生产级Agent又开课了！九月最丰富组队学习来了🥳（多达11个课程）

这是一个面向大模型入门到进阶的Notebook-first 算法实战教程，以 LLM 为主线，帮助读者通过可运行、可验证、可回顾的 Notebook，从“会看”走到“会写、会调、会优化”。A practical tutorial with theory, walkthroughs, test cases, and solutions.（1）推荐学习方法：从Part02 PyTorch算法实战入手，可以结合Part01 数学硬件与系统一起学习，后面根据需求再去学习Part03 Part04 等。（2）其中，推理优化方向这条学习路包括请求结构与指标、Prefill 与 Attention Kernel、KV Cache 状态与单步生成、KV Cache 生命周期、多请求调度与 Serving、量化部署与成本与基准比较与决策等。（3）有打卡筛选制度

适合人群：对 LLM、MLSys 显存优化感兴趣的算法工程师、开发工程师和产品经理。

学习名额：180人

开源内容

https://github.com/datawhalechina/llm-algo-leetcode

《Deep Agents 实战》基于 LangChain / LangGraph 生态，系统讲解生产级 AI Agent 的构建方法。课程按照准备篇、认知篇、核心篇和进阶篇展开，涵盖 AgentSeek 环境搭建、Agent Framework、Runtime 与 Harness 的边界、虚拟文件系统、任务规划与分解、子 Agent、异步协作、Skills、长期记忆、Human-in-the-Loop、沙箱执行、文件系统权限和 MCP 等能力。

本期组队学习聚焦第 1—9 章。学习者将从运行第一个 Deep Agent 开始，逐步完成文件系统、任务规划、子 Agent、Skills、长期记忆和人机协作实验，最后提交一个可运行的综合项目。

课程目前推荐使用最新的 Deep Agents 0.7.x 补丁版本。已经按照 0.5 或 0.6 版本学习的读者，需要先阅读版本更新说明，完成迁移检查后再继续实验。

适合人群：具备 Python 基础和 LLM API 使用经验，能够完成 Python 3.11+ 环境配置，希望系统学习 Deep Agents 与 Agent 工程化开发的学习者。

学习名额：360人

开源内容

https://github.com/datawhalechina/deepagents-in-action

这是一本面向 AI Agent 从入门到工程实践的开源教程，以“Agent = LLM＋Context＋Tools”为主线，通过理论讲解、工程案例和配套实验，帮助学习者系统理解并动手构建 AI Agent。

项目共包含 10 个章节，覆盖上下文工程、用户记忆与 RAG、MCP 与工具调用、Coding Agent、异步交互、语音、Computer Use、Agent 评估、模型后训练、Agent 持续进化和 Multi-Agent 协作。每个阶段都配有实验，可以边学边运行验证。

《Easy Data × AI》是一门从数据视角理解和构建 AI 应用的开源入门课程，围绕 Agent、RAG、Memory、Skill 与 MCP 等主题，帮助学习者理解数据如何影响 AI 应用的效果、边界和工程实现。

课程采用“道篇＋术篇”的双轨结构：道篇面向零基础 AI 爱好者和产品决策者，训练场景判断、问题归因与系统设计能力；术篇面向已经会调用 LLM API 的开发者，通过可运行代码学习流式输出、工具调用、AI Native 数据层、Agentic RAG 和 Agent 记忆系统。

此外还有产业应用篇，带大家体验真实的 AI Native 数据产品。

Hello-Agents 是 Datawhale 开源学习社区推出的系统性智能体教程，希望带领学习者理解并构建真正的 AI Native Agent。

本次入门篇从智能体基本概念和发展历程讲起，包含大语言模型基础、智能体经典范式、低代码平台和热门智能体框架。学习者会先动手跑通第一个智能体，再逐步理解智能体如何工作、如何搭建。

如果已经不满足于调用现成框架，希望进一步理解框架如何搭建，可以进入 Hello-Agents 进阶篇。

课程将从智能体经典范式走向 HelloAgents 框架的基础搭建，继续学习记忆与 RAG、上下文工程、终端能力和 MCP Server 开发。学习者还可以从三个综合案例中选择一个跑通，并通过毕业设计完成自己的智能体应用。

想用 AI 帮自己做点事情，却不知道从哪里开始？这次活动从工作、学习或生活中的一件小事出发：整理一份资料、处理一组邮件、把会议记录变成待办清单……学习者可以选择一个与自己有关的任务，跟着教程动手完成一份成果。

活动以 AI 应用教程仓库为实践平台。你可以选择现有教程进行练习，再尝试用同样的方法解决自己的问题；如果已经用 AI 完成过某项任务，也可以把操作过程整理成教程，帮助更多人跟着学习。

如果你明天开始做内容运营，怎样和 AI 一起完成工作？

本期活动从真实岗位出发，带大家了解内容运营、拆解具体任务，并借助 AI 完成文章整理、视频切片或多平台文案等实践。比如拿到一场直播录像后，你需要判断内容给谁看、哪些信息值得传播，再借助 AI 形成不同类型的内容，并检查结果能否达到发布要求。

活动采用线上组队共学＋线下实操交流的形式。每个人选择一项任务完成，不要求把所有内容学一遍，最终带走一份作品、一套可复用的方法，也更具体地认识内容运营岗位。

本实战营以“多 DSL 对比学习，建立算子开发本质认知”为核心，依托九源软件栈与沐曦 GPU、MXMACA 软件栈，系统学习九齿、Triton、TileLang 三种 DSL 的设计思想和编程范式。

学习者将进一步完成 GEMM、FlashAttention 等复杂算子实践，使用 McProfiling 定位性能瓶颈，并体验 AI Agent 辅助算子开发。最终需要使用两种技术路线完成至少两个算子的实现与优化，并将其集成到 Llama 推理中，完成正确性和性能验证。

这是一套面向深度学习学习者的系统性课程，从 PyTorch 和神经网络基础出发，逐步学习 CNN、Attention、Transformer、生成模型、多模态模型以及大语言模型，并延伸到训练、推理和系统优化等工程实践。课程强调理解原理，而不只是调用 API。通过直觉解释、数学推导、代码实现和实际实验，学习者可以把不同模型背后的核心思想连接成一条完整路径，建立继续学习现代深度学习技术的知识框架。