Agent 课程10 门

Stanford

  • Autumn 2025（第二次开课；首次为 Winter 2025）

    研究生研讨课，聚焦能通过与自身及环境交互持续自我改进的 AI Agent：test-time compute scaling、验证器、工具/代码反馈学习、多步推理与规划、RL 训练扩展、开放式进化、记忆、评测与长程任务。应用覆盖 coding agent、STEM 科研助手、机器人等。

    授课
    Aakanksha Chowdhery、Azalia Mirhoseini；CA：Chelsea Zou、Shree Reddy、Kaien Yang、Adrian Gamarra Lafuente
    时间地点
    周一／周五 16:30–17:50 PT，Skilling Auditorium（线下，不允许旁听）
    先修
    需熟悉深度学习 NLP（CS224N）或 ML 系统（CS229S）水平的内容，熟练使用 Python 与 LLM API。
    评分
    Homework 1 15%（10/13） · Homework 2 15%（10/22–23） · Homework 3 20%（11/7） · 项目 Proposal 2.5%（10/10） · 期中展示 + 报告 10%（10/24、27、31） · 期末项目 35%（12/10） · Poster 2.5%（12/12）
    作业
    • HW1：自我改进基础
    • HW2：多步推理
    • HW3：工具使用
    • 迟交政策：每季 4 天免罚，单次作业最多 2 天；之后每天扣 25%，期末报告不可迟交
    项目
    2–4 人团队的原创研究项目，可围绕课程主题或 agent workflow benchmark，课程提供 API credits；含 proposal、期中展示、期末报告与 poster。
    链接
    课程主页Stanford BulletinWinter 2025 公开录像（YouTube）Scaling Intelligence Lab
    课程安排 · 19 条
    09/22Course Overview
    09/26Test-time Compute Scaling（Large Language Monkeys、Archon）
    09/29Robust Verification（Let's Verify Step by Step、Math-Shepherd）
    10/03Learning from Feedback with Tools/Code（ReAct、RLEF、Constitutional AI）· HW1 发布
    10/06Multi-step Reasoning/Planning（SWiRL、LATS、ADaPT）
    10/10Train-time Scaling / Scaling RL（STaR、DeepSeekMath、DAPO）· Proposal 截止
    10/13Open-Ended Evolution of Self-Improving Agents（ADAS、AI Scientist、AlphaEvolve）
    10/17Self-Improvement with Search & Deep Research Agents（AlphaCode、Search-o1）
    10/20嘉宾 Melvin Johnson（Google DeepMind）：Post-training 从 Chatbot 到 Agent 的演进
    10/24–31期中展示 · HW3 发布
    11/03Agentic Frameworks for Software Engineering（CodeMonkeys、KernelBench）
    11/07Augmenting Agents with Memory · 嘉宾 Junchen Jiang（LMCache / UChicago）
    11/10嘉宾 Denny Zhou（Google DeepMind）：LLM Reasoning
    11/14嘉宾 Thang Luong（Google DeepMind）：Towards AI Superhuman Reasoning
    11/17Agentic Evaluations & Long-Horizon Tasks（METR 长任务、GDPVal）
    11/21嘉宾 Misha Laskin（Reflection AI）：Building Agentic Systems for Autonomy
    12/01嘉宾 Danny Driess（Physical Intelligence）：Multimodal AI Agents in Robotics
    12/05Future Research Areas
    12/10 · 12/12期末项目截止 · Poster 展示
  • Autumn 2026（首次开课）

    面向构建者的 Agent 工程课：从简单 LLM pipeline → compound AI system → 自主 Agent。先从零手写 RAG、工具调用、agent loop 等核心组件，再学习 DSPy、LangGraph 等框架；强调问题分解、组件选型、数据策划、评测与设计取舍。赞助方：Google、Laude Institute、Thinking Machines Lab。

    授课
    Diyi Yang、Michael Ryan、John Yang；TA：Owen Queen、Anusheh Chaudry、Shreyas Sharma、Houjun Liu
    时间地点
    周一／周三 13:30–14:50 PT，Skilling Auditorium；9/23–12/2 授课，12/7–11 期末 Demo
    学分
    3 学分
    先修
    CS224N / CS224U / CS224V / CS336 等 NLP 课程或同等背景；扎实的 Python 与 LLM API 实战经验。录像仅对注册学生开放（Canvas）。
    评分
    季度项目 50% · 其余 50% 为两次作业 + 作业后的设计决策小测
    作业
    • HW1 Agent Harness（10/5 发布，10/30 截止）：不用任何 agent 框架，仅凭 chat-completion 调用 + 自写代码搭建公司内部 AI 助手——LLM pipeline、企业邮件检索、工具、终端访问、记忆、human-in-the-loop
    • HW2 应用作业（10/26 发布，11/20 截止）：构建评测套件——代码 grader、LLM-as-judge、benchmark 任务与错误分析
    项目
    季度项目里程碑：Proposal 10/9 → 期中 Demo 视频 11/4 → 期中报告 11/6 → 10 分钟论文视频 11/13 → 互评两份视频 11/30 → 期末报告 + 系统 Demo 12/7–11。
    链接
    课程主页Lecture 1 讲义（PDF）HW1 仓库
    课程安排 · 20 条
    09/23Foundations & Landscape：什么是 agentic system（Zaharia et al. 2024）
    09/28LLMs for Builders：内部机制、解码、post-training、context engineering
    09/30Building Blocks：RAG、索引、检索器、agentic RAG；项目介绍
    10/05Tool Use & Function Calling（MCP 规范）· HW1 发布
    10/07Frameworks & Agent Design：DSPy、LangGraph、agent harness
    10/12Agent Design Patterns & Scaffolds（ReAct）
    10/14Memory & Multi-Agent Systems（MemGPT）
    10/19Multi-Agent Systems（AutoGen）
    10/21Optimization：prompt、fine-tuning、test-time compute（GEPA）
    10/26嘉宾 Ryan Marten & Alex Shaw（Laude Institute）：Terminal-Bench · HW2 发布
    10/28Data for Agentic Systems：trace、合成数据、data flywheel
    11/02Data Selection & Quality（SWE-smith）
    11/04Evaluation Fundamentals & Benchmark Design
    11/09LLM-as-Judge & Evaluation Infrastructure
    11/11Agent Safety & Guardrails
    11/16嘉宾讲座（TBA）
    11/18Coding & Software Agents：SWE-agent、Claude Code、OpenHands
    11/30Proactive Agents：user model、next-action prediction、mixed initiative
    12/02Open Problems & Final Demos
    12/07–11Final Project Demo Day
  • 2026–27 Autumn 列入 Bulletin（暂无开课 section）

    回顾社会、行为与计算科学数十年来模拟个体与社会的努力：从 agent-based modeling 到基于生成式 AI 的 generative agents（Smallville 一脉），并讨论人类行为模拟的机会、挑战与伦理。

    授课
    Bulletin 未列出授课教师
    学分
    3–4 学分，Letter grading
    先修
    无硬性先修；团队项目与部分作业需 Python。有人本设计（CS 147 / ME 115A / d.school）、AI（CS 221 / CS 224 系列）或社会心理学背景更佳。
    项目
    团队项目。
    链接
    Stanford BulletinGenerative Agents 论文（Park et al. 2023）

    开课信息以 Stanford ExploreCourses 为准。

  • 项目课（往年开设）

    以项目为核心，构建并评测基于 foundation model 的 agentic AI 应用：从 prompting、RAG 到 agentic AI，并关注可信度、评测与风险。

    授课
    见课程主页
    链接
    课程主页Syllabus

Harvard

  • Fall 2026（新课，班额已扩至 80 人）

    贯穿一个 agentic system 的全栈：从 agent loop 一直到 LLM serving 栈。Part I 先用 Claude Code 等 coding agent，再自己设计 agent（context 管理、工具设计、多 agent 架构、记忆、可靠性、评测、成本）；Part II 讲高效 serving——batching、paging、并行、speculative decoding、prefix caching、剪枝量化、路由与负载均衡，以及 agent 与引擎的 co-design。无考试。

    授课
    Juncheng Yang；TF：Yiyu Liu、Advaith Ravishankar、Charles Wang、Yunjia Zheng
    时间地点
    周一／周三 11:15–12:30 ET，SEC LL2.229
    先修
    CS61 + 至少一门研究生级计算机系统课；默认熟悉 Python 与 PyTorch。允许旁听但不提供算力。
    评分
    A1 Mads-Lens 10% · A2 Mads-Loop 10% · A3 Mads-Opt 20% · A4 Mads-Serve 20% · A5 Mads-Stack 10% · 期末项目 20% · 课堂参与 10% · 加分：学生分享每次最多 4%、课程反馈最多 6%、提交“当前 AI 解不了的问题”每个 2%（上限 10%）
    作业
    • A1 Mads-Lens：观察 agent 如何工作（需 Claude Code，9/20 截止）
    • A2 Mads-Loop：自己搭 agent loop（需模型 API，10/4 截止）
    • A3 Mads-Opt：让每个 token 都值钱（10/20 截止）
    • A4 Mads-Serve：自己写 serving 引擎，在课程 GPU 上跑模型（11/10 截止）
    • A5 Mads-Stack：全栈优化（11/29 截止）
    项目
    Proposal 10/28；Poster + Demo 12/7（SEC 1.402，9:00–13:00）；期末提交 12/8。
    链接
    课程主页课程博客LeaderboardHarvard 课程目录
    课程安排 · 25 条
    09/02Course overview · A1 发布
    09/09Agents use I：How Claude Code Works
    09/14Agents use II：100x Engineer with Multi-agents
    09/16Agents design I：context management 与 tool design
    09/21学生分享 I · A2 发布
    09/23Agents design II：multi-agent 架构、协调、通信
    09/28Agents design III：agent memory 与可靠性
    09/30Agents design IV：agent evaluation
    10/05嘉宾 Harsh Nilesh Pathak（Snowflake）：企业场景下开发与评测 Agent · A3 发布
    10/07Advanced agent design I：成本与性能
    10/14Advanced agent design II：agent safety、self-evolving harness
    10/19Efficient LLM serving basics I：LLM 入门
    10/21Efficient LLM serving basics II：GPU 入门 · A4 发布
    10/26作业反馈 + A3 学生分享
    10/28Serving basics III：batching、paging、parallelism · Proposal 截止
    11/02Speculative decoding
    11/04Efficient agentic systems：scheduling 与 prefix caching
    11/09嘉宾 Xianzheng Kou（Meta）：Why Infrastructure Sets the Pace of AI
    11/11Pruning 与 quantization · A5 发布
    11/16KV-cache 优化与模型架构（学生）
    11/18学生分享 III：引擎优化与 agent-engine co-design
    11/23Efficient agentic systems：routing 与 load balancing
    11/30Efficient agentic systems：其他
    12/02学生分享 IV：全栈优化展示（A5）
    12/07期末项目 Poster & Demo
  • COMPSCI 2881R

    AI Safety ↗

    Fall 2026（第二次开课；首次为 Fall 2025）

    研究生级 AI 对齐与安全课，覆盖技术问题与社会影响：cyber 能力、LLM 训练与推理、递归自我改进、RL post-training 与 reward hacking、模型政策、开源模型、可解释性、生物安全、监管。每节课配一个学生小组的实验展示；鼓励大量使用生成式与 agentic AI 完成作业并提供算力补贴。

    授课
    Boaz Barak；TF：Natalia Siwek、Terry Zhou、Michael Shoemate、Ege Çakar、Itay Lavie、Lia Zheng、Hugh Van Deventer
    时间地点
    周四 15:45–18:30 ET，Room 2112, 114 Western Ave, Allston；9/3–12/3 共 13 讲，必须线下出席
    先修
    数学成熟度（证明、概率、信息论）；ML 基础达到 Harvard CS 181 / MIT 6.036；Python 与训练基础神经网络经验。需先提交 HW0（2026/8/5 截止）与报名表。
    评分
    评分方式待定（2025 版含论文复现期中 + NeurIPS 风格期末论文）
    作业
    • HW0（入学筛选）
    • 实验展示（每讲一个小组）
    • Scribe notes
    • 可能的作业／mini-project
    项目
    期末项目。
    链接
    课程主页Fall 2025 归档Lecture 1 博客Lecture 3 录像
    课程安排 · 13 条
    09/03Introduction · 实验：Is Chain of Thought an Interchangeable Scratchpad?
    09/10Cyber Capabilities · 嘉宾 Nicholas Carlini（Anthropic）
    09/17Modern LLM Training and Inference
    09/24Recursive Self-Improvement and AI Trajectories · 嘉宾 Dwarkesh Patel、Daniel Kokotajlo
    10/01Economic Impact of AI · 嘉宾 Chad Jones、Erik Brynjolfsson
    10/08Grading, Reward Hacking, and Alignment · 嘉宾 John Schulman
    10/15Model Policies · 嘉宾 Ziad Reslan
    10/22Q&A with Sam Altman；Open-Source Models · 嘉宾 Nathan Lambert
    10/29Frontier AI Regulation Under Uncertainty · 嘉宾 Helen Toner
    11/05AI Interpretability and Model Welfare · 嘉宾 Jack Lindsey、Jeff Sebo
    11/12Alignment in the Age of Recursive Self-Improvement；AI Policy · 嘉宾 Jakub Pachocki、Brad Carson
    11/19AI Biosecurity and Threat Modeling · 嘉宾 Luca Righetti
    12/03TBD · 嘉宾 Ajeya Cotra（METR）、Roy Rinberg

    授课教师同时为 OpenAI 技术人员，课程声明会讨论多家厂商的模型。

  • 4 周在线课，2026/12/2–12/30 开班，$595

    面向业务与管理人员的非学位课程，由 Hanspeter Pfister 领衔，讲 agentic AI 的商业应用与风险。

    授课
    Hanspeter Pfister
    链接
    课程页面

CMU

  • Fall 2026（LTI 新课）

    OpenHands 作者 Graham Neubig 与 Daniel Fried 主讲的研究生课：工具使用、长上下文管理、技能与记忆、规划与多 agent 协调；coding / GUI / deep research 三大领域；SFT → RL 基础 → 高级 RL → RL 系统的完整训练线；沙箱与凭据管理、可观测性；OpenHands、LangGraph 框架；人机与多 agent 交互；reranking、critic、树搜索。目标：学会搭 scaffold、建 eval、用 RL 训出 agentic LLM。讲义与录像公开。

    授课
    Graham Neubig、Daniel Fried；TA：Aditya Soni、Andy Liu、Apurva Gandhi、Demi Wang、Jiarui Liu、Yueqi Song
    时间地点
    周二／周四 15:30–16:50 ET，Porter Hall 100；8/25–12/3，共 28 次课
    先修
    需有训练神经语言模型的经验；推荐先修 11-667、11-711 或 10-202。
    评分
    Assignment 1 10% · Assignment 2 15% · Assignment 3 15% · Lecture highlights 10%（22 次机会取最好 20 次，24 小时内不借助 AI 手写） · 团队项目 50%（proposal、check-in、poster，期末报告占 30%） · 迟交：每次作业 2 个 24 小时 slack day，之后每天扣 5%
    作业
    • A1 Harness（9/14 截止）：从零搭 ReAct agent、skills、context compaction，并实现 ChessAgent
    • A2 Eval（9/24 截止）：设计评测框架
    • A3 Training（10/22 截止）：实现训练流程
    项目
    围绕 agent 领域开放问题的团队研究项目；12/1、12/3 以 poster 做期末展示。
    链接
    课程主页公开录像（YouTube）A1 仓库A2 仓库
    课程安排 · 24 条
    08/25Course Overview: What Is an Agent?（Fried + Neubig）
    08/27Agent Capabilities 1：Tool Use
    09/01Agent Capabilities 2：Context Management for Long-Context Agents
    09/03Agent Capabilities 3：Skills and Memory
    09/08Agent Capabilities 4：Planning、Task Decomposition、Multi-Agent Coordination
    09/10Domains 1：Coding Agents
    09/15Domains 2：GUI / Computer-Use Agents（JY Koh）
    09/17Training 1：Supervised Fine-Tuning（Yueqi Song）
    09/22Training 2：Reinforcement Learning Basics
    09/24Domains 3：Deep Research Agents（Akari Asai）
    09/29Training 3：Advanced RL Algorithms
    10/01Training 4：RL Systems（Apurva Gandhi）
    10/06Safety 1：Sandboxing and Credential Management
    10/08Frameworks 1：OpenHands
    10/20Frameworks 2：LangGraph
    10/22Safety 2：Observability and Monitoring（Eric Wallace）
    10/27Agents and the Future of Work（Zora Wang）
    10/29Interaction 1：Multi-Agent Interaction（Saujas Vaduguru）
    11/10Interaction 2：Human-Agent Interaction（Valerie Chen）
    11/12Search 1：Reranking and Critic Models
    11/17Search 2：Tree Search（JY Koh）
    11/19嘉宾 Karthik Narasimhan（Princeton）
    11/24嘉宾 Sasha Rush
    12/01 · 12/03期末 Poster 展示
  • Spring 2026（1/13–4/23）

    25 讲 LLM 应用课：prompting vs. fine-tuning、embeddings、RAG 与 deep research（连续四讲）、任务型对话、工具使用、写作与创意助手、LLM 做评测与仿真、多 agent 系统、代码助手（含 coding agent 嘉宾讲座）、安全与攻击、跨文化、world model、生物、音乐、机器人与部署。作业 notebook 与模板公开，可在校外自学。

    授课
    Fernando Diaz、Daphne Ippolito
    先修
    先修 11-667 / 11-711 / 10-423 或同等 LM 基础课；Python + Jupyter；能读近期 ML 论文（讲义仅有 slides）。
    评分
    三次作业合计 30% · 期末项目 40% · 其余 30% 见 syllabus
    作业
    • HW1：Prompting、Finetuning、Retrieval 与 Embeddings（两份 notebook + 标注数据集 + LaTeX 报告）
    • HW2：Chatbots、Agents 与 Assistants
    • HW3：Language Models beyond Natural Language
    项目
    深入探索一个 LLM 应用的期末项目。
    链接
    课程主页ScheduleSyllabusAssignmentsGitHub
  • 秋季开设（11-768 推荐先修）

    研究生 LLM 方法课，从核心架构到前沿技术，是 11-768 AI Agents 与 11-766 的推荐先修课；也是 CMU 在线 GenAI & LLM 证书课程序列的第一门。

    授课
    见课程主页
    链接
    CMU GenAI & LLM 证书课程CS 自学指南条目

课程信息整理自各课程官网与学校 Bulletin（2026-10）；开课时间、评分与安排以官网最新公告为准。