Cohort 2 — 智能体工程师集训 2026 第二期 · Agentic Engineering Bootcamp

背景与目标Background & Goals

新岗位的出现

「Software 1.0 is code. Software 2.0 is neural networks. Software 3.0 is the era of agents — and it needs a new kind of engineer: the agentic engineer.」当 Codex / Claude Code 等能完成几乎所有编码任务,一个全新的工程师角色正在诞生。

能力要求的转变

过去数十年,AI/ML 工程师和软件工程师的工作都围绕「如何实现」(implementation)。现在,要求正迅速转向:能设计、构建、完成解决实际问题的 Agent 系统 —— 合理使用 LLM、MCP / tools / skills / loop,管理 memory 与 context,搭建这个时代的 Agent 系统。

中美两国顶级科技企业正在招什么人?

过去一年,Agent Engineering 已成为中美两国顶尖科技企业增长最快的工程方向之一 —— 打开任何一家前沿 AI 公司的招聘页,你都会看到这些角色:

AI Agent Engineer

设计并实现完整的 agent loop:规划、工具调用、多步执行与自我修正
为 Agent 建立 Evals 评估与可观测体系,持续压低任务失败率
精于上下文工程与工具接口设计,有 LLM 应用生产化经验

—— OpenAI、Anthropic、Perplexity 等前沿模型实验室与 AI 应用公司在招

→ 对应:阶段 1 全程 + Project 1–3

LLM Inference / Serving Engineer

深入 Transformer 推理路径:KV Cache、Continuous Batching、投机解码
用 vLLM / TensorRT-LLM 等框架搭建高吞吐、低延迟的模型服务
熟悉量化与显存优化,能按 SLA 对延迟与成本负责

—— NVIDIA、Together AI、Fireworks AI 等模型服务与 AI 基础设施公司在招

→ 对应:Project 4 · 客服大模型服务基础设施

Robotics / Embodied AI Engineer

在 ROS2 中开发感知与控制节点,打通视觉 → 3D 定位 → 运动规划链路
把 VLM / LLM 接入机器人任务规划,让自然语言指令变成可执行动作
熟悉仿真与真机之间的调试验证流程(sim-to-real)

—— Tesla、Figure、Physical Intelligence 等机器人与自动化公司在招

→ 对应:Project 5 · ROS2 × UR5 机器人控制

Applied AI / Forward-Deployed Engineer

把 Agent 能力集成进客户既有系统(ERP / CRM / 内部工具)
设计权限、审计与人工审批环节,让 Agent 在企业约束下可信运行
端到端负责交付:需求拆解、集成开发、上线与运维

—— OpenAI、Anthropic、Palantir 等公司的 Forward-Deployed 团队在招

→ 对应:Project 6 · 航空票务 + ERP Agent 化

据公开薪酬数据,湾区这类职位的年总包普遍在 $200K–$500K+。它们的共同点是:不只要求会调模型 API,而要求能构建、评估并运维完整的 Agent 系统 —— 这正是本训练营两个阶段、六个项目所训练的能力。

面向人群Who this is for

适合你,如果你是

希望构建 Agent 智能化程序和系统,来解决企业内部、外部客户或者相关研究任务的工程师及研究人员
希望半年内找到一份与大模型 Agent 系统、具身智能 Agent 相关工作的求职者
希望从事 LLM / VLM 大模型 Agent 研发或服务端部署的学习者
希望研发流程迈向 Agent 时代 —— 从服务器手动配置、命令行「古法」研发,进入基于 Vercel / Daytona / Langfuse / Supabase / Cloudflare / Render / Stripe MCP / CLI-Anything 的现代化研发
希望掌握 Agent 前沿知识、达到国际领先技术水平的人

不适合你,如果你

仅希望学习怎么使用 Claude Code / Codex,而没有构建自己 Agent 的需求
希望理解 LLM 本身的原理 —— Agent = LLM + Harness,LLM 是这门课的先修课程而非讲授内容(可在 Agentist Academy 预修 LLM from Scratch 与 LLM Agents)
只想使用 AI 工具(AI 生图、Coze 扣子、Workbuddy 等),不需要构建 Agent 系统

收获与目的What you will get

Calibration

视野与技术的能力对齐:深入理解现代 Agent 系统的原理与架构,结课后对前沿技术动态具备独立追踪、分析和应用的能力。

Insight

判断力:能正确分析一个问题该用 Agent 系统,还是该用传统工作流或软件驱动。

Reliability

可靠性工程:掌握如何分析、评测 Agent,如何把 Agent 从概念做到落地 —— 从玩具项目成为能解决具体企业问题的重量级项目。

Diversity

多场景构建力:能做出针对不同场景的 Agent —— 自动化机器学习、论文复现研究系统、自动交易系统、企业数据管理等。

Advancing

现代化研发:掌握基于 Vercel / Langfuse / Supabase / Daytona / Render / Cloudflare MCP 工具的自动化研发部署流程。

Governance

治理与部署:掌握 Token 管理服务搭建、大模型部署与优化,以及 vLLM / SGLang / TensorRT-LLM / Ollama / LMDeploy 自托管方法。

相比第一期的更新What's new in Term 2

① 学习、实验与运行环境大升级

Agentist Academy:前沿 Agent 带学的体系化自学内容,开营前可预修,营中随时补充
Parallight Agent Runtime:为你构建的智能体提供在线沙箱评测、数据提供与结果分析

② 收录 4–7 月全球最重要进展

Loop Engineering 与 Graph Engineering
Self-Evolving Agent 与 Recursive Evolving Agent System

③ 更多重要的智能体类型

Embodied Agent 具身智能体
Computer Use Agent 计算机使用 Agent
Multi-Modal Agent 多模态 Agent 的知识与实践

④ 系统级项目实战

为企业客服搭建大模型服务基础设施的系统级项目
基于企业现有 ERP 系统进行 Agent 化升级的企业级项目
基于多模态、具身智能体的 UR5 智能抓取机器人项目

阶段 1 · 原理解析与架构搭建Phase 1 · Principle & Architecture · Week 1–4

负责人:高老师。每周直播 Lecture + 6–8 小时实验;四周之内,三个能真正干活的个人 Agent 项目随课落地。

W1

现代 Agent 原理与架构实践first principles · memory · harness

a现代 Agent 的第一性原理:ReAct、MCP、Tools 与 Skills

Plan–Act–Observe–Verify:ReAct 循环的每一步在 token 层面到底发生了什么
Tool Calling 全生命周期:Schema 设计、参数校验、结果回填 —— 一次工具调用如何往返于模型与运行时
MCP 的 Server / Client / Transport 架构,以及与 Function Calling 的区别
Tools、Skills、Sub-agent 三者的边界
沙箱与执行权限:让 Agent「能干活但不闯祸」的工程边界

bAgent 的记忆管理:Memory 与 Context Engineering

System Prompt、对话历史、工具结果的上下文排布与「Context Rot」问题
Working / Episodic / 长期 Memory 三层架构,以及各自的读写时机
RAG 完整链路:Embedding、向量检索、Reranking、检索结果如何注入 Prompt 而不污染推理
Context 压缩与摘要:什么该留、什么该丢、什么该外置到文件系统
从 KV Cache 视角理解:Prompt 前缀稳定性为什么直接决定推理成本

你能让一个 Agent 稳定执行数小时的长任务而不丢失目标 —— 这是任务型 Agent 与聊天玩具的分水岭。

cHarness Engineering 与 Claude Code 源码分析拆解

Claude Code:目前世界上被验证得最充分的 Agent Harness
架构解析:主循环、Tool 集设计、Sub-agent 派发、Permission 模型、TODO 管理
System Prompt 工程:为什么 Claude Code 的 System Prompt 长这样 —— 每一段的存在理由
同一个模型,不同 Harness 下能力差 10 倍的原因
二次开发实战:在 Claude Code 之上注入自己的工具、技能与工作流

Project 1

Auto-Scientist Agent · 自动科研 Agent

基于 Claude Code 二次开发:自动读论文、分析总结要点推送给你,下载分析数据、写训练代码、跑实验、读 Loss / Accuracy / F1、诊断过拟合、迭代修改、播报结果 —— 直到交出经过验证的模型与报告。

W2

个人助理与计算机操作 Agentpersonal assistant · computer use

a个人助理 Agent:OpenClaw 与 Hermes 架构拆解与源码解析

OpenClaw 架构:Gateway、Session 管理、多渠道接入(WhatsApp / Telegram / iMessage)、定时任务与主动触发
Hermes 原理:个人助理 Agent 的状态机、技能系统、本地工具编排与自进化机制
「常驻型 Agent」vs「一次性 Agent」:进程模型、记忆持久化、事件驱动
隐私与权限设计:它能看你多少东西,由谁决定

你将亲手让 Agent 接管一台电脑完成真实任务。

bComputer Use Agent 与 OSWorld

没有 API 的系统占企业软件一半以上 —— Computer Use 是打开所有遗留系统的万能钥匙,也是 2026 年增长最快的 Agent 方向之一
完整链路:Screenshot → 视觉 Grounding → 坐标定位 → 鼠标键盘动作 → 结果验证
GUI Grounding 模型:为什么「看得懂界面」比「说得出答案」难得多
OSWorld 基准:业界如何客观测量 Computer Use Agent 的真实水平
混合执行策略:API-first、Computer Use 作为 Fallback —— 企业落地的标准打法
多模态 Agent 的输入融合:文本、截图、文件进入同一个推理循环

Project 2

个人生产力助理 Agent

基于 Hermes 二次开发:自动管理 OBS 视频录制、自动剪辑视频、自动整理产出。做完这个项目,你的内容生产流水线就自动化了。

W3

多智能体协作与无人值守系统multi-agent · loop & graph · self-evolving

aMulti-Agent System 多智能体系统

盲目上多智能体是 2025 年最贵的工程错误之一 —— 这周讲清:什么问题值得多 Agent
经典协作拓扑:Orchestrator–Worker、Hierarchical、Debate、Pipeline —— 各自适用的任务形态
Agent 间通信:消息传递、共享黑板、A2A 协议,以及 Context 隔离带来的信息损耗
并行化收益 vs Token 成本:多 Agent 系统的成本模型与失控预防
失败模式:责任扩散、循环转发、共识崩塌 —— 以及对应的工程解法

对任何任务给出有依据的架构判断:单 Agent、多 Agent 还是传统工作流 —— 这是面试与技术选型中最值钱的判断力。

bLoop Engineering 与 Graph Engineering:无人值守的长周期 Agent

2026 年 4–7 月全球 Agent 领域最重要的新方向 —— 让 Agent 跑一整夜、跑一星期而不需要人盯着
不依靠人写 Prompt:让 Agent 自动生成、自动管理 Prompt,从而控制自己的运行
Loop Engineering:状态保存、断点恢复、超时 / 预算 / 重试策略、Human-in-the-loop 审批点设计
Graph Engineering:把复杂任务编译成执行图(DAG),节点级重试与部分回滚
无人值守的安全阀:预算熔断、行为白名单、异常上报 —— 敢让 Agent 独立过夜的前提

设计出「提交任务、关上电脑、第二天收到经过验证的结果」的 Agent 系统 —— Agent 从工具变成劳动力的临界点。

cSelf-Evolving Agent 与 Recursive Evolving Agent System

2026 年最受关注的新技术点:不是人改 Agent,而是 Agent 从自己的 Trace 中改进自己
完整闭环:Trace → 提炼失败模式 → 自动生成改进方案 → 沙箱中验证 → 新旧对比
Recursive Evolving Agent System:当「负责改进的机制」本身也被纳入进化循环
改进的边界与安全:哪些改动允许 Agent 自动上线、哪些必须回到人工审批
与阶段 2 呼应:这套机制将在 Project 6 的航空票务场景中完成实装(Trace → 失败模式 → 改进 → Sandbox 测试 → 审批上线)

W4

系统研发治理与部署管理evaluation · security · production substrate

aAgent 系统的评估与安全

Agent Evaluation 体系:任务成功率、工具调用准确率、幻觉率、Policy Compliance、延迟与成本 —— 七维评价框架
Trace 分析与 Failure Taxonomy:把每一次失败归类、量化,自动转化为回归测试用例
LLM-as-Judge 的正确用法与常见陷阱(位置偏差、自我偏好、评分漂移)
Agent 安全:Prompt Injection 防御、工具权限最小化、高风险操作审批、审计追踪
Sandbox 评估 → 灰度发布 → 监控回滚:新版本只有评估更好才允许上线

Project 3

自动化交易 Agent(可接入 Robinhood 真实交易)

把本周的 Eval 与风控体系用在最不容错的场景:策略回测、风险熔断、每一笔决策留下完整 Trace。

bAgent 系统的生产化底座:MCP 化的数据库、部署与运维

应用层部署:Vercel / Cloudflare Workers / Modal(对照 AWS 7-step 配置链)
自托管推理:vLLM / SGLang 精讲 + 五引擎选型地图
Agentic DevOps(2026 范式):canary / blue-green / shadow mode 全部 agent 驱动
LLMOps 可观测:Langfuse 精讲 + 六家横评结论(LangSmith / Helicone / Phoenix / Braintrust / Datadog)
LiteLLM token / proxy 治理层:multi-model fallback、per-tenant quota、成本优化
计算生态选型框架:NVIDIA(CUDA / TensorRT / NIM)、Amazon(Bedrock / AgentCore)、Anthropic(MCP / Skills / Claude Code)+ TPU 替代路径;GPU 算力市场对比

阶段 1 结束时

你手上有 3 个能真正干活的 Agent 项目 + 一套能把任何 Agent 推向生产的工程底座。

阶段 2 · 复杂项目集训Phase 2 · Project Intensive · Week 5–13

导师带队,每个项目迭代 15 天,全部由真实企业项目改造、可写入简历。若你接受更强的 workload,三个项目可提前并行(最早 Week 2 开始、Week 9 结营)—— 开班后由你自己决定。每周末 3 小时在线 lecture + 3 小时助教带队练习,帮你扫清环境配置、权限管理、数据等问题。

Project 4 · Week 5–7 · 导师:高老师

为企业客服搭建大模型服务基础设施

LLM Serving Infrastructure for Enterprise Support

由美国某知名 AI Lab 项目改造

W5

一次大模型请求的完整生命周期与 Server 实现

你按下回车之后、第一个字出现之前的几百毫秒里,GPU 到底在做什么?

Prefill / Decode 两阶段:「读完你的问题」和「吐出下一个字」是两种完全不同的计算负载
Streaming 流式输出机理:SSE / WebSocket 与 token 逐个回传的服务端结构
服务性能的通用语言:TTFT、TPOT、p50 / p95 / p99 与吞吐量 —— 为什么平均值是最没用的指标
KV Cache 到底缓存了什么:计算收益与显存成本的定量权衡
亲手实现 Toy Server:请求接入 → 排队 → 推理 → 流式返回,不依赖任何推理框架

W6

吞吐的工程学与生产化接入

同样一张卡,为什么别人能扛 1000 并发而你只能跑 30?

Static vs Continuous Batching:2026 年高吞吐服务的分水岭技术
请求队列调度:优先级、公平性与长短请求混排的队头阻塞问题
FP16 / INT8 / INT4 量化实战:性能提升与质量损失的实测对照
生产级框架接入:vLLM / SGLang 部署与调参,把 Toy Server 的原理映射到真实引擎
Rate Limiting、多租户隔离与 Backpressure:一个租户打满流量时如何不拖垮所有人
企业知识库与 CRM 数据接入:客服 Agent 的检索链路与服务层的耦合边界
压力测试、故障注入与容量规划:给出一份能对外承诺的 SLO

W7

项目迭代与答疑

项目产出

一个支持流式输出的大模型 Server + 企业客服 API 接入层
KV Cache 与 Batching 对比实验报告、量化前后的性能与质量对照
延迟 / 吞吐 / GPU 内存 / 单任务成本 Dashboard + 一份明确的服务 SLO
LLM Server 源码 —— 可放入简历,证明你理解推理服务而不只是会调 API

Project 5 · Week 8–10(可提前至 Week 2–4)· 导师:Howard Cao · 北京时间周日上课

基于 ROS2 与多模态 Agent 的 UR5 机器人控制系统

Embodied Agent · Vision → Motion · UR5

由美国某国际领先机器人公司真实项目改造

W8

机器人动力学、ROS2 与 Embodied AI

软件 Agent 的错误可以重试,物理世界的错误会撞坏东西。

ROS2 核心:Node / Topic / Service / Action,UR5 与 Gripper 的仿真控制
机器人动力学与坐标系:相机标定、TF2 坐标变换 —— 从「看到」到「知道它在哪」
RGB 与 Depth 输入:视觉噪声下的感知管线
Embodied AI 全景:为什么具身智能是多模态 Agent 的终极考场

W9

基于多模态基础模型的运动控制与姿态矫正

「找到橙色方块,把它放到指定区域」—— 一句自然语言如何变成机械臂的一连串可执行动作?

VLM 驱动的物体检测与目标选择:从二维检测到三维位姿估计
Task Planning → Motion Planning:MoveIt2 路径规划、抓取位姿生成、碰撞检测
执行反馈与视觉验证:每次动作后确认「世界真的按预期改变了」
失败分类与重新规划:抓空、碰撞、遮挡的恢复策略;机器人安全边界
如何通过 Harness Engineering 与 Skills 提升机器人任务执行成功率
如何将模型部署到真实机器

W10

项目迭代与答疑

项目产出

ROS Bag 执行回放
抓取成功率与失败分类报告
可放入简历的项目演示视频

Project 6 · Week 11–13(可提前至 Week 7–9)· 导师:Howard Cao

面向航空票务系统及企业 ERP 系统的 Agent 智能化项目

Task Agent · Self-Evolving · Enterprise ERP

由美国某科技企业航空票务 Agent 项目改造

W11

任务型 Agent 与 Self-Evolving 机制:接管航空票务

订票、改签、退款、行李、座位、政策约束 —— 任务型 Agent 最难啃的场景之一。

Dialogue State 与任务状态形式化:多轮需求澄清、意图追踪、中断恢复
政策 Grounding 与 RAG 验证:每一句回答都建立在真实政策、知识库与业务数据之上
结构化 + 非结构化数据联合推理;业务规则与逻辑约束的硬编码边界
Self-Evolving 闭环实装:Trace → 失败模式 → 改进方案 → Sandbox 测试 → 新旧对比 → 审批上线

W12

让 Agent 安全进入已有 ERP:权限、审批与审计

现实企业不会为了 Agent 重写一套 ERP。真正值钱的能力,是让 Agent 安全接入一个「已经存在」的系统。

接手既有系统:API / 数据库 / 页面能力盘点,Business Capability Mapping
ERP API → Agent Tool 封装,API-first 策略,Computer Use 补遗留功能
RBAC 最小权限、高风险操作审批、幂等性与重复提交防护、Transaction 与补偿操作
Audit Trail 全程审计与权限攻击测试
实战任务:让 Agent 找出未来两周可能缺货且销量上升的商品,生成采购建议;金额在权限内自动建采购单,超限提交经理审批 —— 全程留下完整审计信息

W13

项目迭代与答疑

项目产出

完整可运行、持续部署、可接受访问与用户实际使用的 Agent 系统 —— 直接成为你自己的项目库案例

训练营综合资源Resources

这一次的学习,绝不仅仅只是直播上课。

13 周直播课程(最快可 9 周完成)

8 月 15 日至 10 月 31 日;或快轨 8 月 15 日至 10 月 10 日 —— 开班后根据你是否接受更大 workload 实际调整。

授课时间:每周六或周日,每次 3 小时;每周实验练习约 6–8 小时。具体直播时间开课前统一通知,兼顾中美时区。

云端沙箱 · GPU · ROS 机器人环境

专门为运行、测评 Agent 构建的 Linux 沙箱系统:自动提供运算资源与实验数据,模拟真实世界用户进行性能测试。

主流 Token 统一连接 + 云端 Claude Code IDE

Claude Code Token(包括 Fable 5)/ GLM / Kimi 等主流 Token 统一连接环境;为每位同学提供云端 Claude Code 环境,在线完成各种实验。

Parallight Center 云端 IDE:左侧 Claude Code 对话,右侧实验 Lab 列表

Parallight 专属 MCP Server

自研 Parallight MCP 融入 Claude Code 和 Codex:管理实验、加载实验、进行实验指导 —— 驻留在你的编辑器里,持续指导实验、提供数据、管理进度。

Parallight MCP 在 Claude Code 内布置实验:一条命令放好整个 lab 的文件

专属 MCP 发布源

我们提供服务器并指导你制作、发布自己的 MCP 与 skills 给全世界 —— 亦可作为项目经历写进个人简介。

Parallight Agent Runtime 自动化评测

沙箱评测系统 + 评测数据:机器学习任务自动化测评;Mini-SWE-Bench 自动化测试你的长周期软件工程 Agent(问题解决能力、token 消耗等);精准记录 Agent 执行花费与 Context 窗口,是你优化系统的重要参考。

50+ 门精品课程 + 自助学习系统

超过 50 门来自世界顶级高校和实验室的 AI 与 Agent 课程作为补充资料;自助 Agent 学习中心依据你的背景提供个性化指导、可视化分析与云端沙箱 —— 所有理论立刻变为实践。

3 个解放生产力的个人 Agent 项目

智能化自动调参、GPU 调用的机器学习训练 Agent
自动化管理 OBS 录制、自动剪辑视频的生产力助理 Agent
自动化股票交易 Agent(可接入 Robinhood 真实交易)

3 个可写进简历的实战项目经历

为企业客服搭建大模型服务基础设施 —— 由美国某知名 AI Lab 项目改造
基于 ROS2 与多模态 Agent 的 UR5 机器人控制系统 —— 由美国某国际领先机器人公司真实项目改造
企业级现有 ERP 软件 Agent 升级与自动化 —— 由美国某科技企业航空票务 Agent 项目改造

导师介绍About your mentors

Marvin Gao 高老师

Parallight 创始人兼 CEO · 主讲阶段 1 与 Project 4 · 每周开放 1v1

先后就读于浙江大学与 Johns Hopkins University 计算机科学系,并在北京大学从事强化学习研究。曾任 IBM 资深 AI 科学家,研究成果发表于 JMLR、IEEE TPAMI、ICRA、AAAI 等国际顶级期刊与会议;创建了被广泛使用的多智能体强化学习框架 MARLlib。其创立的 KeploreAI(开普勒人工智能),专注企业 Agent 自动构建,最近一次以 2700 万美金估值完成 pre-seed 轮融资。至今已有 2,000+ 名工程师在他和 Parallight 的课程中受训,分布于四大洲 13 个国家。

ex-IBM 资深 AI 科学家 JMLR · TPAMI · ICRA · AAAI 浙江大学 · Johns Hopkins 2,000+ 工程师受训

LinkedIn ↗ 完整履历 →

Howard Cao 曹老师

带队 Project 5(UR5 机器人)与 Project 6(票务 + ERP)

先后就读于休斯顿大学与 Johns Hopkins University 计算机科学系,曾在亚马逊机器人从事 Robotics Vision 与 AI 相关的工程研究工作,现任 KeploreAI 首席 AI 架构师。曾负责机器人物品拣取、视觉机器人物理检测、汽车智能自动化及视觉检测智能体等多项重要项目,并在计算机视觉、视频理解等方向有丰富研究经历。

ex-Amazon Robotics Applied Scientist KeploreAI 首席 AI 架构师休斯顿大学 · Johns Hopkins 具身智能 · 企业 Agent

LinkedIn ↗

13 周里,每周的直播由高老师本人主讲并现场答疑;每位学员每周可预约一次 1v1,带着自己项目里真正卡住的地方来。日常推进由 Agentist Mentor 与助教在在线 IDE 里全程随行;阶段 2 的每个项目都配周末助教带队练习。

关于我们About us

Parallight Inc 是一家坐落在加州硅谷核心腹地 San Mateo 的人工智能公司。旗下有面向 Agent 能力提升的 Agentist,以及面向企业 Agent 性能测评的 Parallight Agent Runtime 平台工具。目前企业客户覆盖中美两国,个人用户覆盖 14 个国家。