描述
內容簡介
| ．釐清AI Agent的本質與應用價值，並界定它與RAG、Workflow的區別與聯繫
．回顧從傳統代理人到生成式LLM - Agent的歷史演進與主流分類 ．拆解AI Agent的三大能力與行為決策運行機制 ．詳解LLM - Agent五大模組：LLM、角色、記憶、規劃、行動 ．系統說明提示工程、函式呼叫、RAG、微調與訓練／推論優化等核心範式 ．建立LLM-Agent的能力評估體系與評估方法 ．橫向比較六大開發框架：LangGraph、CrewAI、Swarm、AutoGen、 OpenAI Agents SDK、Google ADK ．提供從零打造通用AI Agent的八個步驟與多代理人設計 ．深入MCP與A2A協定，串接Agent之間的通訊協同 ．以Coze、Dify、LangGraph實戰，從ReAct走到企業級多代理人落地部署 ．用DeepSeek模型實作企業級ChatBI與智慧客服，落地電商與金融場景 ．前瞻多模態、具身智慧、智慧駕駛與AGI，並探討倫理與安全議題
【書籍簡介】 本書共分 10 章，依「技術原理篇、落地實戰篇、前沿探索篇」三大篇章編排。第一章快速認識 AI Agent，說明其應用價值、本質，以及與 RAG、Workflow 的關係。第二章講解 AI Agent 的基礎原理與關鍵技術，涵蓋三大能力、五大模組與提示工程、函式呼叫、RAG、微調等範式，並介紹能力評估。第三章介紹主要開發框架（LangGraph、CrewAI、Swarm、AutoGen、OpenAI Agents SDK、Google ADK）與從零構建通用 Agent 的步驟。第四章深入 MCP 與 A2A 通訊協同。第五章是實戰一，基於 Coze、Dify 平台並剖析 ReAct 框架構建 Agent。第六章是實戰二，以 LangGraph 完成架構選型、工具呼叫、長短期記憶與企業級多代理人部署。第七章以 DeepSeek 模型打造企業級 ChatBI Agent，落地電商與物流。第八章建構智慧客服系統並應用於金融行業。第九章探索 AI Agent 前沿應用，包含電信開發平台與多模態 Agent。第十章展望 AI Agent 的高階形態、AGI 發展路徑，以及資料隱私、技術侷限與法律合規等倫理與安全挑戰。 |
作者簡介
| 李希沅
．連續創業，融資過億元。 ．LLM資深專家。 ．北京數致未來科技首席科學家。 ．轉轉集團大數據前平台負責人。 ．東方國信前大數據架構師。 ．擅長LLM應用技術，擁有10餘年數據架構經驗。 ．擁有豐富的企業內訓經驗。 ．打造過「大數據架構師」、「AI大模型工程落地計畫」等大型體系課程。 ．抖音號、視頻號、B站帳號「西瓜講大模型」主理人。
王甲君 ．理學碩士。 ．LLM算法工程師，專注於AI大模型應用開發，5年AI算法建模經驗。 ．中國電子（CEC）某二級公司高級算法開發工程師。 ．北京東方國信（BONC）前AI算法工程師。 ．2019年畢業於遼寧師範大學海洋經濟中心（教育部人文社會科學重點研究基地）。 ．本科畢業於延邊大學理學院。 ．發表過多篇科技論文與公眾號技術文章。
武天富 ．中國聯通軟件研究院數據中台研發事業部方案專家。 ．擁有10 餘年大數據與人工智慧領域建設經驗，擅長海量大數據處理、算法框架建設、業務算法落地、AI數據集建設等，在電信領域的AI應用實踐方面經驗豐富，多次獲得集團科技攻關獎項。 ．近3年多次參與人工智能與大數據領域的行業標準編寫，擁有多項技術專利。 ．畢業於山西財經大學。
解敏 ．菜鳥集團平台產品＆數據平台＆人工智能部產品總監。 ．曾就職於阿里巴巴淘寶、阿里雲，現就職於菜鳥集團，獲專利12項。 ．從零到一創建Quick BI、DataWorks數據管理、DataWorks-DQC數據質量控制等阿里雲產品，支持多項專有雲商業化項目交付。 ．具有大數據、人工智慧在物流領域的豐富實踐：快速數字化、電子面單、物流雲、物流ChatBI、AIData、AI+等。 ．CCSA大數據技術標準推進委員會編委。 ．DAMA中國會員圓桌嘉賓。 ．參編《數據標準管理實踐白皮書》。 ．中國互聯網協會數據安全與治理工作委員會特聘專家。 |
目錄
| 技術原理篇
第1 章 快速認識AI Agent 1.1 為什麼需要AI Agent 1.1.1 AI Agent 的應用價值 1.1.2 AI Agent 的本質 1.1.3 AI Agent、RAG 與Workflow 的區別和聯繫 1.2 AI Agent 的歷史與發展 1.2.1 從傳統代理人到生成式AI Agent 1.2.2 LLM-Agent 的興起 1.3 AI Agent 的類別與特點 1.3.1 AI Agent 主流分類 1.3.2 AI Agent 的特點 第2 章 AI Agent 基礎原理與關鍵技術 2.1 AI Agent 基礎原理 2.1.1 AI Agent 的定義與三大能力 2.1.2 AI Agent 的行為決策運作機制 2.2 LLM-Agent 的主要模組 2.2.1 LLM 模組 2.2.2 角色模組 2.2.3 記憶模組 2.2.4 規劃模組 2.2.5 行動模組 2.3 LLM 常見技術或應用範式 2.3.1 提示工程 2.3.2 函式呼叫 2.3.3 檢索增強生成 2.3.4 微調 2.3.5 訓練最佳化與推理最佳化 2.4 LLM-Agent 能力評估 2.4.1 LLM-Agent 評估概述 2.4.2 LLM-Agent 評估體系與方法 第3 章 AI Agent 開發框架與一般步驟 3.1 AI Agent 的主要開發框架 3.1.1 LangGraph 3.1.2 CrewAI 3.1.3 Swarm 3.1.4 AutoGen 3.1.5 OpenAI Agents SDK 3.1.6 Google Agent Development Kit（ADK） 3.2 從零開始建構通用 AI Agent 3.2.1 選擇合適的 LLM 3.2.2 定義 AI Agent 的控制邏輯 3.2.3 定義 AI Agent 的核心指令 3.2.4 定義並最佳化 AI Agent 的核心工具 3.2.5 制定可靠的記憶處理策略 3.2.6 解析 AI Agent 的原始輸出 3.2.7 安排 AI Agent 的下一步行動 3.2.8 多代理人的設計 第4 章 AI Agent 的 MCP 與通訊協同 4.1 AI Agent 的 MCP 4.1.1 MCP 與 AI Agent 4.1.2 基於 MCP 的 AI Agent 問答知識庫建構 4.2 AI Agent 通訊協同 4.2.1 什麼是 A2A_ 4.2.2 A2A 與 MCP 之間的關係 4.2.3 A2A 架構設計實作剖析 落地實戰篇 第5 章 AI Agent 建構工程實戰 1——基於Coze、Dify 平台建構AI Agent 5.1 ReAct 框架核心原理深度剖析 5.1.1 ReAct 框架的核心原理剖析 5.1.2 ReAct 框架的核心程式碼實作 5.2 AI Agent 三大能力深度剖析 5.2.1 AI Agent 規劃能力剖析與程式碼實作 5.2.2 AI Agent 行動能力剖析與程式碼實作 5.2.3 AI Agent 記憶能力剖析與程式碼實作 5.3 基於 Coze 平台建構 AI Agent 5.4 基於 Dify 平台建構 AI Agent 第6 章 AI Agent 建置工程實戰 2——基於 LangGraph 框架建構 AI Agent 6.1 AI Agent 落地架構選型 6.1.1 AI Agent 落地架構選型的必要性 6.1.2 AI Agent 落地的主流架構選型 6.1.3 AI Agent 落地架構選型依據 6.2 LangGraph 對 AI Agent 的支援 6.2.1 LangChain 與 LangGraph 的本質區別 6.2.2 LangGraph 中支援建構 AI Agent 的主要模組 6.2.3 LangGraph 的 State 元件 6.3 提示工程應用 6.3.1 提示工程概述及提示詞的典型構成 6.3.2 提示詞在 LangGraph 中的作用 6.3.3 提示工程在基於 LangGraph 建構 AI Agent 過程中的應用 6.4 工具呼叫 AI Agent 6.4.1 工具呼叫 AI Agent 的核心原理 6.4.2 使用工具呼叫建構 AI Agent 的過程 6.5 AI Agent 長短期記憶能力實現 6.5.1 基於 SqliteSaver 實現短期記憶 6.5.2 基於 Store 實現長期記憶 6.6 基於 LangGraph 開發企業級 AI Agent 6.6.1 基於 LangGraph 開發單代理人 6.6.2 基於 LangGraph 開發多代理人 6.7 本地化部署多代理人實戰 6.7.1 基於 Supervisor 架構實現多代理人 6.7.2 在地化部署多代理人 第7 章 資料分析 AI Agent 的企業應用案例——基於 DeepSeek 模型 7.1 企業資料分析的典範革命 7.1.1 傳統 BI 與 ChatBI Agent 的本質差異 7.1.2 企業級 ChatBI Agent 需求分析 7.2 企業級 ChatBI Agent 架構設計 7.2.1 企業級 ChatBI Agent 總體架構 7.2.2 企業級 ChatBI Agent 架構設計的難點 7.3 企業級 ChatBI Agent 技術選型與資源評估 7.3.1 企業級 ChatBI Agent 技術選型 7.3.2 企業級 ChatBI Agent 資源評估 7.4 基於 DeepSeek 模型建構與部署企業級 ChatBI Agent 7.4.1 DeepSeek 模型的架構與核心優勢 7.4.2 基於 DeepSeek 模型建構企業級 ChatBI Agent 7.4.3 基於 DeepSeek 在地化部署企業級 ChatBI Agent 7.5 企業級 ChatBI Agent 在電商產業的應用 7.5.1 某電商集團 ChatBI Agent 的建設場景 7.5.2 某電商集團 ChatBI Agent 在物流領域的實踐 7.5.3 某電商集團更多 AI 實踐在物流領域落地 第8 章 基於 AI Agent 建構智慧客服系統 8.1 AI Agent 改變智慧客服系統 8.1.1 快速認識智慧客服系統 8.1.2 LLM 在智慧客服系統中的作用 8.2 基於 AI Agent 的智慧客服系統的關鍵技術 8.2.1 向量檢索與知識圖譜 8.2.2 意圖辨識與工具呼叫 8.2.3 多輪對話與上下文管理 8.3 基於AI Agent 的智慧客服系統的設計與實現 8.3.1 基於 AI Agent 智慧客服系統的需求分析 8.3.2 基於 AI Agent 智慧客服系統的架構設計與技術選型 8.3.3 智慧客服系統的核心實現 8.4 基於 AI Agent 的智慧客服系統在金融業的應用 8.4.1 金融產業 AI Agent 智慧客服的建置 8.4.2 金融產業 AI Agent 智慧客服的實現 前沿探索篇 第9 章 AI Agent 前沿應用探索 9.1 電信開發平台綜合應用探索 9.1.1 AI 原生應用電信開發平台整體架構 9.1.2 AI 原生應用電信開發平台使用操作 9.1.3 AI 原生應用電信開發平台的典型應用場景 9.2 多模態 AI Agent 的建構與應用探索 9.2.1 多模態 AI Agent 的概念 9.2.2 多模態 AI Agent 的建構與應用 第10 章 AI Agent 未來發展與挑戰 10.1 AI Agent 的高級形態與 AGI 發展 10.1.1 AI Agent 的高級形態 1——具身智慧 10.1.2 AI Agent 的高級形態 2——智慧駕駛 10.1.3 AI Agent 是 AGI 發展的重要技術路徑 10.2 AI Agent 倫理與安全 10.2.1 資料品質與隱私保護 10.2.2 技術成熟度與侷限性 10.2.3 法律框架與合規性 |
序
| 在人工智慧技術迅猛發展的今天，AI Agent（代理人）已成為推動產業變革的核心力量。從簡單的任務自動化到複雜的自主決策系統，AI Agent 正在重塑人機互動的邊界，並在企業服務、資料分析、智慧客服、多模態互動等領域展現出巨大的潛力。
為什麼寫這本書 本書的創作源於我在AI 領域多年的產業觀察與技術實踐。隨著大型模型（LLM）和代理人技術的快速發展，許多開發者與企業雖對AI Agent 充滿興趣，卻面臨如下挑戰。 • 技術門檻高：AI Agent 開發涉及 LLM、記憶、規劃、工具呼叫等多模組協同，缺乏系統化的指導。 • 落地經驗少：如何將實驗室中的代理人技術轉化為實際業務場景的解決方案，需要方法論與案例的支撐。 • 生態碎片化：LangGraph、CrewAI、Google ADK 等框架層出不窮，開發者難以快速選型並高效應用。 本書透過「原理+ 實戰+ 前瞻」三位一體的內容設計，幫助讀者從零建構AI Agent，並掌握其落地應用的核心能力。 本書核心內容 本書分為3 篇，內容層層遞進。 1. 技術原理篇（第1 ∼ 4 章） • 系統解析AI Agent 的本質、技術框架與核心模組（如LLM、規劃、記憶、工具呼叫）。 • 深入探討AI Agent 開發的關鍵技術，如提示工程、RAG、函式呼叫等。 2. 落地實戰篇（第 5 ∼ 8 章） • 基於Coze、Dify 等平台和LangGraph 等框架，手把手地教授讀者AIAgent 的開發與部署。 • 結合企業級案例（如資料分析AI Agent、智慧客服），剖析架構設計、技術選型與產業適配。 3. 前沿探索篇（第9、10 章） 展望多模態Agent、具身智慧等前沿方向，並探討安全、倫理與AGI 發展的未來挑戰。
本書特色 • 注重實作：包含大量程式碼範例、架構圖與除錯技巧，涵蓋從開發到部署的全流程。 • 產業導向：聚焦金融、電商、電信等場景，提供可重複使用的解決方案。 • 前瞻視角：不僅講解現有技術，更分析AI Agent 與AGI 的演進路徑。
致謝 感謝我的團隊與朋友在成書過程中提供的寶貴建議，尤其感謝參與案例實踐的企業夥伴，他們的真實需求讓本書的實戰內容更具參考價值。此外，感謝編輯團隊的細緻工作，使複雜的技術內容得以清晰呈現。
讀者對象 • 開發者：希望掌握AI Agent 開發全流程的技術人員。 • 企業決策者：尋求AI Agent 落地場景與架構設計的管理者。 • 研究者：關注代理人技術前沿與AGI 發展的學者。
閱讀建議 • 建議初學者按章節順序閱讀，逐步建構知識體系。 • 有經驗的讀者可直接跳轉至落地實戰篇，結合自身需求參考案例進行學習。 • 對於程式碼與工具部分，建議動手實踐，書中附有相關資源連結。
AI Agent 的時代已至，它不僅是技術的革新，更是人機協作典範的躍遷。希望本書能成為讀者探索這個領域的可靠指南，讓我們共同推動代理人的發展與落地。 李希沅 2025 年8 月8 日於北京 |
