夏天又到了的专栏

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。

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。

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。

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。

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。

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

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。

在全球化电商生态中，多语种交互能力已成为制约服务效能的关键瓶颈。随着DTC（Direct-to-Consumer，直接面向消费者）模式的崛起和新兴市场的渗透，传统客服体系面临三重挑战：其一，非通用语种覆盖不足导致20%~30%的海外用户咨询流失；其二，时区差异引发响应延迟，投诉处理周期平均延长1.8倍；其三，文化差异造成的语义误解使纠纷解决率下降35%。针对上述行业痛点，本章将构建基于混合架构分层Agent大模型的智能客服系统，通过微调模型与云端大模型的协同机制，实现语言处理精度与场景适应性的双重突破。跨境

深圳，这座蕴含着科技创新基因的未来之城，始终以“敢为天下先”的锐气勾勒着数字时代的天际线。从5G基站编织的数字经络，到无人机划过的智慧天际线；从云上代码构筑的云端宇宙，到刀片电池迸发的绿色能量，深圳企业以“硬核创新”为笔，在大湾区的版图上书写着中国智造的新范式。当代深圳以“科创引擎”的姿态，将人工智能的算力、基因测序的密码、量子计算的曙光熔铸成一座立体的创新矩阵—科技园的午夜灯火与创业咖啡馆的灵感迸发同频共振，前海湾的浪潮与科学城的射线交织共鸣，构建起全球瞩目的“基础研究＋技术攻关＋成果产业化”全链条创新生

LangGraph作为多智能体编排框架，专注于管理集成了大语言模型的应用程序的控制，尤其适用于构建复杂、有状态的代理系统。其核心设计理念是提供灵活的基础设施支持，允许开发者构建长期运行的工作流或代理，同时不抽象底层提示工程或模型架构，保留对执行过程的精细控制。LangGraph图标如图15-1所示。图15-1 LangGraph图标与传统代理框架不同，LangGraph通过图结构定义代理间的交互逻辑，支持循环流程和动态决策，能够实现多代理协作、任务自动化及复杂状态管理。例如，在需要多角色参与或持续状态更新

杭州，这座浸润着千年古韵的江南名城，一直以来都是中华饮食文明的璀璨明珠。它既有苏东坡笔下“火候足时它自美”的东坡肉，还有“潋滟醋香映西湖”的西湖醋鱼，杭帮菜以“鲜醇味美”的独特风味构建起中国菜系的重要一脉。当代杭州更以“美食之都”的姿态，将龙井虾仁的茶韵、叫化童鸡的古法、知味小笼的精粹熔铸成一幅流动的味觉地图。在这座城市，美食不仅是舌尖的盛宴，更是活态传承的非遗技艺与现代创意的交响—米其林餐厅与百年老字号隔湖相望，数字厨房与古法灶台共谱新章，构建起独一无二的美食生态体系。杭州美食宣传图如图14-1所示。图1

相比之下，作为高效与高性价比结合的MCP云服务平台，腾讯云提供了丰富的服务器配置选项、稳定的网络环境和专业的技术支持，用户可以根据自身需求选择合适的服务器套餐，快速完成服务器的搭建与部署，无须过多关注硬件维护和网络配置等复杂问题，能够更加专注于MCP服务的开发与应用。通过精心设计与编写程序，我们实现了灵活的服务部署，既能在单机环境下模拟搭建MCP服务，满足本地开发、测试等需求，又能在局域网内架设MCP服务，方便局域网内的设备进行访问与交互，适用于企业内部协作、小型办公网络等场景。

实验数据显示，优化后的MCP服务在保持原有功能完整性的基础上，使复杂查询的准确率提升42%，同时支持动态知识注入机制，为科研场景的持续演进预留了扩展空间。值得注意的是，实际数据中的summary字段被示例代码截断显示，真实场景中可能需要处理更长的文本内容，而pdf_url字段重复的链接是示例数据的占位符，实际应用时应确保链接的唯一性和有效性。在本章中，我们讲解了一个完整的自定义和优化MCP服务的项目，从拆解原有的可用库开始，对它进行修正，并将它作为一个新的库进行部署。

前面讲解了MCP服务的使用，并自定义了多种MCP服务，相信读者已经掌握了基础MCP服务代码的编写与获取方法。本章将进一步对MCP服务进行剖析，并以高德地图MCP服务为目标完成MCP应用实战。11.1 MCP验证工具与高德地图剖析对于我们自定义的MCP程序代码来说，可以使用MCP Inspector来完成对程序的验证。实际上MCP Inspector是一款用来调试MCP Server的交互式开发者工具，内置了可视化界面，可用于手动对MCP服务进行验证和演示。11.1.1 MCP Inspector使用演示

在这些情况下，仅仅依靠大模型自身的能力是远远不够的，我们额外需要一种能够让大模型直接、高效地调用这些专业工具的方法，而MCP正是为解决这一问题而诞生的。相较于传统的工具调用，MCP展现出显著的优势。传统的工具调用往往呈现出碎片化的特点，不同的AI模型和应用可能采用不同的调用方式，这使得开发者在面对不同的项目时，需要不断地重新学习和适应，极大地增加了开发的难度和成本。因此，通过对工具API中的描述进行甄别，可以判定最合适使用哪一个工具，再加上合理的引导和训练，可以使大模型更加智能化，从而完成对工具的使用。

随着人工智能技术的不断发展，智能体（Agent）作为具备感知、决策与执行能力的自主实体，正逐步成为下一代智能化系统的核心形态。从早期基于规则的简单响应系统，到如今依托大语言模型驱动的自主智能体（Autonomous Agent），技术演进不仅体现在模型能力的增强上，而且体现在整体架构设计范式的深刻变革方面。本章将围绕智能体的技术演进路径与核心架构设计展开深入探讨，旨在揭示智能体如何从单一工具调用发展为具备意图理解与自主决策能力的复杂系统。首先，在技术演进层面，我们将回顾从大语言模型到自主智能体的能力跃迁过程

假设企业希望用模型解答内部产品技术文档中的复杂问题，传统方式下模型可能因训练数据滞后而给出错误的答案，但通过RAG架构，Qwen3可在生成回答前自动检索最新文档库，将问题与相关技术条款、操作手册片段进行语义匹配，再将检索结果与原始问题融合生成答案。在这一过程中，模型不仅要理解问题本身，还需准确整合多个检索结果中的信息，排除冗余干扰，形成连贯、准确且有逻辑性的回答。在实际应用中，合理的提示词结构、上下文引导词以及明确的任务指令，能够显著提升模型在特定任务上的表现，如图5-1所示。

然而，如果我们对提示词进行优化，比如改为“请以中学生可以理解的方式，详细解释爱因斯坦的相对论及其两个主要组成部分”，这时模型会更有针对性地组织语言，用更通俗易懂的方式来讲解，甚至加入一些比喻或生活中的例子，使内容更容易被理解，如图4-5所示。又如，在生成创意类内容时，不同的提示词也会影响模型的创造力表现。假设我们希望让模型解释“什么是相对论”这一问题，如果直接输入“请解释一下相对论”，这样的提示词虽然清晰明确，但模型可能会给出一个较为笼统、通用的解释，缺乏细节和深度，如图4-4所示。

在上面代码中，modelscope 提供了统一的接口来加载 ModelScope 平台上托管的模型资源，这里使用的是 Qwen/Qwen3-0.6B 模型，它是一个轻量级的大语言模型，适合进行指令微调任务。二次元风对话就像一把神奇的钥匙，打开了虚拟与现实交流的大门，让人们在日常交流中也能感受到二次元文化的欢乐与活力，拉近彼此距离，营造出轻松有趣又充满创意的交流氛围，成为许多年轻人热衷的表达方式。同时对于使用者来说，大模型微调技术的出现，不仅提高了预训练模型在新任务上的性能，而且降低了模型的训练成本和时间。

用户不仅可以在这里轻松查找、下载所需的模型，还可以通过平台提供的在线推理、模型训练及部署工具，快速实现模型的测试与应用落地。创空间是ModelScope平台提供的模型应用可视化私域空间与运营阵地，可基于ModelScope平台上模型提供的原子能力，自行搭建与展示不同AI应用，包括自定义的模型输入/输出、多模型的组合，以及可视化交互展现形式等。作为国内活跃的模型开放平台之一，ModelScope不仅汇聚了大量主流的AI模型，还提供了便捷的模型下载与使用方式，极大地方便了开发者的学习与实践。

在科技浪潮汹涌而来的今天，人工智能（Artificial Intelligence，AI）领域正以无畏的探索精神和蓬勃的创新活力，勇敢踏上全新的演进之路。它宛如一颗璀璨的新星，在科技苍穹中闪耀着独特光芒，吸引着无数目光。当下，人工智能领域成果频出，令人目不暇接。众多科研力量如潮水般积极投身其中，他们日夜钻研、不懈探索，推动着技术的边界不断拓展。从深度学习算法的持续优化，让机器能够更精准地理解和处理复杂数据，到自然语言处理技术的突飞猛进，使人与机器的交流愈发自然流畅；从计算机视觉在安防、医疗等领域的广泛应用，

代码组织遵循功能模块化原则，通过类和方法封装不同功能，实现了业务逻辑与界面展示的分离，便于后续扩展与维护。系统在缺失某些依赖模块时会自动启用Mock实现，保证基础功能的可用性。（智能体通信消息格式）实现（避免导入错误）（目的地推荐智能体）

使用浏览器访问http://localhost:7871/，界面如图16.3所示，在旅游需求中输入“带父母海边度假，6天，预算8000元，避开人群。”单击“生成计划”按钮，将在结构化计划中输出“您的个性化旅游计划”。运行这个主程序后，只需向/plan端点发送包含用户旅行需求的请求，系统会自动处理并返回完整的旅行规划方案。这个版本将提供命令行交互界面，让用户可以直接输入需求并获取旅游规划结果。图16.3 输出“您的个性化旅游计划”请输入旅游需求（如：带父母去海边度假，输入旅游需求（如：带父母去海边度假，

运行程序后，你将看到两种不同情况的处理结果，清晰展示了冲突解决机制的工作方式。运行程序后，它会自动创建数据库文件（如果不存在），添加一些示例数据，并展示如何查询和获取推荐结果。（1）消息系统：基于ACL（Agent Communication Language）的消息格式，定义了不同类型的消息行为（Performative）。本示例是一个完整的MCP实现，这个实现包含消息传递、任务分配、结果聚合等核心功能，具体说明如下。可以根据需要扩展这个系统，例如添加更复杂的消息处理逻辑、消息加密、消息持久化等功能。

该程序要从Hugging Face官方仓库下载模型config.json、pytorch_model.bin、vocab.txt、tokenizer_config.json和tokenizer.json，国内网络访问会遇到网络超时（ConnectTimeout: Connection to huggingface.co timed out），以下是100%无须网络的最终解决方案。模拟两个地点之间的距离（秒），使用随机值，但保持一致性。文本：想了解唐朝历史，西安有哪些必去的博物馆？

系统采用模块化设计，结合了大语言模型（Qwen系列）的自然语言理解能力与多智能体系统的协作处理能力，可通过Gradio界面实现友好的人机交互。系统采用多层架构设计，主要包含以下层面。系统架构如图16.1所示。图16.1 系统架构图。

智能旅游规划助手是一款基于人工智能技术的旅游服务应用系统，旨在为用户提供个性化的旅游规划方案。该系统通过自然语言处理解析用户旅游需求，结合多智能体协作机制，生成包含目的地推荐、每日行程安排、预算估算、天气信息及应急方案在内的完整旅游计划。

【示例15.1】多Agent客服系统的完整代码，文件名为rag_multi_agent_system.py。当需要产品细节、使用方法等信息时使用。输入应为查询的问题。根据客户的问题，决定使用哪个工具。如果需要多个工具的信息，逐步调用它们。请根据文档内容回答，不要编造信息。如果文档中没有相关信息，请说明。建议您联系我们的客服团队以获取更多帮助。建议您联系我们的客服团队以获取更多帮助。，负责理解客户需求并调用合适的工具提供准确回答。当用户询问产品是否有货、库存数量时使用。处理查询，使用单参数输入，格式为。

（1）需求分析：明确客服场景核心需求（产品咨询、库存查询、用户信息/订单查询）。3. 文档检索Agent（DocumentRetrievalAgent）4. 用户数据库Agent（UserDatabaseAgent）系统的核心功能模块设计流程遵循“需求分析→模块拆分→接口设计。系统核心协调器，负责理解用户需求并调度合适的工具Agent。5. 库存查询Agent（InventoryAgent）定义所有工具Agent的抽象接口，实现标准化设计。2. 工具Agent基类（ToolAgent）

（2）核心流转：用户请求通过客户端交互层进入系统，由TopAgent解析后分发到对应工具Agent，工具Agent操作数据存储层完成任务并返回结果。本章介绍的多Agent客户服务系统采用分层Agent架构，通过协调多个专用Agent协同工作，实现智能化的客户服务。该架构图清晰展示了代码中各模块的层级关系和数据流向，符合代码中TopAgent协调多个工具Agent、工具Agent各自管理数据的设计逻辑。（1）分层关系：采用自顶向下的四层架构，上层依赖下层提供的能力，各层通过标准化接口 交互。

基于RAG的多Agent客户服务系统是一个基于LangChain框架构建的智能客服解决方案，融合了检索增强生成（RAG）技术与多智能体（Multi-Agent）协同架构，旨在实现复杂客服场景的高效响应与精准决策。以阿里云DashScope平台的Qwen大语言模型为推理核心，通过专业化Agent分工协作，处理产品咨询、库存查询、用户信息及订单查询等典型客服场景需求，提供结构化、准确的服务响应。（2）RAG技术融合：通过文档检索Agent直接加载并利用预设文档内容（如产品手册）生成回答，确保信息准确性。

数据是智能体运行的“燃料”，部署前后都需要提前准备高质量的训练数据（模型优化）和测试数据（验证部署效果）。

【示例14.1】AI试驾预约系统集成main.py。以下是程序完整的依赖环境说明、第三方库安装清单及标准化运行步骤，确保你能快速部署并使用系统。

（2）AI模型集成：支持调用Qwen-VL多模态模型（需配置API密钥）。（2）意图识别：基于关键词匹配的文本意图识别（可扩展为NLP模型）。（2）冲突处理：紧急预约调整机制（优先处理并顺延后续预约）。（2）个性化调整：支持风景路线、性能路线、城市路线三种偏好。（3）动态调整：根据天气情况（雨、雾、雪）自动调整路线。（1）时间规划：基于相对时间和绝对时间的转换与计算。（1）输入处理：支持文本、语音、图像三种输入方式。（1）基础路线生成：基于坐标计算的距离和时长估算。1. 多模态交互技术。

该项目分层设计：采用松耦合架构，各模块可独立维护和扩展；数据流方向：用户输入→多模态处理→业务逻辑处理→外部系统交互→结果反馈；可扩展性：预留Redis支持、外部API集成接口，便于系统升级。4. 预约创建核心流程（TestDriveAgent.create_appointment）3. 多模态处理模块（MultiModalInputHandler）1. 车辆调度模块（VehicleScheduler）2. 紧急处理模块（EmergencyHandler）缺少姓名或电话（必填项）车型照片）进行不同处理。

本系统应用采用模块化设计，构建了一个完整的多模态试驾预约智能体系统，整体框架分为6个核心模块和1个集成层，如图14.1所示。2. 核心业务逻辑层（TestDriveAgent）1. 多模态输入层（用户交互层）图14.1 系统架构图。本系统架构详细说明如下。

该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统，主要功能概述如下。

部署成本（算力、运维）是长期支出，需通过策略优化平衡性能与成本。本节将介绍智能体部署的成本优化策略。

针对边缘/嵌入式部署中“算力有限”的问题，需通过轻量化技术缩减模型体积、降低计算量，同时保持精度。

智能体的部署需要根据业务场景（延迟、成本、数据敏感性）选择合适的部署方案，本节将介绍智能体部署的常见方案。