- 博客(1433)
- 资源 (10)
- 收藏
- 关注
RSS订阅
原创 几本智能体开发书的全文试读链接
《AI Agent智能体开发实践》1~6章试读_《ai agent 智能体开发实践》在线阅读-CSDN博客《LangGraph开发AI Agent实践》1~6章试读_langgraph开发ai agent实践在线阅读-CSDN博客《多模态AI Agent开发实践》1~6章试读-CSDN博客 《智能体工程驱动AI Agent开发》1~6章试读-持续更新-CSDN博客《LangGraph智能体设计模式与多智能体开发》1~6章试读_langgraph智能体设计模式与多智能体开发 pdf 下载-CSDN博客《AI
2026-08-15 12:05:51
96
原创 王晓华AE开发入门书《智能体工程驱动AI Agent开发》全文试读
本章将围绕智能体上下文工程的核心技术体系，展开系统性的学习与实战落地：首先，我们会拆解并实现智能体场景中适配上下文管理的常用工具，完善上下文的标准化采集、结构化存储与规范化调用的基础能力；通过本章的学习，你不仅能全面掌握智能体上下文工程的核心技术原理与实现方法，更能完成对前面京韵导览Agent的核心能力升级，让智能体从“单次请求－响应”的简单工具调用程序，升级为具备长时记忆、连贯推理、个性化服务能力的成熟实用型智能体，同时为后续实现更复杂的多智能体协作、长周期任务调度等进阶场景，打下坚实的技术基础。
2026-08-13 11:54:25
569
原创 清华大学出版社-人工智能技术丛书-介绍
AI Agent智能体开发实践》共分16章，内容包括初识智能体、智能体开发环境、智能体的关键技术、提示工程、RAG（检索增强生成）技术、智能体开发平台简介、智能体开发流程、基于LangChain的智能体开发、基于MCP的智能体开发、基于LangChain的问答智能体实战、多模态电商客服机器人实战、智能体性能优化与调试技巧、智能体部署与实施方法、多模态试驾预约Agent实战、基于RAG的多Agent客户服务助手实战、基于MCP的多Agent旅行规划助手实战。
2026-08-10 16:24:55
1365
原创 叶彦辛自然语言开发AI应用《扣子编程从一句话到产品上线：零门槛AI心流开发》全书案例分享~
10.4.5 节点3：OCR 识别节点（ocr_loop，循环子图）139。10.4.6 节点4：表格区域定位节点（table_locate）140。10.4.7 节点5：字段语义锚定节点（field_anchor）141。10.4.8 节点6：数值校验节点（value_validate）142。10.4.10 节点8：CSV 输出节点（csv_output）143。10.4.9 节点7：异常标注节点（anomaly_mark）143。10.4.4 节点2：页面切分节点（pdf_split）139。
2026-07-25 07:01:06
683
原创 卢欣欣扣子智能体开发入门书《扣子编程：从零开始搭建智能体》全书案例分享~
第6章 词“绘”精灵：双语绘本速记单词智能体开发79。第 7 章 秒生幻片：一键生成PPT智能体开发99。第8章 票据飞书：电子发票自动归档智能体开发112。第12章 童言“画”语：视频混剪智能体开发215。第 9 章 期遇：景点票务预约智能体开发132。第5章 仿笔书生：爆款文章仿写智能体开发65。第11章 小睿智评：作业批改智能体开发186。第4章 朝闻小助：新闻早报智能体开发53。第10章 灵犀：智能客服智能体开发154。1.6 智能体初体验：择校助手智能体8。
2026-07-16 14:45:22
854
原创 鲍亮垂直Agent开发入门书《AI智能体应用开发》全文试读~
本章聚焦智能体感知能力这一核心主题，从整体架构视角出发，系统阐述感知能力在智能体体系中的定位与作用机制，并以文档感知为重点，深入拆解文档预处理的关键任务、输出形态及主流技术工具。发展历程的梳理显示，智能体从20世纪中叶的理论萌芽起步，历经符号主义主导的奠基期、连接主义推动的黄金期、强化学习与深度学习融合的复兴期，在大数据与大模型的加持下进入爆发期，每一步演进都离不开技术突破的支撑。本章围绕智能体基础展开，系统梳理了智能体的核心概念、发展历程、核心特点及应用挑战，为读者构建了智能体认知的基础框架。
2026-07-10 13:12:13
512
原创 6本书联动●构建AI智能体学习路线：从入门到多模态智能体开发的进阶指南
学习成果：掌握全部实战案例。比如，能开发一个“旅游规划智能体”——用户说“下周末去杭州玩”，智能体通过MCP调用高德地图（查天气、订酒店）、大众点评（找美食）、景区官网（约门票），最终输出包含交通、住宿、行程的个性化方案，并支持用户通过自然语言修改（如“把西湖行程换成两天”）。比如，能主导一个“工业级智能体项目”，例如“智能供应链调度系统”——多智能体分别负责需求预测、库存管理、物流调度，通过协同优化降低库存成本20%以上，并具备监控报警（如物流延迟预警）、自动扩缩容（应对促销高峰）等生产级特性。
2026-07-08 18:14:38
988
原创 邓立国多模态Agent开发必读书《多模态AI Agent开发实践》全文试读~
3.1 LangChain核心概念（Chain/Agent/Prompt/VectorStore） 35。6.2 主流多模态模型（GPT-4V/CLIP/BLIP/Qwen-VL） 115。5.3 向量数据库集成（Chroma/Pinecone/Milvus） 100。1.2.2 LangChain与多模态智能体的核心结合点（前沿技术） 7。11.1 场景需求：图文结合的内容生成（海报/文案/短视频脚本） 176。
2026-07-06 16:36:10
459
原创 邓立国LangGraph开发必读书《LangGraph开发AI Agent实践》全文试读~
其核心设计思路是通过可视化的节点（智能体功能单元）与边（任务流转逻辑）组合，实现智能体的状态管控、分支决策及循环执行，完美适配智能体开发中推理链优化、复杂任务拆解、多智能体协同等核心场景。与传统的智能体开发框架相比，LangGraph的核心竞争力体现在动态工作流编排、状态持久化存储及多智能体协作效率上，其关键技术组件包含节点（功能落地载体）、边（逻辑控制核心）、状态（数据缓存中心）与条件分支（智能决策机制）。12.5 智能体核心模块（LangGraph定义） 323。
2026-06-25 10:03:15
927
原创 鲍亮大模型应用开发入门书《大模型应用开发》全文试读~更新到第8章
多模态大模型（Multimodal Large Language Model，MLLM）作为人工智能大模型领域的重要发展方向，致力于融合图像、文本、音频、视频等多种模态数据，通过统一的模型架构实现跨模态的信息理解、生成与推理，成为推动通用人工智能（Artificial General Intelligence，AGI）演进的关键技术路径之一。在此基础上，针对本书的主题，重点介绍大模型微调的实践流程，包括数据集准备、模型初始化、训练环境配置、部分或全部微调、评估和验证、部署、监控和维护七个主要步骤；
2026-05-01 08:32:31
576
原创 王晓华LangGraph开发入门书《LangGraph智能体设计模式与多智能体开发》全文试读~
第3章的实战帮助我们掌握了LangGraph的基础流转逻辑，但在实际智能体开发中，往往会遇到更复杂的场景：比如根据不同的输入类型触发完全不同的处理流程，或是将一个复杂任务拆分为多个子任务，由专门的子智能体分别处理。作为LangChain生态下专注复杂智能体开发的开源工具，LangGraph以图结构为骨架，通过结构化记忆管理与动态规划机制的深度耦合，让智能体摆脱了“单次交互即失忆”的局限，具备了连续认知与目标导向的执行能力。学好本章，你将具备Agent开发的“基础设施”搭建能力，为复杂功能的实现扫清障碍。
2026-05-01 08:29:32
736
原创 王晓华智能体开发入门书《AI Agent智能体与MCP开发实践：基于Qwen3大模型》全文试读~
《AI Agent智能体与MCP开发实践：基于Qwen3大模型》读者学习心得与案例重现-CSDN博客内容简介、前言 【新书预告】《AI Agent智能体与MCP开发实践：基于Qwen3大模型》_ai agent智能体与mcp开发实践 基于qwen3大模型 电子书、-CSDN博客目录 《AI Agent智能体与MCP开发实践：基于Qwen3大模型》目录_ai agent智能体与mcp开发实践电子书-CSDN博客 从大模型到自主智能体的能力跃迁_ai agent qwen3王晓华-CSDN博客大模型工
2025-11-28 11:29:27
466
20原创 5.5 RAG优化与评估
RAG（Retrieval-Augmented Generation，检索增强生成）是结合信息检索与生成式AI的技术框架，核心是通过检索外部知识（如文档、数据库）辅助大语言模型生成更准确、可靠的回答。其效果高度依赖“检索质量”和“生成质量”的协同，因此优化与评估是提升RAG系统性能的核心环节。
2026-09-09 14:49:03
291
原创 4.5 智能体的评估与优化
智能体开发中的评估与优化是提升智能体性能和用户体验的关键环节。评估旨在衡量智能体的性能表现，为优化提供依据；优化则是根据评估结果，采取相应措施改进智能体。
2026-09-09 14:41:51
18
原创 第 9 章 DeepSeek核心技术2：MLA注意力机制
DeepSeek中的MLA无疑是一种具有开创性的注意力机制。它巧妙地运用低秩联合压缩技术，将多个注意力头所对应的键（K）和值（V）精准地映射到一个低维潜在空间之中。这一精妙的设计，如同为数据洪流搭建了一座高效的桥梁，使得原本繁杂的KV缓存存储需求得到了显著削减，计算复杂度也大幅降低。在模型性能丝毫不打折扣的前提下，推理效率得到了质的飞跃，显存占用更是被有效控制，为深度学习模型的轻量化与高效运行开辟了新的路径。值得一提的是，DeepSeek还巧妙地融合了MoE架构，即DeepSeekMoE技术。
2026-09-08 14:52:55
9
原创 第 8 章DeepSeek核心技术1：KV Cache加持的推理加速
在前面的章节中，我们已经详细讲解了基于DeepSeek的各类应用，展现了它在不同场景下的强大功能与实用价值。然而，我们深知，DeepSeek之所以能在众多领域大放异彩，取得令人瞩目的成功，其背后离不开内在性能的显著提升。性能的提升犹如坚实的基石，支撑着DeepSeek不断拓展应用边界，实现更卓越的表现。从本章开始，我们将深入探索DeepSeek的核心技术，揭开其性能提升背后的神秘面纱。通过对这些核心技术的剖析，我们不仅能更全面地理解DeepSeek的运作机制，还能领略到其研发团队在技术创新上的智慧与匠心。
2026-09-08 14:34:17
80
原创 第 7 章 大模型驱动的即时金融信息采集与分析平台
在金融行业，资讯获取的重要性无须赘言。对于金融从业者而言，全面且及时地掌握最新金融资讯，堪称一项艰巨的挑战。一方面，海量的资讯信息如汪洋大海，仅仅是进行阅读与筛选，便要耗费大量的时间与精力，让人应接不暇；另一方面，在这纷繁复杂、真假难辨的资讯迷宫中，要做出精准且合理的分析与判断，更是犹如雾里看花，困难重重。不过，随着大模型技术的迅猛发展，这一长期困扰金融从业者的难题，终于迎来了全新的解决方案。
2026-09-08 14:22:21
94
原创 第 6 章DeepSeek的Function Calling与MCP应用实战
大模型的工具调用（Function Calling）功能，作为人工智能领域的一项关键技术，赋予了大模型与外部世界进行交互和协作的能力。在这一领域，DeepSeek所实现的工具调用机制，以其高效、灵活的特点，成为众多开发者和研究者关注的焦点。它不仅能够让模型根据需求精准地调用各类外部工具，还极大地拓展了模型的应用场景并增加了其实用价值。而MCP（Model Context Protocol，模型上下文协议），作为一种具有开创性的开放协议，其核心目标在于标准化人工智能模型与外部数据源、工具之间的交互方式。
2026-09-08 10:32:02
439
原创 第 5 章 基于DeepSeek的Agent开发详解
为此，我们将巧妙借助外部资源，运用高效且精准的信息检索技术，广泛搜集关键数据，同时融合个人的审美见解与缜密的逻辑分析能力，从而打造出令人眼前一亮的约会装扮。这款智能体不仅满足了用户对美食的享受，更通过内置的智能算法，将美食的摄入量精准转化为相应的运动目标，真正践行了“健康生活”的健身理念。这种架构上的革新不仅彻底摒弃了界面解析的烦琐环节，更通过结构化数据的交互方式，显著提升了服务的响应速度与可靠性，同时降低了系统的维护成本。在我们使用API完成Agent的使用之前，我们需要获取对应的API。
2026-09-08 10:25:07
55
原创 第 4 章 思维链与DeepSeek推理模型
随着人工智能技术的迅猛发展，语言模型在处理复杂任务方面的能力正以前所未有的速度提升。其中，思维链技术作为一种极具创新性的方法，正逐步彰显出其在增强模型推理能力方面的巨大潜力。本小节将深入剖析DeepSeek思维链技术的内涵，包括其定义、触发方式、优缺点，并通过具体示例展示其在实际应用中的卓越表现。1. 思维链的定义思维链是一种借助提示大语言模型（LLM）生成中间推理步骤的技术，旨在提高模型在复杂任务（尤其是涉及逻辑、算术推理的任务）上的表现。
2026-09-08 10:21:24
140
原创 第 3 章 提示工程与DeepSeek提示库
除了朋友对话提示，我们还讲解了系统提示的作用与使用方法，从精准性与专业性角度来看，定义DeepSeek角色并限定任务描述范畴，使得模型的回复如同经过专业校准的仪器，具有高度的精准性。同时，提示库的智能化程度也将不断提高，能够更好地理解用户的模糊表达和复杂需求，为用户提供更加精准、高效的解决方案。对于初学者而言，库中配备了详细的基础提示词示例和清晰的使用说明，就像是一位耐心的导师，手把手地引导他们熟悉DeepSeek模型的基本操作和提示词的使用方法，帮助他们快速上手，迈出探索人工智能世界的第一步。
2026-09-08 10:17:49
93
原创 第 2 章 DeepSeek开发环境配置与开放API使用
DeepSeek拥有一套全新的大模型调用方法，既可以通过对话的方式开启大模型的对话，也可以使用API调用的形式来使用大模型。DeepSeek对话窗口如图2-22所示。图2-22 开启免费的DeepSeek对话读者可以免费使用和测试基于网页的DeepSeek大模型，下面我们将以在线大模型API调用的形式对大模型进行讲解。DeepSeek官网是提供大模型服务的开放平台，读者可以通过注册获取API调用服务，首先在DeepSeek官网首页进行注册，如图2-23所示。
2026-09-08 10:16:53
196
原创 第 1 章 大模型时代 《DeepSeek原生应用与智能体开发实践》
大模型时代的到来，标志着人工智能技术迈入了一个全新的发展阶段。在这一阶段，以深度学习等前沿技术为核心的大型神经网络模型成为主流。这些模型以其海量的参数规模和极高的计算复杂度著称，其训练与应用高度依赖于海量的数据、强大的计算资源以及先进的算法优化能力。
2026-09-08 10:04:49
163
原创 《DeepSeek原生应用与智能体开发实践》全文分享~持续更新
减少空间占用的生成模型实战与推理资源消耗量化对比。章 大模型驱动的即时金融信息采集与分析平台。在线蒸馏的损失函数与经典微分方程的求解方法。对于智能客服模型垂直领域知识注入的补充讲解。微调的目的：让生成的结果更聚焦于任务目标。减少空间占用的自回归模型代码实现与详解。驱动的即时金融信息采集与分析平台实战。未运行缓存的生成模型推理资源量化展示。自回归模型中的单分类与多分类激活函数。使用微调后的智能客服基座模型完成推理。驱动的即时金融信息采集与分析平台。在缓存的生成模型推理资源量化展示。
2026-09-08 09:52:51
541
原创 第8章 大模型应用（大模型应用开发）
鲍亮大模型应用开发入门书《大模型应用开发》1~6章试读-CSDN博客大模型应用开发（人工智能技术丛书）【行情 报价 价格 评测】-京东人工智能领域近年来最显著的技术飞跃之一，莫过于大语言模型的快速演进。随着以GPT、Llama、通义千问、文心一言、DeepSeek等为代表的大语言模型迅速迭代，一种新型“通用智能基础设施”正在形成。这些参数规模以百亿乃至千亿计的模型，展现出超越传统规则系统与狭义机器学习模型的泛化能力，为自然语言处理、多模态融合乃至智能决策等任务带来了前所未有的可能性。而“大模型应用”正是在这
2026-09-07 09:12:47
418
原创 第7章 AI智能体（大模型应用开发）
近年来，随着大语言模型（Large Language Model，LLM）能力边界的不断拓展，人工智能从任务驱动型系统逐步迈向具备一定自主性与适应性的智能体（Agent）范式。这一转变不仅在技术路径上标志着从“工具式AI”向“协作式AI”的演进，更在认知层面上引发了对“智能”本质的新一轮探讨。特别是在多模态理解、上下文记忆、复杂推理与链式决策等关键能力的加持下，AI智能体在模拟人类认知过程方面已具备相当潜力，成为当前人工智能研究与应用开发的重要方向之一。本章旨在系统梳理AI智能体的核心理论、关键技术构件及其
2026-09-07 09:06:48
268
原创 9.6 经验总结与迁移应用
当工作流的输出是多个相关产物时，必须在结尾加一个打包节点，把所有产物压缩为一个可下载的文件包。仅说3条渠道风格不同是远远不够的，必须把不同分解为受众、调性、语言、信息密度、行动指令等可量化的维度，并在每条渠道的提示词中显式落地。在产品解码节点之后，并行运行一个短视频脚本节点，把产品解码结果改写为“适合抖音／视频号的钩子—痛点—解法—行动”的脚本结构，并自动生成分镜表。在每条渠道的文案生成节点之后并行接入翻译节点，自动产出英文、日文、西班牙文等多语言版本，便于国际化品牌一站式投放全球渠道。
2026-09-06 21:49:40
18
原创 11.6 经验总结与迁移应用
这一范式的转变与第 9 章经验一“多模态工作流的入口必须显式声明”在哲学层面是统一的，都是关于“工程化处理不完美现实”的智慧。本章把源可信度作为输入字段（source_metadata.trust），但实际生产中这个值应当是动态的——每次运行结束后，审计报告里都会给出“事后可信度评估”，这个评估应当回流到下次运行的先验里，让系统在多次运行中持续优化。许多初学者会把“冲突”与“异常”混为一谈，但二者本质不同——冲突是“多源不一致的事实”，异常是“某个值看起来明显错误的判断”。第五，引入治理结果的下游联动。
2026-09-06 21:46:47
82
原创 10.6 经验总结与迁移应用
在本章实测中，OCR 循环子图占总耗时的 85%，是性能瓶颈，但也是后续并发化升级的天然抓手——只需把子图的串行迭代替换为并发调度，端到端耗时即可从“页数×单页时间”压缩到 max(单页时间)。值得强调的是，校验的目的是“暴露不确定性”而非“修正数字”——本章测试中故意失衡的资产负债表数据没有被工作流“修正”，而是被诚实地标注为待复核，这正是数据采集工作流应有的态度。这些元字段是工作流“诚实地表达不确定性”的载体，没有它们，AI 数据采集就退化为传统 OCR——只能给出“识别结果”，不能给出“识别质量”。
2026-09-06 21:45:06
108
原创 第13章 从一句话需求到上线“续费管家”小程序
目录本章导读13.1 从工作流到应用：一次范式跃迁13.1.1 真实场景：一个被遗忘的订阅13.1.2 个人开发者面前的“三座大山”13.1.3 两种产物的边界：工作流与应用13.1.4 扣子编程的“想法到实现”能力13.2 入口：新建一个编程项目13.2.1 从“新建编程项目”说起13.2.2 三种应用形态：网页、移动、小程序13.3 一句话需求的解构：应用描述五要素13.3.1 从一段产品化的指令说起13.3.2 要素一：产品定位与平台命名13.3.3 要素二：数据模型（实体与字
2026-09-06 21:41:57
203
原创 第 12 章 电商图自动打标工作流（扣子编程从一句话到产品上线）
本章导读通过前面章节的学习，我们体验了扣子编程如何通过“生成”来创造内容——写故事、画绘本、做营销素材、生成数据报告。这些场景的共同特征是“从无到有”。但是，在真实的商业世界里，AI 还有另一面同样重要的能力——“理解”与“结构化”，也就是把杂乱无章的现实数据，整理成机器可以直接消费的标准格式。本章以“电商图自动打标”为案例，构建一个能够看图识图、提取标签、产出结构化 JSON 的智能工作流。学习目标：（1）理解“生成”与“结构化”两类 AI 应用的差异；
2026-09-06 21:38:42
274
原创 第16章机器视觉智能体（垂类智能体实现案例）
在计算机视觉技术迅速演进与产业数字化加速重塑的背景下，社会各行业对自动化视觉任务分析与视觉系统构建的需求持续攀升。从制造业的缺陷检测，到安防监控的目标识别，再到医疗影像的辅助诊断，视觉任务的复杂度不断增加，数据规模呈指数级扩张，传统依赖人工建模、手动数据标注与调参的模式，已难以支撑快速迭代的业务需求。同时，视觉任务高度依赖场景特征与数据分布，人工构建适合每个任务的模型，不仅耗时耗力，也难以在多场景、多需求环境下实现快速适配。智能体技术的兴起为机器视觉的发展提供了新的技术路径。
2026-09-06 06:26:41
154
原创 第14章数据科学智能体（垂类智能体实现案例）
在数据爆炸式增长与跨领域应用需求激增的背景下，传统数据科学面临高门槛、低效率、跨领域知识壁垒等多重挑战，而大型语言模型（LLM）的崛起为数据科学的智能化转型提供了核心动力。数据科学智能体作为融合大模型能力与数据科学方法论的新型解决方案，正推动数据处理、建模分析到价值落地的全流程自动化革新，成为突破传统瓶颈的关键路径。
2026-09-06 06:18:56
185
原创 第15章 决策优化智能体（垂类智能体实现案例）
在数字化转型深入推进的背景下，决策优化技术已成为物流调度、生产排程、人员排班、资源分配等核心业务场景降本增效的关键支撑。然而，传统决策优化流程面临三大核心痛点：一是建模高度依赖运筹学专家，业务人员难以参与；二是专业求解器（如Gurobi、Timefold）配置复杂，参数调优门槛高；三是业务需求频繁变更时，模型迭代响应速度慢。大语言模型（LLM）在自然语言理解、知识建模与自动化生成方面的突破，为打破“业务需求-数学建模-求解执行”的断层提供了新路径。
2026-09-06 06:13:23
187
原创 第13章 数据分析智能体（垂类智能体实现案例）
随着大语言模型（Large Language Model，LLM）在自然语言理解和生成能力上的显著进展，基于自然语言的人机交互模式正逐步扩展至数据分析领域。以“自然语言即查询语言”的理念为基础，数据问答（Data Question Answering，DQA）系统应运而生，使用户得以通过日常语言直接获取结构化或半结构化数据的分析结果。相比传统依赖SQL编写或Python脚本的方式，这类系统大幅降低了操作门槛，拓宽了数据分析的适用群体，在政务、制造、教育、金融等行业均展现出强大的适应性与应用潜力。本章聚焦于大
2026-09-06 06:05:53
361
原创 第12章 深度研究智能体（垂类智能体实现案例）
在信息爆炸的时代背景下，知识工作者对高质量研究报告的需求持续攀升，但行业面临诸多现实困境：信息源分散在学术数据库、网络文章、企业知识库等多个渠道，人工收集整合耗时费力；研究过程需要反复检索、筛选、对比、提炼，传统工作流程效率低下；不同来源的信息质量参差不齐，缺乏系统性验证机制；深度研究往往需要多轮迭代与思路调整，单次检索难以满足需求。传统研究模式高度依赖研究者的个人经验与时间投入，不仅周期长、成本高，还容易因信息获取不全面而影响研究质量。
2026-09-06 06:01:22
209
原创 第11章 智能体应用设计模式
在当前的工程范式下，智能体系统的构建重心正显著地从“底层模型能力调用”转向“上层应用逻辑编排”。这一转变意味着，尽管基础模型的推理能力构成了智能体的认知核心，但系统的最终表现往往在更大程度上取决于应用层的结构组织与运行机制。从架构设计的视角审视，智能体设计模式不仅是代码片段的复用，更是对大规模语言模型非确定性本质的一种工程化约束。本章对相关模式的梳理，并非侧重于模型内部参数的微调或训练算法的改进，而是着眼于如何在应用层面通过逻辑框架的组合，实现复杂任务的可靠解构与执行。
2026-09-05 18:14:16
37
原创 第10章 智能体应用参考架构
如图10-1所示，通过对不同智能体应用的分析，我们将智能体应用架构主要分成4个层级，分别为用户交互层、Agent调度层、工具执行与管理层以及存储与持久化层。这4个层级各司其职，自上而下、由表及里地构成了智能体应用的完整闭环：用户交互层捕获意图，Agebt调度层规划协调，工具执行与管理层执行动作，存储与持久化层存储记忆与知识。各个层级分工明确，保证了智能体应用的模块化和可维护性。在明确架构轮廓后，本节将逐层解析各组件的核心机制。图10-1 智能体应用架构图。
2026-09-05 18:01:44
151
PHP＋MySQL动态网站开发全程实例
2012-11-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人