ChatGPT与大模型研究

引言（Introduction） 本章将审视 AI 编码助手的核心能力与局限，以便为其使用建立现实的预期。本章也会深入探讨这些编码助手的工作原理，并分析哪些编程语言与任务最能从其应用中获益。理解这些方

引言（Introduction） 本章介绍提示驱动开发（prompt-driven development），这标志着一种系统化的 AI 辅助软件创造方法。开发者正在告别那种“靠咖啡硬顶”的老派编程方

在第 9 章中，我们看到注册表如何以结构化方式记录智能体、它们的元数据，以及对其进行约束的策略。但注册表本身是静态的；网格的真正价值，来自这些智能体开始彼此通信并协同工作之时。通信——无论是人与智能体

从第 8 章我们了解到智能体网格（agentic mesh）的用户体验（UX）——它是让成千上万个“无界面”（headless）智能体变得可用的入口。但再强的 UX 也取决于其背后的信息质量。这就引出

从前面的章节你已经看到，智能体——能够独立规划并执行任务的软件实体——正在获得越来越多的势能：企业正从静态的 AI 工作流，转向更动态、面向任务与目标（task- and goal-oriented）

智能体网格（Agentic mesh）是一个企业级生态系统。在本章中，我们将从单个智能体的设计转向成千上万智能体的编排与协同，重点讨论自治智能系统如何在企业范围内彼此发现、协调行动，并在保持信任与控制

行业领袖最近关于新兴智能体生态的表态相当激进，或许也带着一点理想化：黄仁勋认为，企业将拥有“数以亿计的数字智能体、智能智能体”。萨提亚·纳德拉则表示，“智能体将取代所有软件”。安迪·贾西更进一步：“会

智能体带来了一组架构层面的挑战，而传统软件设计从来就不是为解决这些挑战而生的。传统应用运行在高度限定的上下文里：接收输入，按预先设定的工作流运行，然后给出输出。当问题可预测、规则清晰时，这套模型运转得

在第 1 章中，我们给出了一个非常简洁的智能体定义：“智能体是一个由 LLM 驱动的程序，能够独立做出决策、以迭代方式规划，并执行任务以实现复杂目标。 ” 这一基础为我们提供了起点。从最简单的层面看，

AI 厂商 Anthropic 将 AI 工作流定义为一种结构化、逐步推进的过程，在其中“LLM 与工具通过预定义的代码路径被编排（orchestrated）”。但 AI 工作流不应与智能体混为一谈。

历史不仅仅是对已发生之事的记录；它也是一面透镜，帮助我们识别并理解那些界定“我们身处何处、以及我们想去哪里”的差距与机会。对于智能体而言，理解从 Alan Turing 的奠基性工作到今天最前沿系统的

在开始写这本书的前几个月里，陆续出现了一些公告，强调对智能体的投资规模高达数百亿美元，覆盖了支持智能体的基础设施、构建智能体的工具包、为智能体提供动力的 LLM、面向开发者与大众的智能体培训，当然还有

软件应用的世界离不开漂亮的用户界面（UI）与直观的用户体验（UX）。UI 设计关乎产品“长什么样”，以及用户在视觉层面如何与之交互。它关注布局、颜色、按钮、字体，以及所有塑造软件产品视觉体验的要素。U

人工智能可以在代码生成与自动补全方面显著放大生产力与创造力。本章将探讨由 AI 驱动的工具如何重塑编码体验，把原本耗时的手工过程，转变为一种交互式、高效率、并且能减少错误的工作方式。 AI 在代码生成

在本书中，我们已经探讨了支撑智能体 AI（agentic AI）系统的概念、架构与模式。我们审视了它们的构建模块、它们如何交互，以及如何通过协调来应对复杂任务。然而，要把这些理论构件转化为可运行、可生

在上一章中，我们成功构建并测试了一个用于处理贷款申请的单体（monolithic）单智能体系统。通过引入 FCoT 模式以及一组健壮的工具，我们构建了一个Level 3 的智能体，它能够编排（orch

在前面的章节中，我们已经学习了智能体式 AI 的基础概念：从智能体的核心解剖结构、关键组件与交互方式，到使其能够在满足业务或应用需求的不同复杂度层级下执行复杂任务的架构模式。我们建立了一个成熟度模型，

在前面的章节中，我们探索了一套面向构建智能体式 AI 系统的、完整的设计与架构模式语言。我们覆盖了若干类模式：多智能体协同、可解释性与合规、鲁棒性与容错、人机交互，以及单个智能体的核心能力。面对如此丰

在第 6 章中，我们重点讨论了如何让智能体系统具备可追责性，并使其决策过程透明化。我们建立了构建信任所必需的模式，使人们能够相信智能体所做的事情。然而，要让一个系统真正达到生产级，它不能只是在推理上值