AI学习手札

iOS App上线之前要测试，那么 Agent 迭代上线前怎么保证质量呢？和传统的测试有何区别？这一章就揭开 LLM as Judge的神秘面纱，为我们的 Agent 设计和实现 Judge 模块。

这一章为 DeepResearch 实现 MAS 化。将原本一个 Graph 干的事情拆解成三个核心 Agent。让专业的人干专业的事，Agent 之间不强耦合，能力解耦。

这一章主要为 DeepRearchSystem 增加 HITL 功能，让人来在 Agent 运行过程中参与进来。进而使 Agent 行为更可控，最终得到更符合人类意图。

这一章主要基于之前的基础去实现 Agent 核心功能。这个时候，我们先不考虑任何优化实现 DeepResearchSystem 核心流程。重在让 Agent 跑起来。

上一篇 主要讲了下 DeepRearchSystem 项目背景和整体构思。这一章废话少说，撸起袖子就是干。先写一些 Agent 相关的基础实现。千里之行始于足下！

最近在关注 跨境电商 相关的东西，难免会从网上搜索各种资料。但是吧，感觉有点事倍功半。正好最近也算系统性学历 LLM 相关的知识，于是就想做一个从某一议题出发最终输出系统性研究报告的 Agent。

今天继续学习一些 LangGraph 常用到的基础 API。废话少说上干货。主要有并行分治、递归限制、长时记忆、MapReduce模式等。

前面 逐个学习了 LangGraph 的一些基础能力：Reducers、Send、Interrupt、Command。今天继续看 LangGraph 的其他基础能力。

前面了解了 LangGraph，以及写了第一个简单的 LangGraph 程序。今天继续深入学习 LangGraph，先从 LangGraph 的通讯机制开始。

前面系列地学习过 AI中的一种开发框架 LangChain，今天继续新框架 LanGraph。它超越了LangChain的线性工作流，通过循环支持复杂的任务管理。

前面学习了 什么是 MCP，及其基本使用方式。那么今天就再用一个更接近实际场景。 想象一下你的老板特别喜欢炒股， 那么是不是能做一个简单的 Agent来分析股票行情。

前面学了 MCP,他解决LLM 和物理世界的沟通问题。那么 Agent 之间是怎么通讯的？ 我们前面在学习 MAS 时了解了 多Agent的通信机制。今天再去了解另一种Agent通讯协：A2A。

之前我们知道 LLM 不能单独靠自己和物理世界通讯，所以，有了 Function calling。MCP正是基于 Function calling 的一套标准协议，让 LLM 和 物理世界的沟通更方便

前面学习了 Agent 用法，今天就能用 Agent 做一个简单的AI小项目来练手。 该项目是一个基于FastAPI + LangChain + 阿里LLM构建的国风占卜算命类 AI 聊天机器人。

前面了解了 什么是MAS。那么到底在日常开发中怎么用呢？其实就像 Agent 开发有 Langchain框架一样，MAS 也有成熟的框架。今天就介绍一个叫做 AutoGen 的 MAS 开发框架。

前面学习了 Agent。那么一个 Agent 会是一个万能的智能体吗？ 在处理复杂、多步骤、大规模任务时，单智能体还能得心应手吗？显然是不能的。于是，MAS 多智能体系统 就应运而生。

\前面学习了 什么是Agent？ 以及其最基础的 Function Calling。那么，今天就简单写一个例子。 需求背景 我们经常在 12306 购买火车票，那么我们其实可以自己用 Agent订票

前面学习了 Agent 中的三种常见的设计范式： ReAct Plan and Execute Self-Ask 今天继续探索几个其他的高级范式。正是这些范式让 Agent 能更高效更准确地处理问题。

之前学了 ReAct 和 Plan and Execute 两种 Agent 中的设计范式，那么除了这两种还有别的范式吗？

前面学了 Agent 中的第一个范式 ReAct。今天继续学习另一个比较常用的开发范式：Plan & Execute。