AI Agent+MCP从零打造个人编程智能体完整课程上线

背景

随着大型语言模型（LLM）能力的快速提升，AI Agent（智能体）成为将大模型能力落地到实际应用的关键方向。传统的 LLM 调用方式只能完成单轮问答，无法自主使用工具、持久化记忆、执行复杂任务。与此同时，MCP（Model Context Protocol）协议的出现，为 AI Agent 提供了标准化的外部工具接入机制，使其能够操控数据库、终端、浏览器、文件系统等真实环境。LangChain 和 LangGraph 等框架则进一步降低了 Agent 的构建门槛。该课程《AI Agent+MCP从0到1打造个人专属编程智能体》正是针对这一趋势，从零开始系统讲解如何构建一个具备编程辅助能力的全栈 AI Agent，覆盖了从基础概念到实际项目落地的完整流程。

核心内容

该课程共 20 章，完整内容如下（根据目录整理）：

• 第1章 课程简介：介绍课程目标和学习路径。
• 第2章 智能体必学必会的那些事——AI智能体的基础概念和技术架构：讲解 Agent 的定义、核心特性（自主性、适应性、交互性）、与大模型的区别、主流产品对比（DeepResearch、Manus、GLM沉思、通义千问）、技术架构（LangGraph + LLM + Tools + MCP + RAG）以及 5 级分层。
• 第3章 AI智能体开发之大模型调用：包括 Python 环境搭建（Anaconda、uv）、Ollama 本地大模型部署、langchain-ollama 调用、Ollama 流式调用、阿里云百炼平台大模型调用、LangChain 框架基本概念。
• 第4章 AI智能体开发之LangChain大模型工具开发：深入 LangChain 的提示词模板（PromptTemplate、ChatPromptTemplate、FewShotPromptTemplate）、链式调用、工具注册（tool 装饰器、args_schema）、自定义工具全流程开发。
• 第5章 AI智能体开发之内置工具调用+返回体控制能力：使用 langchain.agents 快速创建 Agent、JsonOutputParser 规范返回值、PythonREPL 工具、解析器（PydanticOutputParser、DateOutputParser）等。
• 第6章 AI智能体开发之深入MCP协议：MCP 原理、发展现状、高德 MCP 服务接入、langchain_mcp_adapters 创建客户端、复杂路径规划与可视化展示、stdio 通讯协议实现本地 MCP 服务端+客户端。
• 第7章 AI智能体开发之Cursor+MCP接入：Node 环境搭建、LangChain+MCP 读取 Playwright 工具、LangGraph+create_react_agent 运行 Playwright、Cursor 安装与接入 Playwright MCP 服务、Cursor 集成 Github MCP 服务、高德 MCP 旅行计划、小项目二次开发。
• 第8章 AI编程智能体项目规划+多轮对话能力实现：项目架构设计、多轮对话原理、LCEL 构建、ChatMessageHistory 解决历史对话注入、RunnableWithMessageHistory 构建多轮对话 Runnable、FileChatMessageHistory 持久化、Runnables 组件核心功能。
• 第9章 AI编程智能体记忆能力实现：Agent 内存能力、Redis 环境搭建与 RedisSaver 持久化、MongoDB 环境搭建与 MongoDB 持久化、文件持久化 FileSaver 原理与实现、基于 FileSaver 的多轮对话。
• 第10章 AI编程智能体开发之终端控制工具开发：subprocess run/Popen 方法、MCP 工具封装与 Agent 集成 shell，终端新增工具、向终端输入脚本命令并获取信息、Cursor 封装终端 MCP 工具、MacOS/Windows 终端工具开发。
• 第11章 AI编程智能体开发之知识库开发：知识库相关（目录中未列出小节，但标题暗示 RAG 学习）。
• 第12章 AI编程智能体开发之RAG自学习机制：百炼 SDK 获取文件上传租约、上传文件至数据中心、添加文件至指定分类、文件上传状态查询、创建百炼知识库 API、提交向量化任务、查询状态、知识库查询与追加向量化、基于百炼知识库的 MCP 工具封装、智能体实现自总结+自学习+自沉淀知识能力。
• 第13章 AI编程智能体开发之浏览器控制开发：浏览器控制能力（目录中未列出小节）。
• 第14章 AI编程智能体开发之实现Agent运行沙盒：lima-vm 虚拟机工具安装、docker nginx 环境搭建、docker-compose 安装、nginx uploads 配置、前端发布原理、封装 shell 执行命令工具、上传文件夹 MCP 工具开发、智能体自动编码部署。
• 第15章 AI编程智能体开发之数据库工具开发：Docker 搭建 MySQL、MCP MySQL 工具创建、通用查询方法封装、列举数据库表、查询表结构、插入/更新/删除数据工具开发、Agent 连接实现 AI 控制数据库。
• 第16章 AI编程智能体开发之LangGraph多智能体架构：LangGraph 工作流构建、提取关键词节点、百度搜索节点、MessagesState 类继承扩展、多智能体架构（Supervisor 架构）、信息打印优化。
• 第17章 AI编程智能体开发之实现代码辅助开发能力：LangGraph 实战案例（工作流构建、导出图片、关键词提取、搜索、回复节点）、多智能体架构构建。
• 第18章 智能体实际项目中落地：小慕书城前端页面自动化开发：基于 vue3-element-admin 项目模板创建前端项目、使用终端工具解决运行报错、通过 LangGraph Supervisor 架构搭建编程智能体并执行简单编程任务。
• 第19章 智能体实际项目中落地：小慕书城后端API与数据库自动化开发：使用自研 Agent 完成数据库任务、Code Agent 初始化项目、数据库测试数据造数、编写数据库连接代码、编写测试接口及 curl、CRUD 接口代码及 BUG 修复、扩展查询接口支持筛选排序翻页。
• 第20章 课程总结与技术整合展望：总结课程内容，展望未来技术整合方向。

关键要点

• AI Agent 核心能力：大模型调用、工具使用（MCP 协议）、多轮对话、持久化记忆、终端控制、浏览器控制、数据库操控、沙盒运行、知识库自学习（RAG）、多智能体协作（LangGraph Supervisor）。
• MCP 协议：作为标准化外部工具接入协议，支持高德地图、Playwright、Github、本地 Shell 等多种工具，通过 stdio 或 HTTP 实现服务端与客户端通信。
• LangChain 与 LangGraph：LangChain 提供提示词模板、工具注册、解析器、Agent 创建等基础组件；LangGraph 用于构建有状态的工作流和多智能体架构（如 Supervisor 模式）。
• 持久化方案：支持 Redis、MongoDB、FileSaver 等多种方式实现 Agent 记忆持久化，确保多轮对话连续性。
• RAG 自学习机制：通过百炼 SDK 上传文件、创建知识库、向量化，使 Agent 能在运行时自主总结、学习、沉淀知识，实现动态知识更新。
• 沙盒与部署：使用 lima-vm 虚拟机创建隔离环境，Agent 可自动部署前端项目（nginx）并上传文件，实现从编码到部署的自动化。
• 实际项目落地：以“小慕书城”为案例，覆盖前端（Vue3）和后端（数据库）的全流程自动化开发，包括项目初始化、数据库操作、代码生成、BUG 修复、接口扩展等。

意义与影响

该课程系统性地整合了 AI Agent