Agent 核心概念与专业术语¶

约 14737 个字预计阅读时间 49 分钟

前言¶

大语言模型（LLM）：海量数据预训练的自然语言模型
通用人工智能（AGI）：具备通用智能的AI系统
智能体（Agent）：能自主感知环境采取行动的实体
多智能体系统（MAS）：多个智能体协作完成复杂目标

第一章初识智能体¶

1. 智能体核心定义与要素¶

2. 传统智能体分类¶

反射智能体（Simple Reflex Agent）：基于条件-动作规则的即时响应
基于模型的反射智能体：拥有内部世界模型的反应式系统
世界模型（World Model）：智能体对环境内部状态的建模
基于目标的智能体：主动选择能达成目标的行动
A*算法：基于启发式的经典路径搜索算法
基于效用的智能体：在冲突目标间最大化期望满意度
学习型智能体：通过与环境交互自主改进性能
强化学习（RL）：通过试错和奖励信号学习决策

3. 时间与反应性分类¶

反应式智能体（Reactive Agents）：对刺激即时响应的决策模式
规划式智能体（Deliberative Agents）：深思熟虑后再行动的模式
混合式智能体（Hybrid Agents）：结合反应性与规划性的双模系统
反应性（Reactivity）：追求响应速度的决策模式
规划性（Deliberation）：追求最优解的深思熟虑

4. 知识表示分类¶

符号主义AI（Symbolic AI）：智能源于符号逻辑操作
亚符号主义AI（Sub-symbolic AI）：知识内隐分布在神经网络中
神经符号主义AI（Neuro-Symbolic AI）：融合神经网络和符号推理
黑箱（Black Box）：内部决策过程不可解释的模型
系统1：快速直觉并行的思维模式
系统2：缓慢基于逻辑的审慎推理

5. 任务环境分类¶

确定性环境：行动结果完全可预测
随机性环境：行动结果存在不确定性
多智能体环境：环境中存在多个行动者
序贯环境：当前动作会影响未来状态
动态环境：智能体决策时环境自身也在变化

6. LLM新范式与提示工程¶

GPT（生成式预训练Transformer）：OpenAI的生成式预训练模型
LLM智能体：以大语言模型为核心决策引擎的智能体
提示工程（Prompt Engineering）：设计指令模板引导LLM行为
Thought-Action-Observation：智能体输出结构的三要素格式
任务分解：将复杂目标拆解为可执行子步骤
工具调用（Tool Call）：LLM执行外部API或函数的能力
上下文理解：基于历史进行连贯推理
结果合成：将多步执行结果整合为最终答案
应用程序编程接口（API）：软件间通信和数据交换接口

7. 智能体框架与工具¶

8. 协作模式¶

单智能体自主循环：思考-规划-执行-反思闭环
多智能体协作：多个智能体分工完成复杂目标
角色扮演式对话：为智能体设定角色进行结构化对话
组织化工作流：模拟团队分工的层级协作模式
高级控制流架构：基于状态图灵活控制执行流程
状态图（State Graph）：定义智能体状态转移的图结构
Workflow：预先定义的步骤化任务编排
人机协同：AI辅助人类而非取代的工作模式

9. AI编程助手¶

GitHub Copilot：代码自动补全和对话式AI助手
Claude Code：Anthropic开发的终端AI编程助手
Trae：轻量级AI代码生成和优化工具
Cursor：AI原生代码编辑器

第二章智能体发展史¶

1. 符号主义时代¶

2. ELIZA与规则对话¶

ELIZA：1966年MIT开发的模式匹配聊天机器人
约瑟夫·魏泽鲍姆（Joseph Weizenbaum）：ELIZA的开发者
DOCTOR：ELIZA模仿心理治疗师的脚本
模式匹配（Pattern Matching）：基于关键词规则匹配输入文本
文本替换（Text Substitution）：用预设模板替换匹配内容
ELIZA效应：用户将机器误解为有理解能力的心理现象
无状态（Stateless）：每次回应仅基于当前输入无记忆

3. 心智社会理论¶

4. 联结主义与学习范式¶

5. 强化学习¶

策略（Policy）：从状态到行动的映射函数
状态（State）：环境在特定时刻的描述
奖励（Reward）：评价行动好坏的标量反馈信号
累积奖励（Cumulative Reward）：从当前到未来的总奖励
回报（Return）：智能体最大化长期奖励的总和

6. 现代LLM智能体架构¶

7. 三大思潮与里程碑¶

行为主义（Behaviorism）：通过与环境的试错交互学习最优策略
杰弗里·辛顿（Geoffrey Hinton）：推动反向传播和深度学习复兴
深蓝（Deep Blue）：IBM击败人类国际象棋冠军的计算机
TD-Gammon：时序差分学习的西洋双陆棋程序
AlphaGo：基于强化学习击败人类围棋冠军的AI
卷积神经网络（CNN）：专门处理网格结构数据的网络
Transformer：完全基于注意力机制的神经网络架构
AI Agent技术栈：从底层模型到上层应用的完整技术分层
Letta：发布AI Agent技术栈图谱的公司

第三章大语言模型基础¶

1. 统计语言模型¶

语言模型（LM）：计算词序列出现概率的模型
马尔可夫假设（Markov Assumption）：词概率只依赖前有限个词
N-gram模型：基于马尔可夫假设的统计语言模型
Bigram：考虑前一个词的双词统计语言模型
Trigram：考虑前两个词的三词统计语言模型
最大似然估计（MLE）：以观测频率估计概率的方法
数据稀疏性（Sparsity）：稀有序列概率为零的现象
平滑（Smoothing）：解决零概率问题的技术手段
链式法则：将句子概率分解为条件概率连乘

2. 神经网络语言模型¶

3. Transformer架构¶

4. Decoder-Only架构¶

Decoder-Only架构：仅保留解码器的大语言模型架构
自回归（Autoregressive）：基于已生成内容逐步预测下一词
掩码自注意力（Masked Self-Attention）：阻止关注未来位置的注意力
因果掩码：将未来位置分数设为零的掩码矩阵

5. 提示工程关键概念¶

6. 分词技术¶

分词（Tokenization）：将文本转换为数字序列的过程
分词器（Tokenizer）：定义文本切分规则的算法
词元（Token）：分词后的最小语义单元
未登录词（OOV）：词表中未出现的词
子词分词（Subword Tokenization）：常见词保留完整，生僻词拆分子词
字节对编码（BPE）：迭代合并高频相邻词元对构建词表
WordPiece：合并能最大提升语言模型概率的词元对
SentencePiece：将空格视为普通字符的子词分词工具
上下文窗口：模型一次能处理的最大Token数量

7. 模型生态与选型¶

8. 缩放法则与局限性¶

第四章智能体经典范式构建¶

1. 基础组件¶

HelloAgentsLLM：定制化LLM客户端支持流式响应
ToolExecutor：统一管理和调度外部工具的执行器
工具（Tools）：智能体与外部世界交互的函数集合
流式响应：逐块接收模型生成的内容

2. ReAct范式¶

3. Plan-and-Solve范式¶

4. Reflection范式¶

第五章基于低代码平台的智能体搭建¶

1. 低代码平台¶

低代码平台：图形化模块化快速构建应用
Coze（扣子）：字节跳动的零代码智能体构建平台
Dify：开源LLM应用开发与运营平台
FastGPT：开源知识库问答与Agent构建工具
n8n：开源工作流自动化工具
魔搭社区（ModelScope）：阿里云AI模型与MCP服务平台
阿里云百炼：阿里云大模型服务平台
原型（Prototype）：快速验证想法的最小可行产品

2. 提示词与知识¶

系统提示（System Prompt）：定义智能体长期行为准则的指令
用户提示（User Prompt）：定义具体任务指令的提示词
提示词工程（Prompt Engineering）：设计和优化提示词的技术
提示词模板：可复用的提示词格式模板
角色设定：为智能体赋予专业角色定位
知识库（Knowledge Base）：存储结构化知识的数据库
向量知识库：以向量形式存储的知识库
向量化存储：将文本转为向量以便语义检索
文本向量化（Embeddings）：将文本转换为向量表示

3. 平台功能模块¶

4. RAG系统¶

检索增强生成（RAG）：检索外部知识增强模型生成
RAG Pipeline：检索增强生成的完整处理链路

5. 多智能体模式¶

多智能体架构：多个智能体协同工作的系统架构
单智能体自主规划：单个智能体独立规划执行
单智能体对话流：单个智能体对话流程模式
多智能体模式：多个智能体协同工作模式

6. 架构与部署¶

后端即服务（BaaS）：提供后端能力即服务的模式
LLMOps：LLM应用运维管理的理念
分层模块化架构：分层解耦便于扩展的架构设计
模型中立设计：平台不绑定特定模型供应商
私有化部署：将服务部署在自有环境
分布式部署：将系统部署在多台服务器
持久化存储：数据在服务重启后不丢失
混合开发模式：平台与代码结合的开发方式
零代码：无需编写代码即可构建应用

7. 安全与发布¶

RBAC权限控制：基于角色的访问控制机制
AES-256加密：高级加密标准256位算法
审计日志：记录系统操作行为的日志
版本控制：管理代码版本变更的系统
SSE模式：服务器推送事件通信模式
发布渠道：智能体部署发布的目标平台

第六章框架开发实践¶

1. 框架总览¶

智能体框架：高效构建智能体应用的规范架构
模型层（Model Layer）：与大语言模型交互的抽象层
工具层（Tool Layer）：工具定义注册执行的接口层
记忆层（Memory Layer）：处理短期长期记忆的模块化层
事件回调机制（Callbacks）：生命周期关键节点触发回调
多智能体协作：多个智能体协同完成任务
复杂工作流控制：复杂流程精确控制的技术

2. AutoGen¶

3. AgentScope¶

4. CAMEL¶

5. LangGraph¶

LangGraph：基于图结构的智能体工作流框架
状态机（State Machine）：基于状态的流程控制模型
有向图（Directed Graph）：节点和边构成的有向结构
全局状态（State）：LangGraph中共享的状态对象
节点（Nodes）：图中执行具体计算步骤的单元
边（Edges）：定义节点间跳转逻辑的连接
条件边（Conditional Edges）：根据条件动态跳转的边
StateGraph：LangGraph的状态图类
TypedDict：Python的类型化字典

6. 设计理念¶

涌现式协作：从简单规则中涌现复杂协作行为
显式控制：明确精确地控制流程每一步
工程化：将原型推向生产应用的技术实践
角色专业化分工：智能体各司其职协作

第七章构建你的Agent框架¶

1. 框架设计原则¶

HelloAgents：本书自建的智能体框架名称
分层解耦：将系统分为独立层次降低耦合
职责单一：每个组件只负责一个职责
接口统一：所有组件遵循统一接口规范
万物皆为工具：将Memory等模块抽象为工具
轻量级设计：框架设计轻量不臃肿
教学友好：框架设计便于教学
渐进式学习路径：由浅入深的学习设计
约定优于配置：减少用户配置负担的原则

2. 核心组件¶

HelloAgentsLLM：框架统一的大模型调用接口
Message类：框架内统一的消息格式定义
Config类：中心化配置管理类
Agent基类：所有智能体的抽象基类
Tool基类：框架统一工具抽象基类
ToolRegistry：工具注册和管理中心
ToolParameter：工具参数定义系统
多提供商支持：支持多种LLM供应商切换
自动检测机制：自动推断LLM服务类型的机制

3. Agent实现¶

SimpleAgent：基础对话智能体实现
ReActAgent：推理与行动结合的智能体
ReflectionAgent：自我反思优化的智能体
PlanAndSolveAgent：分解规划逐步执行
FunctionCallAgent：基于函数调用机制的智能体

4. 工具系统¶

5. 本地模型部署¶

VLLM：高性能LLM推理引擎
PagedAttention：VLLM的内存管理技术
连续批处理：提高模型吞吐量的批处理技术
Ollama：简易本地大模型部署工具
CUDA：NVIDIA并行计算平台

6. 关键库与技术¶

Pydantic：Python数据验证库
BaseModel：Pydantic的数据模型基类
ABC抽象基类：Python的抽象类机制
abstractmethod：Python抽象方法装饰器
OpenAI SDK：OpenAI官方Python开发工具包
OpenAI Function Calling：原生函数调用机制
function calling schema：函数调用的JSON Schema定义
流式响应：逐块返回模型生成结果

第八章记忆与检索¶

1. 认知科学基础¶

2. 记忆系统架构¶

3. 记忆评分与检索算法¶

4. RAG技术演进¶

5. RAG工具实现¶

RAGTool：RAG系统的统一入口工具
DocumentProcessor：文档处理器（多格式解析）
Pipeline：RAG管道（端到端处理流程）
上下文构建：智能合并和截断检索结果
LLM增强生成：基于上下文的准确问答生成
数据提取：从文档中提取文字内容
文本分割：将长文本切分为片段
向量化：将文本转换为嵌入向量

6. 文档处理¶

MarkItDown：微软开源的文档转Markdown工具
OCR：光学字符识别技术
Markdown结构感知分块：利用标题层次的分块策略
智能分块：基于语义和结构的分块方法
重叠策略：分块间保留重叠内容保持上下文
CJK字符：中日韩统一表意文字
语义分割：基于语义边界的文本分割

7. 存储后端¶

Qdrant：高性能向量数据库
Neo4j：知识图谱图数据库
SQLite：轻量级嵌入式关系数据库
知识图谱：实体和关系组成的结构化知识
实体（Entity）：知识图谱中的节点
关系（Relation）：知识图谱中的边
混合存储架构：结合多种存储系统的架构设计

8. 嵌入服务¶

嵌入模型：将文本转换为向量的模型
DashScopeEmbedding：通义千问云端嵌入服务
LocalTransformerEmbedding：本地Transformer嵌入模型
TFIDFEmbedding：基于TF-IDF的轻量级嵌入方案
all-MiniLM-L6-v2：轻量级句子嵌入模型
跨模态检索：不同模态间的语义检索
CLIP模型：多模态图像文本编码模型
CLAP模型：多模态音频文本编码模型
多模态编码器：编码文本图像音频的模型

9. 关键问题与解决¶

无状态（Stateless）：LLM每次调用独立无关联
上下文丢失：长对话中早期重要信息丢失
个性化缺失：无法记住用户偏好习惯
上下文窗口限制：LLM一次处理文本的最大长度
幻觉问题：模型生成不准确信息的现象
可解释性：提供信息来源增强可信度
命名空间隔离：多用户数据隔离机制

第九章上下文工程¶

1. 核心概念¶

上下文工程（Context Engineering）：系统化构造优化输入上下文的方法
提示工程（Prompt Engineering）：编写与组织LLM指令获得优质结果
上下文腐蚀（Context Rot）：tokens增加导致模型回忆能力下降
注意力预算（Attention Budget）：LLM有限的注意力资源
边际收益递减：tokens增加收益递减的规律
候选信息宇宙：所有可能进入上下文的信息集合
最小必要信息集：勾勒期望行为的最少信息

2. GSSC流水线¶

GSSC流水线：Gather-Select-Structure-Compress四阶段
Gather（汇集）：从多源汇集候选信息的第一阶段
Select（选择）：按评分选择最相关信息的第二阶段
Structure（结构化）：组织成模板的第三阶段
Compress（压缩）：超限上下文兜底压缩的第四阶段
ContextBuilder：实现GSSC流水线的上下文构建器
ContextPacket：候选信息的统一数据封装结构
ContextConfig：上下文构建的配置参数管理

3. Select评分机制¶

Jaccard相似度：计算关键词重叠的相关性分数
指数衰减模型：计算时间近因性分数
贪心算法：按分数从高到低填充token预算

4. 上下文管理技术¶

JIT上下文（Just-in-time Context）：按需动态加载的即时上下文
渐进式披露（Progressive Disclosure）：逐步暴露信息指导决策
压缩整合（Compaction）：压缩摘要重启上下文窗口维持连贯
结构化笔记（Structured Note-taking）：关键信息写入外部持久化存储
子代理架构（Sub-agent Architectures）：主代理规划子代理执行
分层上下文管理：即时+会话+持久三层架构
位置编码插值：让模型推理时适配更长的序列
混合策略：前置加载高价值上下文+按需自主探索

5. 工具设计原则¶

最小可行工具集（MVTS）：精心挑选的最小工具集合
NoteTool：结构化笔记持久化记忆管理工具
TerminalTool：安全的命令行即时文件访问工具
命令白名单：TerminalTool只允许安全的只读命令
沙箱机制：TerminalTool限制工作目录访问
超时控制：限制命令执行时间防资源耗尽
输出大小限制：限制命令输出防内存溢出

6. 关键技术与格式¶

Few-shot（示例）：提供给LLM的少量典型示例
System Prompt（系统提示）：定义角色定位和行为准则
Transformer注意力机制：n²级别两两注意力关系约束
Markdown+YAML格式：NoteTool兼具可读性和结构化
Theta缩放：性能梯度而非悬崖式崩溃

7. 案例应用¶

代码库维护助手（CodebaseMaintainer）：整合三大工具的长程案例

第十章智能体通信协议¶

1. MCP协议（Model Context Protocol）¶

2. MCP传输层¶

传输层无关性（Transport Agnostic）：MCP不依赖特定传输方式
Stdio Transport：标准输入输出传输方式
Memory Transport：内存传输方式（用于测试）
HTTP Transport：HTTP远程传输方式
SSE Transport：Server-Sent Events实时传输
StreamableHTTP Transport：流式HTTP双向通信传输

3. MCP工具封装¶

MCPTool：MCP协议的工具封装器
自动展开机制：MCPTool自动展开服务器工具为独立工具
工具集成困境：需为每个服务编写适配器的问题
动态发现：运行时发现新服务和能力
互操作性：不同开发者工具可无缝集成

4. A2A协议（Agent-to-Agent Protocol）¶

5. ANP协议（Agent Network Protocol）¶

ANP（Agent Network Protocol）：大规模智能体网络协议
ANPTool：ANP协议的工具封装器
服务发现（ANP）：ANP让智能体动态发现服务
智能路由（ANP）：ANP根据能力选择最优智能体
DID身份验证：ANP的去中心化身份验证机制
去中心化服务发现：ANP的设计哲学
ANPDiscovery：ANP服务发现中心
ANPNetwork：ANP智能体网络管理
负载均衡：ANP中选择负载最低的服务器

6. Function Calling¶

Function Calling：LLM内在的函数调用理解与生成能力

第十一章 Agentic RL¶

1. 训练范式¶

Agentic RL：将LLM嵌入感知-决策循环通过RL优化多步任务
SFT（监督微调）：让模型学习任务格式和基础能力
GRPO（群组相对策略优化）：无需值模型的简化PPO变体
PPO（近端策略优化）：经典RL算法限制策略更新幅度
RLHF（人类反馈强化学习）：通过人类偏好数据优化模型
RLAIF（AI反馈强化学习）：用AI替代人类标注偏好数据
预训练（Pretraining）：海量文本上学习语言规律
后训练（Post-training）：对齐人类偏好和价值观
PBRFT（偏好强化微调）：传统单轮对话质量优化范式

2. 强化学习基础¶

MDP（马尔可夫决策过程）：强化学习的形式化框架
状态空间（S）：MDP中智能体所处状态的集合
行动空间（A）：MDP中智能体可选行动的集合
奖励函数（R）：定义什么是好行为的数值评估
折扣因子（gamma）：MDP中远期奖励的折扣系数
轨迹（Trajectory）：完整的状态-行动-奖励序列
奖励建模（RM）：学习人类偏好的质量评估模型

3. 奖励设计¶

AccuracyReward（准确率奖励）：答案正确得1错误的二值奖励
LengthPenaltyReward（长度惩罚）：正确时惩罚过长答案
StepReward（步骤奖励）：正确时奖励清晰推理步骤
稠密奖励：每步都给予反馈的奖励结构
稀疏奖励：只在任务完成时给予的奖励
混合奖励：结合稠密和稀疏奖励
奖励黑客（Reward Hacking）：智能体找到奖励捷径未完成任务
组内相对奖励：GRPO用组平均奖励替代优势函数
KL散度惩罚：限制策略偏离参考模型的距离

4. 训练基础设施¶

TRL（Transformer强化学习）：Hugging Face强化学习库
RLTrainingTool：统一训练工具支持SFT和GRPO
因果语言建模：根据上文预测下一个词的预训练任务
负对数似然：预训练和SFT的损失函数

5. 微调技术¶

LoRA（低秩适配）：冻结原参数只训练低秩矩阵的微调
LoRA权重合并：将LoRA权重合并回基础模型
8-bit量化：降低模型精度加速推理
课程学习（Curriculum Learning）：从简单任务逐步到困难

6. 训练加速与工具¶

7. 评估指标¶

数值误差：预测值与真实值的绝对误差
平均长度：生成答案的平均token数
推理步骤数：答案包含的推理步骤数量
格式正确率：答案符合预期格式的比例

8. 数据集与模型¶

GSM8K（小学数学8K）：高质量小学数学应用题数据集
Qwen3-0.6B：阿里云0.6B参数小语言模型
CoT（思维链）：链式推理提示方法

9. 核心能力维度¶

推理（Reasoning）：多步逻辑推导得出结论的能力
工具使用（Tool Use）：智能体调用外部工具的能力
记忆（Memory）：保持和重用过去信息的能力
规划（Planning）：制定行动序列达成目标的能力
自我改进（Self-Improvement）：回顾输出纠正错误的能力
感知（Perception）：理解多模态信息的能力

第十二章智能体性能评估¶

1. 评估系统¶

评估系统（Evaluation System）：客观衡量智能体性能的系统
评估基准（Benchmark）：标准化的数据集评估指标方法
持续评估系统：定期自动运行评估监控性能趋势
分层评估策略：快/标/全三层递进评估

2. 评估基准¶

BFCL（伯克利函数调用排行榜）：UC Berkeley函数调用评估基准
GAIA（通用AI助手）：Meta AI和Hugging Face通用能力评估
AIME（美国数学邀请赛）：中等难度数学竞赛
ToolBench：清华大学16000+真实API评估基准
API-Bank：Microsoft Research的API文档理解评估
AgentBench：清华大学8领域通用智能体评估
WebArena：CMU真实网页环境任务评估
ChatEval：多智能体对话系统质量评估
SOTOPIA：社交场景智能体互动能力评估

3. 评估方法¶

AST匹配（抽象语法树匹配）：将函数调用解析为语法树比较
准精确匹配（Quasi Exact Match）：先归一化再精确匹配
LLM Judge：用大语言模型作为评委的评估方法
Win Rate（胜率）：成对对比评估的胜出比例
人工验证（Human Verification）：人类专家审核生成数据质量

4. 评估指标¶

5. 评估维度¶

正确性（Correctness）：LLM Judge评估的数学逻辑维度
清晰度（Clarity）：LLM Judge评估的问题表述维度
难度匹配（Difficulty Match）：LLM Judge评估的难度维度
完整性（Completeness）：LLM Judge评估的解答维度

6. 评估工具实现¶

BFCLEvaluationTool：BFCL一键评估工具
GAIAEvaluationTool：GAIA一键评估工具
LLMJudgeTool：LLM Judge评估工具
WinRateTool：Win Rate评估工具
AIMEGenerator：AIME风格数学题目生成器
HumanVerificationUI：基于Gradio的人工验证Web界面
评估报告（Evaluation Report）：自动生成的Markdown格式报告

7. 数据集管理¶

BFCLDataset：BFCL数据集加载器
GAIADataset：GAIA多模态数据集加载器
AIDataset：支持生成数据和真题的统一加载器
受限数据集（Gated Dataset）：需申请权限的数据集
Hugging Face Token：访问受限数据集的认证令牌
JSONL格式：每行一个JSON对象的行分隔格式

8. 技术工具¶

Gradio：Python Web界面框架用于人工验证
LaTeX：数学公式排版语言

第十三章智能旅行助手¶

1. 架构设计¶

前后端分离架构：前后端独立开发部署的模式
Vue3+TypeScript：前端框架和类型化语言
FastAPI：现代Python Web后端框架
HelloAgents：自建的多智能体框架
高德地图API：提供地图和位置服务的API
Unsplash API：免费图片搜索API
MCP协议：连接LLM和外部工具的标准化协议

2. 数据模型¶

Pydantic：Python数据验证和序列化库
BaseModel：Pydantic中所有模型的基类
Field函数：定义字段默认值和验证规则
自定义验证器（field_validator）：模型创建前转换数据
嵌套模型：模型字段使用另一个模型类型
范围验证（ge/le/gt）：限制数值范围的验证规则
自底向上模型设计：从基础模型逐步组合成复杂结构

3. 智能体组件¶

多智能体协作：多个Agent分工完成复杂任务
SimpleAgent：HelloAgents基础智能体类
ReactAgent：支持多轮思考-行动循环的Agent
Thought-Action-Observation循环：思考-行动-观察核心循环
AttractionSearchAgent：景点搜索专家Agent
WeatherQueryAgent：天气查询专家Agent
HotelAgent：酒店推荐专家Agent
PlannerAgent：行程规划专家Agent

4. MCP工具集成¶

MCPTool：封装MCP服务器的工具类
auto_expand：自动展开MCP服务器所有工具
npx：Node.js包执行器
uvx：Python包执行器
JSON-RPC：MCP服务器通信协议格式
共享MCP实例：多Agent共享同一MCP服务器进程

5. 前端技术¶

6. 功能特性¶

状态管理（编辑模式）：维护原始和当前两份计划状态
模拟进度条：定时器模拟后端处理进度
OpenAPI文档：FastAPI自动生成的API文档
类型安全：编译时发现类型错误
组件化开发：UI拆分为独立可复用组件

第十四章自动化深度研究智能体¶

1. 研究范式¶

TODO驱动的研究范式：将复杂研究分解为子任务执行
问题剖析：将开放主题拆解为可检索查询
多轮信息采集：持续搜索并去重整合资料
反思与总结：识别知识空白并生成结构化总结

2. 智能体组件¶

智能规划器（TODO Planner）：分解研究主题的规划Agent
任务执行器（Task Executor）：搜索并总结子任务的执行Agent
报告生成器（Report Writer）：整合总结生成报告的Agent
ToolAwareSimpleAgent：支持工具调用监听的扩展Agent
tool_call_listener：工具调用时的回调监听函数

3. 研究三阶段¶

规划阶段（Planning）：研究三阶段之任务分解
执行阶段（Execution）：研究三阶段之搜索总结
报告阶段（Reporting）：研究三阶段之整合生成
顺序协作：Agent按固定线性顺序执行

4. 工具系统¶

SearchTool：封装多搜索引擎的统一搜索工具
NoteTool：持久化笔记到Markdown文件的工具
ToolRegistry：统一注册和管理工具的注册表

5. 搜索引擎生态¶

Tavily：面向AI的搜索API
SerpApi：聚合搜索引擎API
DuckDuckGo：隐私保护搜索引擎
Perplexity：AI驱动问答搜索引擎
SearXNG：自托管的开源元搜索引擎
Advanced模式：组合多个搜索引擎的增强模式

6. 搜索优化¶

搜索结果去重：去除重复URL提高质量
Token限制：限制文本Token数量防止超长
搜索结果缓存：缓存查询结果提高效率
MD5哈希：生成缓存键的哈希算法

7. 服务层架构¶

PlanningService：调用规划Agent的服务层
SummarizationService：调用总结Agent的服务层
ReportingService：调用报告Agent的服务层
SearchService：调度搜索引擎的服务层

8. 前端与实时通信¶

SSE（Server-Sent Events）：服务器主动推送技术
EventSource：前端接收SSE事件的API
StreamingResponse：FastAPI流式响应类
全屏模态对话框：全屏沉浸式研究界面UI
实时进度展示：SSE推送研究进度到前端
marked库：将Markdown转为HTML的库
GFM（GitHub Flavored Markdown）：GitHub扩展Markdown语法

9. 报告质量¶

结构化报告：包含标题概述分析和参考文献
来源引用：为每个观点添加来源标记
配置化管理：通过.env文件切换搜索引擎
规划质量评估：检查覆盖全面性和查询精准性

第十五章构建赛博小镇¶

1. 游戏架构¶

Godot 4.5：开源2D/3D游戏引擎
游戏引擎+后端服务分离架构：渲染与逻辑分离的分层设计
NPC智能体系统：基于SimpleAgent的NPC实现

2. 记忆系统¶

MemoryManager：统一管理短期和长期记忆
WorkingMemory：容量有限的短期记忆
EpisodicMemory：存储所有历史的长期记忆
Qdrant：向量数据库用于语义检索
SQLite：关系型数据库持久化记忆
短期记忆：保持对话上下文连贯性
长期记忆：存储全部互动历史记录
向量检索：语义搜索相关历史记忆

3. 好感度系统¶

好感度系统：量化NPC对玩家态度的机制
好感度等级：陌生/熟悉/友好/亲密/挚友五级
RelationshipManager：管理好感度的服务类
情感分析（analyze_sentiment）：LLM分析玩家态度情感
好感度影响对话：动态调整提示词改变回复风格

4. NPC对话系统¶

批量对话生成：一次LLM调用生成多个NPC对话
NPCBatchGenerator：批量生成NPC对话的生成器
混合模式：批量生成背景对话+即时响应用户交互
背景对话：NPC自主的日常对话和行为
即时响应：玩家交互时实时个性化回复
角色提示词设计：为NPC配置独特系统提示词

5. Godot核心概念¶

场景（Scene）：Godot中节点的集合（.tscn文件）
节点（Node）：Godot中最基本的构建块
场景实例化：复用场景创建多个独立副本
GDScript：Godot的类Python脚本语言
信号（Signal）：Godot节点间事件通信机制
AutoLoad：Godot自动加载单例机制
@export：GDScript变量导出到编辑器
@onready：节点就绪时延迟初始化变量

6. Godot关键节点¶

CharacterBody2D：处理角色物理移动的节点
AnimatedSprite2D：显示角色动画的节点
CollisionShape2D：定义碰撞形状的节点
Area2D：检测进入/退出区域的节点
Camera2D：跟随玩家的摄像机节点
CanvasLayer：始终显示在上层的UI图层
TileMap：瓦片地图节点构建场景
HTTPRequest节点：Godot内置HTTP通信节点
AudioStreamPlayer：播放音效的音频节点

7. 游戏功能¶

4方向动画：上下左右四个移动方向动画
巡逻系统：NPC随机游走行为逻辑
Input.get_vector：获取WASD方向输入
move_and_slide：带碰撞检测的物理移动
对话气泡：NPC头顶显示的简短对话
交互区域（InteractionArea）：检测玩家靠近的范围

8. 后端服务¶

StateManager：跟踪NPC位置和忙碌状态
DialogueLogger：双输出（控制台+文件）日志系统
CORS中间件：允许Godot跨域访问后端
API路由：/npcs/status和/dialogue等端点

9. 扩展系统¶

事件系统（动态事件）：会议/派对/紧急任务等
情感系统（扩展）：NPC喜怒哀乐情绪状态
任务系统（扩展）：好感度触发NPC特殊任务
多人在线（扩展）：WebSocket实时通信支持

第十六章毕业设计¶

1. 开发基础¶

开源项目：以开源形式提交到社区仓库
Jupyter Notebook：交互式编程和文档格式（.ipynb）
JupyterLab：增强版Jupyter开发环境
README文档：项目说明和技术文档
requirements.txt：Python项目依赖列表文件

2. Git协作流程¶

Pull Request（PR）：GitHub提交代码的协作方式
Fork：复制他人仓库到自己的GitHub账号
SSH密钥：安全连接GitHub的认证方式
上游仓库（upstream）：源仓库的远程引用
开发分支（feature/）：功能开发的独立分支
合并（merge）：将分支代码合入主分支
PR标题格式：[毕业设计] 项目名称 - [ ] 描述
提交类型规范：feat/fix/docs/style/refactor/test/chore
Review流程：社区成员审查代码并提出建议

3. 项目规范¶

.env文件：环境变量配置文件
.gitignore：指定Git忽略的文件规则
项目命名规范：GitHub用户名-项目名称格式
大文件处理：视频/数据集/模型的存储方案
测试清单：项目提交前逐项检查列表

4. 选题方向¶

生产力工具类：提升工作效率的项目方向
学习辅助类：帮助学习的项目方向
创意娱乐类：创意和娱乐项目方向
数据分析类：数据处理分析项目方向
生活服务类：日常生活辅助项目方向

5. 示例项目：CodeReviewAgent¶

CodeReviewAgent：智能代码审查示例项目
CodeAnalysisTool：代码静态分析自定义工具
StyleCheckTool：PEP 8代码风格检查工具
BaseTool：HelloAgents工具基类
ToolParameter：定义工具参数名称和类型
AST模块：Python抽象语法树解析库
PEP 8：Python官方代码风格规范
静态分析：不运行代码的语法结构分析
代码审查报告：Markdown格式的结构化报告

6. 安全与质量¶

边界条件：输入输出的极端情况处理
资源泄漏：未释放的系统资源问题
SQL注入：数据库安全漏洞类型
XSS（跨站脚本）：Web安全漏洞类型
性能瓶颈：代码执行效率低下的位置
设计模式：软件设计通用解决方案

7. 外部平台¶

Qwen2.5-72B-Instruct：通义千问72B指令模型
ModelScope API：阿里模型服务平台API
HuggingFace Datasets：开源数据集平台
HuggingFace Models：开源模型平台
图床服务：图片托管第三方服务

Agent 核心概念与专业术语¶

前言¶

第一章 初识智能体¶

1. 智能体核心定义与要素¶

2. 传统智能体分类¶

3. 时间与反应性分类¶

4. 知识表示分类¶

5. 任务环境分类¶

6. LLM新范式与提示工程¶

7. 智能体框架与工具¶

8. 协作模式¶

9. AI编程助手¶

第二章 智能体发展史¶

1. 符号主义时代¶

2. ELIZA与规则对话¶

3. 心智社会理论¶

4. 联结主义与学习范式¶

5. 强化学习¶

6. 现代LLM智能体架构¶

7. 三大思潮与里程碑¶

第三章 大语言模型基础¶

1. 统计语言模型¶

2. 神经网络语言模型¶

3. Transformer架构¶

4. Decoder-Only架构¶

5. 提示工程关键概念¶

6. 分词技术¶

7. 模型生态与选型¶

8. 缩放法则与局限性¶

第四章 智能体经典范式构建¶

1. 基础组件¶

2. ReAct范式¶

3. Plan-and-Solve范式¶

4. Reflection范式¶

第五章 基于低代码平台的智能体搭建¶

1. 低代码平台¶

2. 提示词与知识¶

3. 平台功能模块¶

4. RAG系统¶

5. 多智能体模式¶

6. 架构与部署¶

7. 安全与发布¶

第六章 框架开发实践¶

1. 框架总览¶

2. AutoGen¶

3. AgentScope¶

4. CAMEL¶

5. LangGraph¶

6. 设计理念¶

第七章 构建你的Agent框架¶

1. 框架设计原则¶

2. 核心组件¶

3. Agent实现¶

4. 工具系统¶

5. 本地模型部署¶

6. 关键库与技术¶

第八章 记忆与检索¶

1. 认知科学基础¶

2. 记忆系统架构¶

3. 记忆评分与检索算法¶

4. RAG技术演进¶

5. RAG工具实现¶

6. 文档处理¶

7. 存储后端¶

8. 嵌入服务¶

9. 关键问题与解决¶

第九章 上下文工程¶

1. 核心概念¶

2. GSSC流水线¶

3. Select评分机制¶

4. 上下文管理技术¶

5. 工具设计原则¶

6. 关键技术与格式¶

7. 案例应用¶

第十章 智能体通信协议¶

1. MCP协议（Model Context Protocol）¶

2. MCP传输层¶

3. MCP工具封装¶

4. A2A协议（Agent-to-Agent Protocol）¶

5. ANP协议（Agent Network Protocol）¶

第一章初识智能体¶

第二章智能体发展史¶

第三章大语言模型基础¶

第四章智能体经典范式构建¶

第五章基于低代码平台的智能体搭建¶

第六章框架开发实践¶

第七章构建你的Agent框架¶

第八章记忆与检索¶

第九章上下文工程¶

第十章智能体通信协议¶

第十二章智能体性能评估¶

第十三章智能旅行助手¶

第十四章自动化深度研究智能体¶

第十五章构建赛博小镇¶

第十六章毕业设计¶