ChatGPT与大模型研究

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

在前几章中，我们从单体能力与整体系统两个层面，为构建鲁棒、可扩展且安全的智能体系统打下了基础。我们设计了能够协同工作、遵循指令，并能与人类及外部系统安全交互的智能体。概括来说，我们已经构建出一批能力很

在前面的章节中，我们对 agentic AI 的构建模块进行了细致的审视与组装。我们为单个智能体设计了记忆与推理能力，让它们能够在复杂任务上协同，并为将其架构为既健壮又可问责的系统所固有的挑战提供了解

在前面的章节中，我们探讨了治理多个智能体如何在一个健壮系统架构中协作的模式。现在，我们将把镜头拉近，聚焦于任何此类生态系统的基本单元：单个自治智能体（individual autonomous age

在前几章中，我们建立了让智能体系统实现协同（coordinated） 、合规（compliant）与鲁棒（robust） 的架构模式。一个可靠且透明的系统，是最关键关系的必要基础：也就是 AI 智能体

在上一章中，我们详细介绍了使多个智能体能够协同工作的协调模式，通过结构化协作来处理复杂问题。我们已经具备了让智能体进行规划、共享知识并解决冲突的蓝图。然而，要让一个智能体系统超越原型、进入生产级企业环

在上一章中，我们建立了单个智能体的架构蓝图，探讨了它们的解剖结构与核心能力。我们看到，一个设计良好的单智能体就已经能够成为自动化任务的强大工具。然而，企业中最复杂、最有价值的挑战往往超出任何单个智能体

在本书的第一部分，我们为理解生成式AI奠定了基础，并描述了它向更复杂、更分布式的AI形态演进，以及向更自主系统发展的路径。我们探讨了GenAI在企业中的变革性潜力，借助“智能体式AI成熟度模型（Age

在上一章中，我们探讨了选择和部署大语言模型（LLMs）时需要考虑的关键因素，并将其确立为驱动AI智能体推理和决策能力的认知引擎。我们看到，LLM在理解、规划和工具使用方面的能力是智能体有效执行其指定功

正如我们在第一章中探讨的那样，智能体AI系统代表了生成AI演变的下一步。这一转变涉及从集中式智能向分布式智能的过渡。随着监控、治理和智能体系统的引导变得更加普遍和可靠，严格的控制逐渐放松。这使得系统的

生成式 AI（Generative AI，GenAI）是人工智能（AI）的一个领域，它通过从海量数据集中底层模式的学习，使系统能够创建新的或合成的内容、进行推理、理解上下文并给出推荐。不同于主要分析既