Agent从能说到会做：一门课带你搭建企业级数字岗位操作系统

这可能是 2026 年最硬核的 AI Agent 全栈训练营。

你有没有这种感觉——

市面上 AI 课程越来越多，但大多停在"教你调个 API，搭个聊天机器人 Demo"的层面。学完以后你会发现：离真正可落地的企业级 Agent 系统，还差着一整个架构师的距离。

企业真正需要的，不是一个聊天机器人。

它需要的是一个数字岗位 OS——岗位数字员工有自己的身份、能力边界、记忆体系、任务编排、产物管理、审批链路和审计追踪。不是"让 AI 陪你聊天"，而是"让 AI 替你干活"。

这就是我们要做的事。

一、这门课讲什么？

一句话：从 0 到 1 搭建一个企业级数字岗位 OS 平台。

课程的核心产出是一个完整可运行的系统——Mateora Mini / EAO Lite。它不是 Demo，是一个可以写进简历、可以拿去面试、甚至可以继续商业化演进的AI 工作伴侣平台原型。

它长这样：

┌─────────────────────────────────────────────┐ │              数字岗位 OS 平台                  │ ├─────────────────────────────────────────────┤ │  官网 · 冷启动 · BYOK 模型接入                  │ │  LLM Gateway · Prompt · 结构化输出             │ ├──────────────┬──────────────────────────────┤ │  身份层       │  自然员工 → 岗位数字员工实例        │ │  Identity    │  roleAgentInstanceId 运行时身份   │ ├──────────────┼──────────────────────────────┤ │  专家层       │  Capability Registry 能力注册中心  │ │  Expert      │  Tool / MCP / Connector 接入     │ │              │  Runtime 授权校验 · Skill 过滤     │ ├──────────────┼──────────────────────────────┤ │  流程层       │  SOP → Playbook → DAG          │ │  Workflow    │  Workflow Engine · 人工确认       │ │              │  Long-running Task Agent        │ ├──────────────┼──────────────────────────────┤ │  项目层       │  Project Space · 产物画布         │ │  Project     │  Artifact Card · Canvas Viewer  │ │              │  记忆 · 知识 · 事实分层             │ ├──────────────┴──────────────────────────────┤ │  PostgreSQL 主事实库 · TypeDB 语义治理            │ │  Worker 执行面 · Eval · Trace · Replay          │ │  Docker Compose 生产部署 · Runbook              │ └─────────────────────────────────────────────┘

你不需要自己拼凑 RAG + LangChain + VectorDB + Workflow 然后祈祷它们能一起工作。这门课给你一整套经过架构设计的完整系统。

二、这门课跟别的课有什么不一样？

三、课程适合谁？

这门课不是零基础课程。我们假设你已经具备后端、前端或全栈开发经验。

它特别适合：

- 后端 / 全栈工程师：想转型 AI Agent 工程方向，但不想只做 Prompt 工程师

- 平台 / SaaS 开发者：想把 AI 能力嵌入企业工作台，但不知道 Agent 架构怎么设计

- 技术创业者：想做数字员工、企业 AI 工作台、智能流程系统、AI SaaS

- 架构师 / 技术负责人：需要理解 Agent、Workflow、MCP、记忆、治理如何串成可落地系统

- 求职者：需要一个高质量作品集项目用于面试、晋升或内部立项

如果你只是想"学会调用 ChatGPT API"，这门课不适合你。如果你想"学会造一个企业级 Agent 操作系统"，欢迎。

四、学完你能做什么？

课程结束后，你将具备以下核心能力：

架构能力

- 设计并实现 LLM Gateway、流式响应、结构化输出和模型调用治理

- 理解企业 Agent 与普通 Chatbot 的本质差异

- 建模自然员工、岗位数字员工实例、运行时身份与权限边界

工程能力

- 设计 Tool Runtime、MCP 接入、Connector 授权与工具审计

- 实现 Capability Registry，让能力真正进入运行时

- 构建上下文、记忆、知识和产物的分层架构

- 把长报告、研究材料、标书、PRD 变成 Artifact，而不是塞进聊天窗口

流程能力

- 设计 SOP / Playbook / DAG / Workflow Engine 的业务执行链路

- 区分 Agent Loop 与 Workflow 的边界

- 实现长任务 Worker、任务状态、事件流、取消、恢复和审计

生产能力

- 使用 PostgreSQL 作为主事实库，TypeDB 做语义治理投影

- 建立 Eval、Trace、Replay、成本治理和灰度发布体系

- 将 Agent 系统部署为生产级服务

五、作品集：你最终拥有什么？

结课后，你将拥有 4 类可展示的作品集：

1. 数字岗位 OS 平台

展示岗位数字员工、实例切换、能力治理、项目空间、产物画布。一个完整的产品原型，可以直接演示。

2. Governed Agent Runtime

展示 Tool Runtime、Capability Registry、MCP 接入、权限校验、Trace、审计。证明你理解"Agent 不能想调什么就调什么"。

3. Playbook Workflow Engine

展示 SOP 解析、Playbook DAG、Workflow 执行、人审节点、Artifact 门禁。证明你理解"流程编排不是让 LLM 自由发挥"。

4. Production Agent Platform

展示 Worker 执行、PostgreSQL 事实库、TypeDB 投影、Eval、Replay、部署与 Runbook。证明你理解"能跑和能上线是两回事"。

六、课程体系：四个阶段，十三个章节

第一阶段：基础设施（第 1-2 章）

第一章：从 Chatbot 到数字岗位 OS

建立产品和架构认知。理解为什么企业需要的不是聊天机器人，而是岗位数字员工操作系统。画出第一版产品架构图和数据对象表。

关键认知：为什么 roleAgentInstanceId 比 userId 更重要？为什么聊天区只是编排时间线，不是长文档存储区？为什么能力、记忆、审批、产物、审计都必须绑定岗位实例？

第二章：LLM Gateway、Prompt 与结构化输出

完成模型调用基础设施。支持 OpenAI Compatible API、流式响应、结构化输出、BYOK 模型接入、多模型路由与 fallback、Token/Cost/Latency 记录。

交付：/api/llm/chat、/api/llm/structured、模型调用日志表、Prompt 模板管理原型。

第二阶段：数字岗位 OS（第 3-6 章）

第三章：冷启动、岗位初始化与数字员工工作台

从官网首页到第一个岗位数字员工。实现邀请码注册、BYOK 模型接入、岗位自述生成、数字员工工作台、实例切换器。

交付：Mateora 首页、Onboarding Flow、Role Agent Instance 创建接口、Digital Employee Workbench 页面。

第四章：Capability Registry、Tool Runtime 与 MCP

让 Agent 只能调用当前岗位实例已授权的能力。注册能力、解析运行时权限、工具调用前拦截、Slash Skill 按实例过滤。

交付：Capability Registry、Tool Runtime、MCP Client 原型、Slash Command 能力过滤、Capability Usage Event。

第五章：上下文、记忆、知识与事实分层

解决 Agent 到底应该"记住什么、召回什么、写入哪里、什么才算事实"。Memory Candidate → AgentMemory → 按岗位实例召回 → 知识与记忆去重注入。

交付：Memory Candidate 表、AgentMemory 表、记忆确认 UI、Context Build Debug Report。

第六章：Chat Orchestration、Artifact Card 与 Canvas

把聊天区从"长文堆叠"升级为任务编排时间线，把长产物放进 Artifact 和 Canvas。长报告、标书、表格、图表全部 artifact 化。

交付：Artifact 数据结构、Artifact Card 组件、Canvas Viewer、长输出自动 artifact 化。

第三阶段：流程与运行时（第 7-9 章）

第七章：Agent Loop、Task Agent 与长任务执行

从单轮调用升级为可持续执行、可观察、可中断、可恢复的长任务 Agent。实现 Observe → Plan → Act → Observe → Finalize 循环，支持 Checkpoint 和 Human-in-the-loop。

交付：Agent Run 状态机、Event Stream、Task Agent 原型、Checkpoint/Resume 机制。

第八章：SOP、Playbook、DAG 与 Workflow Engine

理解 Agent 与 Workflow 的分工——Agent 理解开放问题，Workflow 执行严谨流程。SOP → Playbook YAML → DAG 校验 → Workflow 执行 → 人工确认节点 → Artifact Slot 门禁。

交付：SOP Parser 原型、Playbook Schema、Workflow Engine、Human Confirm Node、Capability Preflight Gate。

第九章：Project Space、专家、Skill 与项目化工作台

把单次对话升级成项目现场。任务、知识、专家、连接器、产物围绕项目组织。项目模板覆盖研发、招投标、交付、调研、运营等业务域。

交付：Project Space、Project Template、Expert Center 原型、Skill Registry、项目产物链视图。

第四阶段：生产化与作品集（第 10-13 章）

第十章：PostgreSQL 主事实库与 TypeDB 语义治理图

建立生产级数据面架构——PostgreSQL 记录事实，TypeDB 解释关系。身份、能力、审批、Usage、Workflow、Artifact 全部走主事实库；TypeDB 做语义投影，用于治理解释。

交付：PostgreSQL Schema、Store Interface、Outbox Worker、TypeDB 本体与投影 Demo、Governance Explanation View。

第十一章：Worker 执行面、并发、租约与运行可靠性

让长任务不依赖 HTTP 请求生命周期。Worker Runtime、PostgreSQL Leases、FOR UPDATE SKIP LOCKED、Heartbeat、幂等完成、取消策略、并发控制。

交付：Worker 进程、Job Queue、Lease/Heartbeat、Status API、Cancel API、Event Cursor API。

第十二章：Eval、Trace、Replay 与生产治理

让 Agent 系统从"能跑"变成"能评测、能回放、能灰度、能证明变好"。Golden Dataset、Task Success Rate、Tool Call Accuracy、Trace Analysis、Replay、成本统计、Runbook。

交付：Eval Runner、Benchmark Dataset、Trace Viewer、Replay Tool、Cost Dashboard、上线 Runbook。

第十三章：综合项目：从 0 到 1 交付一个数字岗位 OS

任选一个业务域（招投标 / 研发项目管理 / 市场调研 / 客户交付 / 运营增长 / 法务审查 / 企业知识管理），完成一个可演示的完整平台。最终答辩包括产品演示视频、架构图、数据模型图、核心代码讲解、Trace/Eval 报告、部署文档和面试讲述稿。

七、建议学习节奏

八、写在最后

AI 领域正在经历一个关键的转折——

2023 年，大家在学习"怎么调用大模型 API"。

2024 年，大家在学习"怎么用 RAG + Agent 搭应用"。

2025 年，真正的分水岭来了：能搭 Demo 的人很多，能搭系统的人极少。

这门课想做的，就是帮你跨过那个分水岭。

它不是一门"调用大模型 API"的课程，而是一门从 0 到 1 搭建企业级数字岗位 OS 的 Agent 全栈工程训练营。学员最终将拥有一个完整的 AI 工作伴侣平台作品集，理解 Agent、Workflow、Memory、Capability、Artifact、Project Space 和生产治理如何真正组合成可落地系统。

如果你准备好了，欢迎加入。

*了解更多课程详情、开课时间和报名方式，请在后台回复「Agent OS」获取。*

标签：AI Agent · 数字员工 · 大模型应用 · 全栈开发 · 企业智能化 · Workflow · MCP · Agent OS