手搓数据集开始，大模型本地私有化部署，使用手搓的数据集微调大模型微调。

第四节：Pre-train、Mid-train与Post-train技术讲解 4.1 概念厘清：三个阶段的定位与目标 ·Pre-train（预训练）：海量通用数据 → 基座模型（通才） ·Mid-train（中间训练）：垂直领域数据 → 定向知识注入（补课） ·Post-train（后训练）：指令+偏好数据 → 对齐与对话化（教规矩） ·三者关系：基座→ 领域增强 → 可用产品 4.2 Pre-train：从零到基座 ·数据工程：来源（网页/书籍/代码）、清洗（去重/过滤/去污染）、配比策略 ·架构与训练：Dense vs MoE、分布式并行、长上下文渐进扩展 ·关键指标：Loss曲线、PPL、零样本评测 ·实操（演示）：小规模数据集+迷你预训练，解读日志与Loss 4.3 Mid-train：定向知识注入 ·价值：低成本弥补垂直领域知识，比重训更经济 ·操作要点：数十B领域token、继续预训练目标、学习率1e-5~1e-6 服务内容 退款：未说明 –回放 –答疑 –作业点评 –社群 相关课程推荐 长沙AI引领教学创新培训 长沙 · 线下小班 ¥1880 约 ¥470/节 【培训+分组辅导】OpenClaw（龙虾）赋能银行信贷业务训练营 全国线上 · 待确认 待确认 课时未公开 OpenClaw（龙虾）企业实战应用与操作培训班 全国线上 · 待确认 待确认 课时未公开