《智能体工程与知识工作流》课程体系说明

🔁 从“提示词技巧”到“设计、运行与演进智能体系统”

1. 课程概述

在生成式 AI 与智能体（Agent）技术高速发展的今天，越来越多的企业与科研团队开始尝试用 AI 代替传统知识工作、辅助决策或自动化流程。然而，大多数学习者仍停留在“使用模型生成文本或答案”的阶段，缺乏系统化方法和工程化思维，导致工作成果零散、难以复用，也无法沉淀知识资产。

本课程将生成式思维作为智能体工程的第一性原理，超越传统“搜索式思维”，从单次生成答案的工具使用者，升级为能够设计、编排、迭代智能体工作流的系统思维者。基于这一认知，《Git4GenThinking — 智能体工程与知识工作流课程》不仅是一门教你如何使用工具和模型的课程，更是一门 系统性工程课程。它带领学习者从概念理解、方法论训练，到 Agent Skill 封装、Workflow 设计与 MCP 协议集成，最终实现可运行、可复用、可演进的智能体系统构建能力。我们像开发软件一样“开发”知识体系，像管理代码一样管理 AI 提示词与智能体配置。

课程封面

👥 课程适合人群

适合那些不满足于“知其然”，更希望“知其所以然”的学习者。如果你是一位需要设计复杂AI系统的架构师、一位希望将AI深度融入组织流程的管理者，或是一位渴望建立系统化知识体系的研究者，这门课能为你打下坚实的思维基础。

希望系统性理解 Agentic AI 的知识工作者
正在探索 Agentic Workflow 的开发者与研究者
对“AI + 知识工程 / 自动化 / 组织协作”感兴趣的实践者
不满足于碎片化“提示词技巧”的系统学习者

2. 课程目标

教学目标不仅是工具堆堆砌，而是深入探讨在 AI 具备生成、推理与行动能力的前提下，如何将传统工作流重构为具备鲁棒性与演进能力的智能体网络。

维度	课程目标描述
认知目标 (Thinking)	建立智能体工程观，理解 AI 从“对话工具”到“系统要素”的范式转变。
方法目标 (Method)	掌握知识任务的结构化与协议化方法，利用 SCORE、MVX 等框架设计可复用的工作流。
能力目标 (Skill)	掌握 Agent Skills（规划、反思、工具调用等），并映射至实际业务场景。
系统目标 (System)	理解状态、记忆、约束、接口在智能体系统中的核心作用。
工程目标 (Engineering)	构建最小可行智能体（MVA），理解 MCP 等协议在多智能体协作中的意义。
实践目标 (Practice)	实现从“临时对话”向“可复用、可审计、可协作的工作流资产”的转型。

3. 课程学习方法论

课程采用统一的方法框架 MVX 四步法，一种面向生成式系统的学习框架，避免“做完一次就结束”的学习陷阱。MVX借鉴了敏捷开发（Agile）与精益思想（Lean）中“以最小可行成果驱动迭代、以真实反馈持续改进”的核心原则，将复杂的智能系统学习过程拆解为可验证、可积累的学习阶段。

MVX敏捷学习方法框架

在 MVX 框架中，学习不以“是否学会某个功能”为终点，而以“是否形成可运行、可复用的系统能力”为判断标准。通过 MVW（最小可行工作流）→ MVG（最小可行生成系统）→ MVR（最小可运行资产）→ MVA（最小可行智能体） 的递进路径，学习者像推进一个敏捷项目一样，不断交付“可运行的中间成果”，避免一次性设计与空洞理解。这一过程强调快速验证、持续反思与价值沉淀，使学习本身成为一条可持续演进的工程化路径，而非一次性的知识消费。

4. 课程体系设计

本课程构建了一个四层递进（入门启蒙 → 认知范式 → 能力组件 → 系统实现）的课程体系，确保不同背景的学习者都能找到切入点：

课程系列	阶段定位	核心教学重点	对应 MVX 阶段	预期学习成果
🐣 入门篇 (Onboarding)	直觉培养	生成式 AI 基础能力、高效对话直觉、基础 Prompt 模板使用	Quick Start	消除 AI 恐惧，实现从 0 到 1 的单点任务增效
📚 理论篇 (Theory)	认知建模	智能体工程观、SCORE 框架、知识工作流（Workflow）建模方法论	MVW (Workflow)	理解“系统化生成”逻辑，具备拆解模糊任务的能力
🛠️ 工具篇 (Tooling)	能力解构	Agent Skill（规划/反思/工具调用）、Cherry 助手封装、RAG 基础实战	MVG & MVR (Grammar/Runtime)	熟练配置与组合智能体能力单元，实现工作流自动化
🚀 开发篇 (Development)	工程落地	Agentic Workflow 设计、MCP 协议协作、多智能体系统（MAS）构建	MVA (Agent)	具备设计、实现与演进复杂智能工作系统的架构能力

5. 课程 Git 分支策略设计

Git 不仅是托管工具，更是课程运行的核心基础设施。通过四分支协作模型，使学习过程具备工程化、可追溯特征。

分支名称	分支定位	承载内容
`main`	稳定基线	已验证、可复用的课程标准讲义与示例工程
`dev`	教学演进	讲义修订、实验流程调整等演进中的内容
*`feature/`**	功能探索	教学辅助工具、实验脚本或局部功能验证
`learning`	学习轨迹	学员个人已完成、阶段稳定的作业与实验成果

Git 成为连接学习、反馈与课程演进的统一载体。学习不再是一次性提交作业，而是一个持续构建、反思与积累的过程。Git 也不只是工具，而是课程方法论本身的重要组成部分。

6. 如何开始学习

本课程采用 Git 驱动的学习与作业提交模式。所有学习成果、实验记录与作业提交，均通过 Git 仓库进行版本化管理。

Fork课程仓库

点击仓库页面右上角的 Fork 按钮，将课程仓库复制到你的GitLink账号下。 Fork后，你将拥有一个独立可写的个人仓库，用于完成课程中的所有实验与作业。

Clone到本地

将你的 Fork 版本克隆到本地电脑：

`git clone [https://gitlink.org.cn/你的用户名/Git4GenThinking.git]`

进入项目目录：

cd Git4GenThinking

此时你已经拥有一份完整的本地学习环境。

创建你的学习分支（推荐做法）

请不要直接在 main 、dev或’feature‘ 分支上进行作业修改。为每次实验或作业创建独立的分支，例如leraning/{yourname}

git checkout -b learning/zhangshan

后续所有修改、提交均在该分支中完成。

8. 课程的独特价值

生成式思维课程体系的独特之处在于其 “工程化”和“元认知” 的定位。

提供可迁移的“工程思维”，而非固化的“工具技能” ：热门课程往往绑定特定平台（如Coze、OpenClaw）或特定厂商的技能格式（如Anthropic Skills）。而Git4GenThinking的课程聚焦于问题本身：如何拆解模糊任务（MVW）、如何与机器高效沟通（MVG）、如何设计有状态的系统（MVR）。这套方法论是超越具体工具的，能让你在面对未来任何新平台、新协议时，都能快速洞察本质并加以驾驭。
将“学习过程”本身作为“工程实践” :课程设计的独特之处在于 MVX框架和 Git 分支策略的结合。这不仅是在学AI，更是在用最规范的软件开发方式管理自己的知识资产。这种严谨性是其他速成课难以比拟的。
着眼未来的“系统架构”，而非局部的“功能点” ：当其他课程教你如何调用一个API、写一个Prompt或安装一个Skill时，Git4GenThinking 课程在探讨”状态”、”记忆”、”约束”、”接口”在系统层面的作用，并引入了 MCP协议作为多智能体协作的“通用语”。这让你从一开始就站在了构建复杂、可协作、可演进的智能体网络的视角，而非孤立地实现几个功能点。

如果说Agent Skill 课程是教你“如何更礼貌地向 AI 许愿”，OpenClaw 是塞给你一个“极度危险但能干活的隐形仆人”，那么 《Git4GenThinking》 则是把你带进控制室，通过“结构化”对抗模型的不确定性，并掌握编排智能体协作以完成复杂任务的。