AI Agent 的构建与应用（探索型）

大模型前沿应用实践 / 2026-01-16 16:17:38
AI Agent 的构建与应用（探索型）
    马上咨询

    讲师介绍

    张老师 驭势科技云平台研发总监，全民数字素养与技能培训基地特聘高级专家

    • 本硕毕业于复旦大学，曾就职于英特尔亚太研发有限公司，担任高级研发经理和架构师
    • KubeSphere Ambassador，CNCF OpenFunction TOC Member
    • GenAI 专注领域：LangChain, RAG, Agent, Prompt & Flow Engineering
    • 云原生专注领域：Kubernetes, DevOps, FaaS, Observability


    技术布道经验（部分）

    • 专注领域：GenAI、Cloud Native、Web2.0
    • 编著《LangChain 实战》（一周即上京东计算机新书榜第一）
    • B站UP主（沧海九粟）：7600+粉丝，36+万视频播放


    课程大纲
    1. AI Agent 的基础构成
    介绍构建 AI Agent 的三个核心要素：基于 LLM 的规划推理能力，通过 API 实现的工具调用能力，以及维持上下文的记忆机制，为后续架构设计奠定基础。
    2. ReAct: AI Agent 的“第一”构建范式
    解释 ReAct 作为 AI Agent 的基础执行范式，如何通过思考（Reasoning）和行动（Action）的交替来实现可控的任务执行过程。
    3. Agent 的基础架构模式及典型工作流
    • 独立贡献者模式： 介绍单 Agent 多工具的结构及其适用场景
      • 案例：结构化输出 Agent 工作流，通过工具增强实现输出格式精确控制
    • 团队协作模式： 讲解网状多 Agent 架构如何实现分工协作
      • 案例：Agentic RAG 工作流，通过检索、分析、撰写等专业 Agent 协作完成研究任务
    • 监督者模式： 探讨主导 Agent 如何有效统筹和协调其他 Agent
      • 案例：智能客服工作流，通过主管 Agent 分发和协调多个专业 Agent 的工作流程
    4. Agent 开发框架速览
    • 为什么需要框架： 降低认知负担，专注于 Agent 行为设计
    • CrewAI 特性： 基于人类组织隐喻的高层抽象，快速构建多 Agent 协作系统
    • LangGraph 特性： 基于状态机的底层流程编排，实现精确的行为控制和扩展
    5. Agent 系统的必选特性
    概述构建生产级 Agent 系统的三个关键要素：面向确定性的流程控制机制、支持运维的可观测性设计，以及保障产出质量的评测体系
    6. 最后但容易被遗忘的：Agent 的记忆机制
    介绍 Agent 系统中三种核心记忆类型：维持对话连续性的过程记忆、存储上下文信息的语义记忆，以及积累经验的事件记忆，及其在提升 Agent 能力中的作用

    最新动态

    点击阅读更多内容
    返回顶部