图文详情

动手打造AI Agent：零基础开发智能体指南从零搞定生产级智能Agent开发智能体真实项目全流程拆解

正版全新

作者: 刘冰著
出版社: 北京大学出版社
ISBN: 9787301371077
出版时间: 2022-12

装帧: 平装
开本: 16开
纸张: 胶版纸

作者: 刘冰著
出版社: 北京大学出版社
ISBN: 9787301371077

出版时间: 2022-12
装帧: 平装

开本: 16开
纸张: 胶版纸

售价 59.90 6.7折

定价￥89.00

品相全新

优惠

发货

承诺48小时内发货

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2026-05-30

数量: 库存11件

立即购买加入购物车收藏

卖家超过10天未登录

五年老店

教育社科专营店

店铺等级

资质认证

90天平均

成功完成

72.73% (13笔)

好评率

100%

发货时间

11.16小时

店主

悦读识人

联系

在线交谈离线留言

地址

浙江省杭州市滨江区

进店逛逛收藏店铺

商品详情
店铺评价

立即购买加入购物车收藏

手机购买

微信扫码访问

商品分类：

计算机与互联网

货号：

5023160

商品描述：

【书    名】动手打造AI Agent：零基础开发智能体指南从零搞定生产级智能Agent开发智能体真实项目全流程拆解
【书    号】 9787301371077
【出版社】北京大学出版社
【作    者】刘冰著
【出版日期】 2026-05-01
【开    本】 16开
【定    价】 89.00元

【编辑推荐】
真实项目全流程拆解，避开工程坑，让Agent系统稳稳落地。

全维体系：从底层逻辑出发，打通AI Agent研发到部署全流程。

实战破局：依托多元场景，输出可复用的系统搭建方法论。

系统掌握：聚焦核心环节，筑牢Agent工程化核心能力根基。

【内容简介】
本书以项目开发为切入点，从工程应用的角度系统梳理智能Agent的构建方法。内容覆盖环境准备、组件选型、插件策略、知识库策略、任务拆解与规划方法等，直至Agent具备“思维闭环”与“自我反思”能力。通过循序渐进的技术展开，全面展现Agent系统在复杂业务环境中的演化路径与工程化落地实践。
  全书共分为11章。第1～4章介绍构建Agent系统的基础准备，包括开发环境、常用框架、关键技术与必要理论，为系统顺利运行奠定基础；第5～6章聚焦于Agent设计中不可或缺的理论知识，明确系统设计的方向与边界，避免在架构与实现阶段出现根本性障碍；第7～9章深入技术实现层面，重点涵盖执行任务、生成任务规划和多Agent协同处理复杂任务等内容，并决定Agent是否具备可落地的智能能力；第10～11章探讨通过闭环反馈实现自我调节与持续优化，并从工程视角串联前文“技术积木”，系统化梳理从零搭建Agent系统的全链路设计流程与关键步骤。从第7章起，书中提供了丰富的基于真实项目简化而来的工程代码与案例，便于读者快速实践与迁移应用。
  本书内容体系贴近实际项目开发，兼顾基础与进阶，既适合作为智能Agent研究与开发的系统参考，也可作为工程师转向AI应用领域的实用指南，同时适用于企业研发团队培训及高校相关课程教学参考。

【目录】
第1章 Agent发展背景

1.1 从AI萌芽到语言智能

1.2 大语言模型的崛起

1.3 从检索到知识增强——RAG

1.4 Agent：让AI从“会说”到“会做”

1.5 为什么要学Agent

第2章自然语言处理基础

2.1 词（LLM如何拆词、读词义）

2.1.1 分词

2.1.2 词义理解

2.1.3 分词的局限性与优化方向

2.2 句子（LLM如何获取语句的含义）

2.2.1 句法结构解析：从线性序列到层次化关系

2.2.2 语义编码：从局部组合到全局推理

2.2.3 预训练任务

2.2.4 复杂句型的处理挑战

2.3 语义（LLM如何理解语言的潜在含义）

2.3.1 语义的层次：从表层到深层

2.3.2 语义表示的核心技术

2.4 上下文记忆（LLM的记忆）

第3章搭建开发环境

3.1 代码开发环境

3.1.1 开发语言与版本

3.1.2 集成开发工具推荐

3.1.3 包管理与虚拟环境配置

3.2 LLM运行环境

3.2.1 硬件环境要求

3.2.2 深度学习框架与依赖库安装

3.2.3 模型权重文件下载与部署

3.3 数据库运行环境

3.3.1 常用数据库类型

3.3.2 向量数据库安装、配置与交互

第4章知识库

4.1 常见数据结构及选择策略

4.1.1 基础数据结构特性分析

4.1.2 高级数据结构应用

4.1.3 结构选择

4.2 数据清洗与处理

4.2.1 数据质量问题

4.2.2 清洗技术

4.2.3 清洗流水线设计

4.3 存储方案选型

4.3.1 存储类型对比

4.3.2 选型决策模型

4.3.3 混合存储实践

4.4 向量检索技术

4.4.1 核心算法解析

4.4.2 工程实现方案

4.4.3 性能优化策略

4.5 关键词检索技术

4.5.1 传统检索模型

4.5.2 现代改进方案

4.5.3 结果排序优化

4.6 混合检索技术

4.6.1 融合策略设计

4.6.2 权重分配机制

4.7 知识库设计案例解析

4.7.1 背景

4.7.2 知识库构建

第5章任务拆解

5.1 什么是任务拆解

5.1.1 为什么需要任务拆解

5.1.2 任务拆解在Agent中的作用

5.1.3 任务拆解的实现逻辑

5.1.4 拆解粒度与并行性设计

5.2 任务拆解原则

5.2.1 意图驱动优先

5.2.2 原子性优先

5.2.3 依赖清晰优先

5.2.4 复用优先

5.2.5 执行效率优先

5.3 案例解析

5.3.1 背景与目标

5.3.2 需求梳理与初步拆解思路

5.3.3 拆解任务的实现细节

5.3.4 任务拆解方法总结

第6章任务规划

6.1 系统依托的资源测算

6.1.1 Agent的资源依托有哪些

6.1.2 常见资源测算指标

6.2 任务规划的方法

6.2.1 什么是Agent任务规划

6.2.2 常见的任务规划方式

6.2.3 思维链推理

6.2.4 任务规划与任务拆解的区别

6.3 案例解析

6.3.1 背景与目标

6.3.2 业务流程概览

6.3.3 Agent设计与实现

第7章执行任务

7.1 执行阶段的角色与目标

7.1.1 从“想”到“做”的跃迁机制

7.1.2 执行阶段在整体系统中的定位

7.1.3 LLM在执行任务过程中的“工具性”角色

7.2 工程化执行架构设计

7.2.1 调度机制：串行、并行和异步

7.2.2 状态管理与上下文追踪

7.2.3 模块解耦

7.2.4 插件式执行框架设计思路：引入LangChain

7.2.5 完整执行任务的示例解读

第8章生成任务规划

8.1 指令式提示生成

8.1.1 指令模板整体结构

8.1.2 JSON输出校验

8.1.3 LangChain集成

8.2 示例提示生成

8.2.1 示例模板整体结构

8.2.2 LangChain集成

8.3 上下文记忆提示生成

8.3.1 适用场景

8.3.2 上下文模板结构

8.3.3 LangChain集成

8.4 链式提示生成

8.4.1 适用场景

8.4.2 LangChain集成

8.4.3 注意内容

第9章多Agent协同处理复杂任务

9.1 多Agent系统协作范式设计

9.1.1 任务流水线

9.1.2 专家并行

9.1.3 指挥官与执行者

9.2 调度与流转逻辑设计

9.2.1 调度器设计

9.2.2 Agent注册机制

9.2.3 DAG解析

9.3 LangGraph集成

第10章 Agent的迭代优化

10.1 执行反馈的数据采集

10.2 LLM+规则混合的行为调优

10.2.1 常见的混合模式

10.2.2 常见的反思机制

10.3 调整效果评估

10.3.1 从工程角度理解Agent运行的机制

10.3.2 参数层面的效果评估

10.4 工程实践中的常见误区

第11章工程设计步骤

11.1 常见功能模块汇总

11.2 逐步明确要做什么

11.2.1 区分清楚何时需要调用LLM

11.2.2 设计可用的Prompt注意事项

11.2.3 汇总Agent需要采集的数据

11.2.4 明确输入输出的数据结构和字段类型

11.2.5 设计DAG

11.2.6 设计Agent注册表及Agent下游工具注册表

11.2.7 向量数据库设计

11.3 开发Agent的步骤

【前言】
编写思路

本书的编写思路紧贴实际项目的推进过程。作者并没有单纯地将编写视为“写作任务”，而是将其当作一次完整的工程复盘，甚至可以说本书更像是一份方案文档或学习笔记。换句话说，书中的每个章节都是按照从零开始开发一个智能体（Agent）系统的实践路径展开的。这种写作方式力图忠实呈现一个从无到有、从概念到工程落地的思维模型，让读者在阅读过程中能直观感受到构建Agent系统时真实的思考逻辑与实施步骤。

因此，本书在整体风格上可能与传统的技术类书籍存在差异。它不过多强调抽象的框架，也不堆砌过多“高大上”的新概念，而是将注意力集中在具体的实现逻辑和可操作方法上。读者在阅读时会发现，书中的案例与代码示例都尽可能贴近实际工程，往往直接对应笔者在真实场景中遇到的问题与解决方案。这种“接地气”的风格，使内容既具备理论价值，又能为工程实践提供直接参考。

这一编写思路具有双重优势：其一，有助于初学者更快进入状态，避免因过多抽象概念而产生畏难情绪；其二，能让有经验的工程师在对照笔者思路的过程中，发现自身项目与案例之间的共鸣，从而获得更有针对性的启发。总体而言，本书并不是“空中楼阁”式的理论教材，而是一份兼顾思维推演与工程实操的实践笔记。

内容构成

本书主要介绍了以下内容。

◎ 第1～4章：主要介绍构建Agent系统所需的基础准备，包括开发环境、常用框架、关键技术与必要理论等。这些内容在项目开发过程中可能不会直接体现，却是整个系统顺利运行的基石。

◎ 第5～6章：聚焦于设计和开发Agent所必须理解的理论知识，它们决定了系统设计的方向和边界，避免在架构和实现过程中遇到重大障碍。

◎ 第7～9章：进入核心工程实践，重点讨论构建Agent系统过程中必须关注的核心技术环节，包括执行任务、生成任务规划和多Agent协同处理复杂任务等内容。它们直接决定了Agent是否具备可落地的智能能力和执行效能。

◎ 第10～11章：探讨如何在工程化环境下实现Agent的高级能力。例如，在系统业务层面如何保证系统的稳定性、可扩展性和高可用性，以及系统如何进行自我调节与持续优化等。此外，从工程视角串联前文“技术积木”，系统化梳理从零搭建Agent系统的全链路设计流程与关键步骤。

笔者提示

在撰写本书之前及写作过程中，笔者曾多次为一些软件公司提供大语言模型（Large Language Model，LLM）应用转型相关的培训。这些培训对象大多是研发团队的工程师，他们的核心任务是探索如何合理使用大模型提升工作效率，以及在现有项目中引入RAG（Retrieval-Augmented Generation，检索增强生成）/Agent等业务概念，从而为业务创造价值并提升产品的溢价能力。在与这些团队深入交流的过程中，笔者逐渐发现一个普遍存在的问题：不少人对LLM应用开发存在严重的认知偏差。

很多工程师，甚至是算法出身的专业人员，在学习了网络教程或培训资料后，普遍会产生一种“错觉”——认为基于LLM打造应用系统是一件简单的事情。因为在他们看来，似乎只要调用一个模型API，就能立即获得可用的功能；即便考虑到私有化部署，一些人仍觉得难点仅在于“如何搭建和维护模型”，而其余的工程实现似乎不值一提。

这种过度简化的认知，往往会带来两方面的不良后果。

第*，对公司内部项目的错误估计。许多团队在立项初期会高估大模型的万能性，低估工程化落地的复杂性，导致*终的成果与*初的目标差距过大，出现“货不对板”的情况。表面上系统集成了LLM，但在实际使用中不仅稳定性不足、效率偏低，更缺乏与业务场景深度融合的能力，*终无法产生实质性价值。

第二，对外部成本的错误评估。由于没有充分理解LLM应用开发中涉及的数据处理、上下文管理、任务调度、工具调用、日志监控、安全合规等一系列工程环节，很多公司在与客户谈判或方案报价时，往往过于乐观地低估成本。当真正进入开发和部署阶段，这些隐藏的工程成本逐渐显现，结果要么是项目超支、利润受损，要么是被迫以牺牲质量为代价来降低投入，*终成为“赔本买卖”。

事实上，真正的LLM应用开发不是一次简单的API调用，也不是单纯地把模型部署在本地就算完成。它更像是完整的软件系统工程，需要在多个层面做好设计与实现。

① 数据层面：包括数据清洗、特征提取、知识库构建等，确保模型能够基于高质量数据发挥价值。

② 任务层面：需要设计任务拆解与任务规划逻辑，使Agent能够将模糊的自然语言需求转化为可执行的步骤。

③ 工具层面：不仅要调用外部接口，还要设计好工具注册、参数管理和容灾机制。

④ 系统层面：涵盖日志记录、错误处理、上下文管理、安全与权限控制等，保证系统在复杂环境中依然稳定可靠。

⑤ 业务层面：要确保技术能力真正与业务目标结合，而不是堆砌技术名词或停留在演示层面。

因此，读者在学习本书内容时，需要明确一个核心认知：LLM只是Agent的一部分，真正决定系统价值的，是围绕模型所构建的一整套工程化能力。忽视这些工程要素，就会在实际开发和应用落地中不断碰壁。

本书的写作目的，正是希望帮助读者跳出“只需调用API”的狭隘认知，全面理解一个可用Agent系统所需的方方面面。只有认识到其中的复杂性与系统性，才能在项目开发中做到心中有数，避免盲目立项、低估成本或误判难度。换句话说，LLM和Agent并非“万能胶”，而是需要在合适的场景中，通过合理的工程手段去释放其真正价值。

经历分享

在2025年初，笔者受朋友邀请参与评估一个智能化项目。该项目的目标是构建一个以RAG为核心的智能系统，部分需求涉及Agent能力。客户在*初沟通时提出了明确要求：希望引入LLM，以替代现有业务系统中的部分功能，打造一套新的智能应用。

经过一周多的详细需求梳理与方案论证，项目团队对项目进行了成本测算。尽管具体金额不便公开，但在综合考虑软硬件采购、模型部署、人力投入等因素后，整体成本处于数十万元级别。对于业内人士来说，这一预算并不夸张，属于合理且可控的范围。

然而，在随后的竞标过程中，另一家同行公司以不足我方预估成本一半的报价拿下了项目。表面上看，这似乎是一种“更高性价比”的选择。但到了2025年8月，即笔者撰写本段文字时，该项目已宣告失败，客户也已重新开始寻找新的合作方。据了解，失败的主要原因是该公司前期严重低估了项目开发的复杂度与真实成本，导致后续无法交付与客户期望匹配的成果。

分享这段经历的目的是揭示当前AI（尤其是LLM）应用热潮中普遍存在的问题：许多企业在规划相关应用项目时，往往过度关注表层的“模型调用”（技术堆砌思维），却忽略了背后完整的工程化成本。实际上，真正决定系统成败的，不仅是模型本身，而是一系列配套的工程能力。如果仅凭“API调用”或“低价竞标”来支撑项目，*终结果往往是无法落地的演示品，甚至直接以失败收场。
配送说明

...
相似商品
为你推荐