Agent来了

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 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。

前面讲了 Agent 相关的核心概念和工作架构。那么有哪些核心的设计让 Agent 能顺利且准确地完成任务呢？这次就学几个关键的核心设计来加深对 Agent 的理解。这次主要学习ReAct。

前面学习了 什么是AI Agent，更早也在 Langhcain-Tool 中学习了 Langchain 中怎么使用工具，其中也谈到了Function Calling技术。但是当时并没有细究。

前面我们在学习 Langchain 框架的时候，见过如下的代码。这里的create_agent 就是创建了一个Agent智能体。那么到底什么是 Agent 呢？他和原有的 LLM 有什么区别？