用途：帮助 DevOps、IaC、自动化团队从规则驱动的传统自动化，转向目标驱动、可推理的智能体自动化，培养 AI Agent 工程师。
主要能力：分四阶段推进。第一阶段 AI 素养，把 LLM 视为非确定性运行时，掌握提示工程与 RAG、向量数据库、嵌入、分块与元数据过滤，并用 LangChain 与 Chroma 等搭建文档问答。第二阶段 Agent 框架，学习 LangChain 的链、智能体与记忆，LlamaIndex 的数据与检索能力，以及函数调用（function calling），让智能体选择并执行工具。第三阶段多智能体，使用 CrewAI、AutoGen 按角色拆分规划、审计、执行等智能体，并把既有 Agent Studio 自动化封装为可调用工具。第四阶段 LLMOps，用 DeepEval、Ragas、LangSmith 做评估，关注忠实度、相关性、上下文精度；接入 CI/CD；以 Terraform 部署模型服务，用 OpenTelemetry 做监控，并加提示注入防护与护栏。
使用方式：按建议的八周时间线推进，前两周打基础并搭建 RAG 问答，三至四周学习链、智能体与函数调用，五至六周做多智能体并接入 Agent Studio，七至八周完成评估、监控与安全加固。配套命令：pip install langchain openai anthropic crewai、pip install chromadb pinecone-client、pip install deepeval ragas、pip install langsmith opentelemetry-api。毕业项目要求覆盖基础设施请求、生成 Terraform、安全扫描、审批执行、冒烟测试与可观测性。
适用场景与限制：适合希望把自动化能力升级为智能体系统的工程团队。资料未提供具体收费方式、平台限制或效果数据，实际工具版本与部署环境需另行确认。