ChatGPT与大模型研究

当代理型系统逐步织入我们的工作流程时，成败不仅取决于“它们能做什么”，同样取决于“它们如何与人协作”。本章把交互层面的机制（界面、不确定性信号、交接方式）与治理结构（监督、合规、信任校准）结合起来，帮

采用代理式 AI 带来了有别于传统软件的独特安全挑战。代理式系统具有自治、复杂推理、动态交互与复杂工作流等特征，显著扩大了威胁面。要有效保护此类系统，必须同时应对传统安全问题以及源自代理自治、概率决策

在任何足够复杂的多代理系统中，失败不是异常——而是必然。这些系统运行在动态的真实环境中，要与多样化的用户、不可预测的输入，以及迅速变化的外部数据源交互。即便设计再完善，也会遭遇边界情形、含糊不清的指令

无论你是产品负责人、机器学习（ML）工程师，还是站点可靠性工程师（SRE），一旦代理（agent）进入生产环境，你就必须能看见它们在做什么、为什么这么做。把代理系统上线只是“半程”；真正的挑战，从它们

构建产品和应用从未如此容易，但有效衡量这些系统仍是巨大的挑战。团队常常承受“尽快发布”的压力，但花时间严格评估性能、检验质量，从长期看能带来回报，并最终让团队以更高的信心与速度前进。缺乏严格的评估与度

大多数用例都会从单个 Agent开始，但随着工具数量的增加，以及你希望 Agent 解决的问题范围扩大，引入多 Agent 模式可以提升整体性能与可靠性。正如我们不太会把所有代码都放在一个文件里，或把

本章介绍将“学习”引入智能体系统的多种方法与集成技巧。让智能体具备随时间学习与改进的能力非常有用，但在设计智能体时并非绝对必要。实现学习能力需要额外的设计、评估与监控工作，是否值得投入取决于具体应用。

你的智能体如今已具备工具与编排，足以采取行动完成真实工作。但在大多数场景中，你还会希望智能体既记得发生过什么，又知晓超出模型权重之外的更多信息。本章聚焦知识与记忆——两种互补却不同的方式，用来充实智能

既然你的智能体已经具备一套可用工具，下一步就是将它们编排起来以解决真实任务。编排不只是决定调用哪些工具、何时调用；还需要为每次模型调用构建恰当的上下文，以确保行动有效且有依据。简单任务也许只需一个工具

虽然基础模型（foundation models）擅长长时间对话，但工具才是赋能 AI 智能体去检索额外信息与上下文、执行任务、并以有意义的方式与环境交互的基石。在 AI 语境中，工具可以被定义为：智

随着智能体系统逐渐成为我们数字环境的核心组成——无论以聊天机器人、虚拟助理，还是完全自治的工作流形态出现——它们所提供的用户体验（UX）在成败中起到关键作用。尽管基础模型与智能体架构带来惊人的技术能力

设计智能体系统 大多数从业者在构建智能体系统时，并不会先写一份宏大的设计文档。他们通常从一个杂乱的问题、一个基础模型 API 密钥，以及一个也许能奏效的粗略想法开始。本章是一份快速入门，帮助你立刻上手

我们正见证一场由自主智能体推动的深刻技术变革——这类智能软件系统能够独立推理、做出决策，并在动态环境中有效交互。不同于传统软件，自主智能体能够理解情境、适应不断变化的场景，并在最少人工干预下执行复杂动

在不断演进的人工智能（AI）开发版图中，协议正快速成为连接模型、工具与外部系统的“结缔组织”。近几个月里，围绕新协议以增强智能体之间的互操作性与协同的活动激增。其中最引人注目的包括 Anthropic

到目前为止，我们已经探讨了如何构建功能强大的单智能体系统——这些智能体借助工具、知识、记忆与编排层来解决复杂任务。经过正确配置后，它们能够调用广泛的知识与集成，独立行动，表现出很强的能力。不过，当我们

正如前几章所述，AI 智能体的一项关键特性与差异化优势在于它们能够与外部世界交互。LLM 虽能理解、推理并生成文本，但归根结底仍受限于其训练数据与当前上下文窗口。若要超越被动对话、执行真实而有用的动作

大型语言模型（LLM）本质上是无状态的，尽管它们看起来连贯且善于对话。它们只“知道”你在当前提示里告诉它的内容。除非你显式加入，否则不存在持久的上下文或历史。若设计得当，记忆能让智能体随时间保持一致、

自大型语言模型（LLM）问世与 AI 应用爆发以来，开发者面临的挑战日益增多：如何有效管理与协调日趋复杂的 AI 系统。随着 AI 智能体能力与自主性不断增强，它们的行为必须被结构化、监控并优化——且

本章将回顾 AI 智能体 的演进历程，从早期的机器人流程自动化（RPA）到当今复杂的多智能体架构。我们将界定“什么才是真正的 AI 智能体”，拆解其关键组成，并考察正在重塑全球各行各业的不同类型的 A

在过去两年里，大型语言模型（LLMs）重塑了人工智能的版图。从简单的基于提示词的交互到横跨各行业的复杂应用，LLM 的能力在架构、训练技术与微调策略上的突破推动下迅速演进。随着这些能力的提升，从 Ch