Agentic智能體設計模式
ISBN13：9787302712435
出版社：清華大學出版社
作者：(意)安東尼奧‧古利
譯者：茹炳晟;方佳璐
出版日：2026/05/01
裝訂：精裝
頁數：368頁
規格：21cm*14.5cm (高/寬)
內容介紹
《Agentic智能體設計模式》是一本實戰指南，旨在幫助開發者掌握構建複雜AI智能體的核心技術。隨著人工智能從簡單的響應式程序，發展為能理解情境並自主決策的實體，本書系統介紹了構建這類智能系統所需的基礎模式和關鍵技術。全書涵蓋21種核心模式，它們如同構建智能體的“積木”，使智能體能夠感知環境、做出明智決策並自主行動。本書以實用為導向，深入講解了21種模式，包括模式概述、實際應用場景、可操作的代碼示例以及章節要點總結。內容從提示鏈、工具使用等基礎概念，逐步延伸到多智能體協作、自我修正等高級主題。讀者既可按順序學習，也可將其作為速查手冊，直接查找解決特定問題的模式。為貼近實際開發，書中代碼示例基於三大主流框架實現：LangChain及其擴展庫LangGrap——為構建複雜操作序列提供靈活方案；CrewAI—為編排多智能體提供結構化框架；Google的智能體開發套(GoogleADK)——提供構建、評估與部署智能體的工具。通過展示這些工具的實現示例，讀者可全面理解如何在不同技術環境中應用這些模式。構建高效的智能體不僅依賴強大的語言模型，更需要清晰的結構與設計。智能體設計模式類似於軟件工程中的設計模式，為常見問題提供經過驗證的可複用方案，同時幫助開發者建立共同語言，使智能體的邏輯更清晰、更易維護、更具魯棒性。通過學習本書，你將掌握這21種核心模式的理論與實踐技能，從而能夠構建更智能、更強大、更自主的系統。
作者介紹
(意)安東尼奧古利 著 茹炳晟,方佳璐 譯
安東尼奧·古利，是谷歌公司的一位經驗極為豐富的高級總監，目前擔任首席技術官辦公室的工程總監一職。他擁有超過30年的相關產業經驗，是業內知名人物，在人工智慧、搜尋引擎和雲端運算領域具有深厚的專業背景，擁有11項已授權專利和27項正在申請中的專利。
目錄
第I部分模式
第1章提示鏈2
1.1提示鏈模式概述2
1.1.1單一提示詞的局限性3
1.1.2透過順序分解提高可靠性3
1.1.3結構化輸出的作用4
1.2實際應用與案例5
1.2.1資訊處理工作流程5
1.2.2複雜問題解答5
1.2.3資料擷取與轉換6
1.2.4內容生成工作流程7
1.2.5具有狀態的對話智能體7
1.2.6程式碼生成與最佳化8
1.2.7多模態與多步驟推理8
1.3實踐程式碼範例8
1.4上下文工程與提示詞工程10
概覽12
核心要點13
結論13
第2章路由14
2.1路由模式概述14
2.2實際應用與案例16
2.3實踐程式碼範例(LangChain)17
2.4實踐程式碼範例(GoogleADK)20
概覽24
核心要點25
結論26
第3章並行化27
3.1並行化模式概述27
3.2實際應用與案例29
3.2.1資訊收集與研究29
3.2.2資料處理與分析29
3.2.3多API或工具互動29
3.2.4多組件內容生成30
3.2.5驗證與核實30
3.2.6多模態處理30
3.2.7A/B測試或多方案生成30
3.3實踐程式碼範例(LangChain)31
3.4實踐程式碼範例(GoogleADK)34
概覽38
核心要點39
結論40
第4章反思41
4.1反思模式概述41
4.2實際應用與案例43
4.2.1創意寫作與內容生成43
4.2.2代碼生成與調試43
4.2.3複雜問題解決44
4.2.4總結與資訊綜合44
4.2.5規劃與策略制定44
4.2.6對話式智能體44
4.3實踐程式碼範例(LangChain)45
4.4實踐程式碼範例(ADK)48
概覽50
核心要點51
結論52
第5章工具使用(函數呼叫)53
5.1工具使用模式概述53
5.2實際應用與案例54
5.2.1從外部來源獲取資訊54
5.2.2與資料庫和API互動55
5.2.3進行計算與數據分析55
5.2.4發送通信內容55
5.2.5執行碼56
5.2.6控制其他系統或設備56
5.3實踐程式碼範例(LangChain)56
5.4實踐程式碼範例(CrewAI)59
5.5實踐程式碼範例(GoogleADK)63
5.5.1Google搜尋64
5.5.2代碼執行66
5.5.3企業搜尋67
5.5.4Vertex擴充70
概覽70
核心要點71
結論72
第6章規劃73
6.1規劃模式概述73
6.2實際應用與案例74
6.3實踐程式碼範例(CrewAI)74
6.4GoogleDeepResearch76
6.5OpenAIDeepResearchAPI79
概覽82
核心要點83
結論84
第7章多智能體協作85
7.1多智能體協作模式概述85
7.2實際應用與案例87
7.3多智能體協作：探索相互關係與通訊結構88
7.4實踐程式碼範例(CrewAI)89
7.5實踐程式碼範例(GoogleADK)92
概覽98
核心要點99
結論100
第8章記憶管理101
8.1實際應用與案例102
8.2實踐代碼：GoogleADK中的記憶管理103
8.2.1會話：對話線程追蹤機制103
8.2.2狀態：會話的臨時工作區105
8.2.3記憶：藉由記憶服務實現長期知識儲存109
8.3實踐代碼：LangChain和LangGraph中的記憶管理111
8.4VertexMemoryBank116
概覽117
核心要點118
結論119
第9章學習與適應120
9.1宏觀視角120
9.2實際應用與案例122
9.3個案研究：自我改進編碼智能體123
9.4AlphaEvolve與OpenEvolve126
概覽128
核心要點129
結論130
第10章模型上下文協定131
10.1MCP模式概述131
10.2MCP與工具函數呼叫的比較132
10.3MCP的更多考量133
10.4實際應用與案例136
10.5基於ADK的實踐程式碼範例137
10.5.1智能體配置與MCPToolset137
10.5.2MCP伺服器與ADKWeb進行連接139
10.5.3使用FastMCP創建MCP伺服器140
10.5.4FastMCP伺服器範例140
10.5.5透過ADK智能體呼叫FastMCP服務141
概覽143
核心要點144
結論145
第11章目標設定與監控146
11.1目標設定與監控模式概述146
11.2實際應用與案例147
11.3實踐程式碼範例148
11.3.1安裝依賴148
11.3.2注意事項153
概覽154
核心要點155
結論156
第12章異常處理與恢復157
12.1異常處理與恢復模式概述157
12.2實際應用與案例159
12.3實踐程式碼範例(ADK)160
概覽161
核心要點162
結論162
第13章人在迴路164
13.1人在迴路模式概述165
13.2實際應用與案例166
13.3實踐程式碼範例167
概覽169
核心要點170
結論171
第14章知識檢索172
14.1知識檢索模式概述172
14.1.1嵌入表示173
14.1.2文本相似度174
14.1.3語意相似度與語意距離174
14.1.4文檔分塊174
14.1.5向量資料庫175
14.1.6RAG面臨的挑戰175
14.1.7圖檢索增強生成176
14.1.8AgenticRAG177
14.1.9AgenticRAG面臨的挑戰178
14.1.10總結178
14.2實際應用與案例179
14.3實踐程式碼範例(ADK)179
14.4實踐程式碼範例(LangChain)181
概覽183
核心要點184
結論185
第15章智能體間通信186
15.1智能體間通訊模式概述186
15.1.1A2A協議的核心概念186
15.1.2A2A協定與MCP對比192
15.2實際應用與案例192
15.3實踐代碼範例193
概覽196
核心要點197
結論198
第16章資源感知優化199
16.1實際應用與案例199
16.2實踐程式碼範例200
16.3實踐程式碼範例(OpenAI)203
16.4實踐程式碼範例(OpenRouter)207
16.5超越動態模型切換：智能體資源最佳化策略概覽209
概覽210
核心要點211
結論212
第17章推理技術213
17.1實際應用與案例213
17.2核心推理技術214
17.3推理擴展定律226
17.4實踐程式碼範例227
17.5智能體是如何「思考」的229
概覽230
核心要點231
結論232
第18章護欄機制/安全模式233
18.1實際應用與案例233
18.2實踐程式碼範例(CrewAI)234
18.3實踐程式碼範例(VertexAI)245
18.4工程化可靠智能體249
概覽250
核心要點251
結論251
第19章評估與監測253
19.1實際應用與案例253
19.2實踐程式碼範例254
19.3智能體軌跡評估262
19.4從智能體到高級承包商263
19.5GoogleADK266
概覽266
核心要點267
結論268
第20章優先排序269
20.1優先排序模式概述269
20.2實際應用與案例270
20.3實踐程式碼範例271
概覽276
核心要點276
結論277
第21章探索與發現278
21.1實際應用與案例278
21.2Google聯合科學家279
21.3實踐程式碼範例282
概覽288
核心要點289
結論289
II部分補充內容
第22章高級提示詞技術292
22.1提示詞技術簡介292
22.2提示詞工程核心原則293
22.3基礎提示詞技術294
22.3.1零樣本提示294
22.3.2單樣本提示294
22.3.3少樣本提示295
22.4提示詞結構設計296
22.4.1系統提示296
22.4.2角色提示297
22.4.3使用分隔符號297
22.5上下文工程298
22.6結構化輸出299
22.7推理與思考過程技巧302
22.7.1思維鏈302
22.7.2自我一致性304
22.7.3回溯提示305
22.7.4思維樹305
22.8行動與互動技巧306
22.8.1工具/函數呼叫306
22.8.2反應式推理與行動307
22.9高級技巧308
22.9.1自動提示工程308
22.9.2迭代式提示/最佳化309
22.9.3提供負面範例310
22.9.4使用類比310
22.9.5因式認知/任務分解310
22.9.6檢索增強產生311
22.9.7用戶角色模式311
22.10使用GoogleGems311
22.11使用LLM最佳化提示詞(元方法)312
22.12特定任務的提示技巧314
22.12.1代碼提示314
22.12.2多模態提示314
22.13很好實踐與實驗315
結論316
第23章AIAgentic互動：從圖形使用者介面到現實世界環境318
23.1智能體與電腦的交互318
23.2智能體與環境的交互320
23.3氛圍程式設計：借助AI實現直覺開發321
核心要點323
結論323
第24章Agentic框架快速概覽324
24.1LangChain324
24.2LangGraph324
24.3應該如何選擇325
24.4GoogleADK327
24.5CrewAI328
24.6其他智能體開發架構329
結論330
第25章使用AgentSpace建構智能體332
25.1概述332
25.2如何使用AgentSpaceUI建構智能體333
結論336
第26章命令列介面上的AIAgent337
26.1引言337
26.2ClaudeCLI(ClaudeCode)337
26.3GeminiCLI338
26.4Aider339
26.5GitHubCopilotCLI340
26.6用於命令列介面中AI智能體的評估架構341
結論341
第27章深入探究：智能體推理引擎剖析342
27.1Gemini342
27.1.1分析我的方法342
27.1.2完善解釋內容343
27.1.3詳細闡述我的方法343
27.2ChatGPT344
27.3Grok347
27.3.1分步解析我的推理步驟347
27.3.2我推理的關鍵特徵349
27.3.3局限性與注意事項350
27.4Kimi350
27.5Claude352
27.6DeepSeek353
結論355
第28章編碼智能體357
28.1氛圍程式設計：起點357
28.1.1智能體作為團隊成員357
28.1.2核心組件359
28.2實際實施361
28.2.1設定清單361
28.2.2增強團隊的領導原則362
結論363
第29章總結364
29.1Agentic核心原則回顧364
29.2組合模式建構複雜系統366
29.3未來展望367
29.4結語368
Agentic多智能體架構模式
ISBN13：9787302720799
出版社：清華大學出版社
作者：(美)阿里‧阿爾桑賈尼博士; (美)帕梅拉‧赫德; (美)唐納德‧P.莫伊尼漢; 楊丹胡安‧巴勃羅‧布斯托斯
譯者：茹炳晟;曹洪偉;殷海英
出版日：2026/07/01
裝訂：平裝
頁數：410頁
規格：24cm*17cm (高/寬)
內容介紹
《Agentic多智能體架構模式》從生成式Al成熟度模型講起，幫助你評估所在組織的準備程度，並制定邁向Agentic Al採用的路線圖。你將掌握模型選擇和大語言模型部署等基礎主題，進而學習RAG、微調、上下文學習和LLMOps等高級方法，尤其聚焦於Agentic Al場景。本書提供豐富的Agentic Al設計模式多智能體架構模式庫，用於解決協作、可解釋性、容錯以及人與智能體交互等問題。本書介紹了一種具體的分層式多智能體架構，在這種架構中，高層編排智能體通過將完整子流程委派給專門的智能體，來管理複雜的業務工作流。你將看到這些智能體如何使用A2A協議進行協作與通信。為確保系統可投入生產，我們提供了基於生命週期回調的可觀測性實用框架，賦予您調試、合規和成本管理所需的細粒度可追溯能力。每種模式均配有真實場景和基於開源項目Agent開發套件(ADK)的代碼示例。你將學到什麼‧應用設計模式來處理指令漂移，改進協作，並構建具備容錯能力的AI系統‧設計具有三層Agentic技術棧(函數調用、MCP、A2A協作)的系統‧開發負責任、合乎倫理且可治理的生成式AI應用‧結合代碼示例使用ADK、LangGraph和CrewAl等框架‧掌握提示詞工程、LLMOps和AgentOps的最佳實踐‧利用RAG、微調和上下文學習構建Agentic系統
目錄
Ⅰ部分基礎與核心智能體概念
第1章企業中的生成式AI：現況、成熟度與智能體焦點2
1.1生成式AI的變革潛力3
1.2業務應用概述5
1.2.1跨職能應用5
1.2.2特定產業應用7
1.3AgenticAI系統介紹8
1.4AgenticAI的構造8
1.4.1核心組件9
1.4.2核心架構特性11
1.5生成式AI成熟度模型：通往智能體系統之路12
1.6新型智能體技術堆疊15
1.6.1實現智能體通訊：從工具到協作15
1.6.2智能體內部構造17
1.7生成式AI投入生產應用的挑戰17
本章小結20
第2章智能體就緒型大語言模型：選擇、部署與適合22
2.1大語言模型在智能體系統中的角色23
2.2模型選型：選擇適合的基礎模型26
2.2.1上下文視窗大小27
2.2.2智能體大模型的規模與專業化28
2.2.3原生支援工具使用與函數呼叫31
2.2.4模型的穩健性、可靠度與安全性32
2.2.5適配能力與微調潛力33
2.2.6其他關鍵選型考量35
2.3智能體的部署與效能優化37
2.3.1智能體大語言模型的推理服務架構37
2.3.2性能優化策略39
2.3.3工具交互優化40
2.3.4智能體大模型部署的安全考量41
2.4AgentOps：智能體系統中的大模型管理43
本章小結47
第3章智能體的大語言模型適配譜系：從檢索增強生成到微調49
3.1從通用大模型到專業化智能體50
3.1.1AgenticAI的另一個成熟度模型51
3.1.2智能體的粒徑53
3.2業務流程自動化的層級化智能體架構53
3.2.1核心組件：智能體及其能力54
3.2.2層級結構：編排者與專家55
3.2.3透過回呼機制實現治理與可觀測性56
3.3上下文增強：第一階段，利用RAG進行增強57
3.3.1RAG驅動的客服智能體58
3.3.2利用RAG取得即時市場洞察的金融分析智能體60
3.3.3利用RAG輔助交易監控的合規智能體63
3.3.4場景分析66
3.4提升智能體能力的微調技術67
3.4.1領域專業化67
3.4.2微調的技術梯度：從參數高效微調到全量微調67
3.5利用上下文學習實現智能體自適應70
3.6模型輸出的錨定73
本章小結75
Ⅱ部分AgenticAI：架構與設計模式
第4章AgenticAI架構：元件與互動78
4.1定義智能體：核心概念與能力79
4.1.1大語言模型79
4.1.2自動化工作流程80
4.1.3AI智能體80
4.2智能體的解構81
4.2.1案例研究：旅行規劃智能體82
4.2.2案例研究：Agentic貸款處理系統83
4.3智能體的資料儲存與環境脈絡86
4.4智能體交互模型與關鍵特性88
4.4.1架構特性89
4.4.2智能體交互模型89
4.5智能體架構的技術考量91
本章小結92
第5章多智能體協作模式93
5.1協調模式實施策略指南94
5.2智能體路由模式(基於意圖的路由)97
5.3任務委派架構100
5.3.1監督者架構(中心化編排)101
5.3.2群體架構(湧現式去中心化協作)103
5.4智能體組合拓樸結構107
5.4.1黑板協作架構107
5.4.2合約網市場(中介+競標)109
5.4.3具備能力保護的監督樹112
5.5多智能體規劃114
5.6知識共享模式117
5.7多智能體環境下的工具路由模式120
5.8共識模式123
5.9智能體談判模式126
5.10資源分配模式130
5.11衝突解決模式134
5.12編隊控制模式139
本章小結142
第6章可解釋性與合規性智能體模式144
6.1可解釋性與合規性模式實施策略指南144
6.2指令忠實度審計模式145
6.3分形思維鏈嵌入模式149
6.4持久化指令錨定模式152
6.5共享認知記憶模式155
6.6模式組合實現系統級可靠性159
本章小結159
第7章穩健性與容錯模式161
7.1實施穩健性模式的策略指南162
7.1.1智能體穩健性的五個層級162
7.1.2系統整合架構：模式如何協同工作163
7.1.3模式鏈實務：貸款申請範例163
7.1.4衡量穩健性：評估的核心指標164
7.2並行執行共識模式165
7.3延遲升級策略模式168
7.4看門狗超時監督器模式171
7.5帶提示詞變異的自適應重試模式174
7.6智能體自癒恢復模式178
7.7增量檢查點模式181
7.8多智能體多數投票模式185
7.9因果依賴圖模式188
7.10智能體自我防禦模式192
7.11智能體網格防禦模式195
7.12執行隔離(沙箱化)模式199
7.13優化傳輸開銷模式202
7.14限流調用模式205
7.15回退模型呼叫模式208
7.16信任衰減與評分模式211
7.17金絲雀智能體測試模式214
本章小結217
第8章人機互動模式219
8.1人機互動模式實施策略指南219
8.1.1人機互動的等級220
8.1.2系統整合架構：各模式如何協同工作220
8.1.3模式鏈實戰：企業差旅預訂範例221
8.1.4衡量成功：依模式劃分的評估指標222
8.2智能體請求人工介入(人在迴路)模式222
8.3人類委託智能體模式226
8.4人類調用智能體模式230
8.5智能體委託智能體模式233
8.6智能體調用Proxy智能體模式236
本章小結240
第9章智能體級模式241
9.1實施智慧體級模式的策略指南242
9.1.1實現智能體能力所需的組件242
9.1.2智能體內部架構：各模式如何協同工作243
9.2單智能體基準244
9.3智能體特定的上下文與記憶模式246
9.4RAG感知模式250
9.5結構化推理與自我修正模式254
9.6多模態感知輸入模式258
9.7企業落地指南261
9.8衡量成功：各模式的評估指標261
本章小結262
第10章生產就緒的系統級模式263
10.1系統層級模式實施策略指南264
10.1.1將系統層級模式映射到生成式AI成熟度模型264
10.1.2系統整合架構：投產準備的藍圖265
……
Agentic AI智能體應用開發(第2版)
ISBN13：9787302709961
出版社：清華大學出版社(大陸)
作者：(英)本‧奧法斯; 列昂尼德‧庫利金
譯者：郭濤
出版日：2026/03/01
裝訂：平裝
頁數：320頁
規格：24cm*17cm (高/寬)
版次：二版
內容介紹
《Agentic AI智能體應用開發》(第2版)深入探討了用於構建Agentic系統的各種設計模式，並結合複雜任務場景給出多智能體架構的實現方案；系統講解了CoT、結構化生成、智能體交接等多種推理技術，並附有完整的異常處理示例。書中有關測試、評估與部署的擴展章節滿足了現代LLM應用的需求，闡述了如何遵循負責任的開發原則，構建具備內置安全防護機制的高安全性且合規的AI系統。此外，本版在RAG技術方面也做了內容拓展，詳解了混合檢索、重排序、事實核查流程，助力提升模型輸出的準確性。無論你是想要優化現有工作流，還是從零構建多智能體系統，本書都能為你提供兼具技術深度與實操性的指導，助你成功開發適用於實際生產的LLM應用。核心亮點• 基於LangGraph設計並實現多智能體系統• 實施測試策略，在部署前識別潛在問題• 為生產環境部署可觀測性與監控體系• 構建具備重排序能力的Agentic RAG系統• 利用LangGraph和MCP構建可擴展的生產級AI智能體• 對接如Google Gemini、Anthropic、Mistral、DeepSeek和OpenAI的o3-mini等主流大模型及相關服務商，適配最新LLM技術• 設計安全、合規並符合現代倫理規範的AI系統
作者介紹
(英)本‧奧法斯(Ben Auffarth),(英)列昂尼德‧庫利金(Leonid Kuligin) 著 郭濤 譯
Ben Auffarth博士擁有15年以上AI落地實施經驗，是Chelsea AI Ventures公司的創辦人，專注於協助中小型企業部署企業級AI解決方案，協助實現高投資報酬率。 Ben兼具深厚的計算神經科學背景，能夠將該領域的理論與AI實際應用深度融合；研發成果涵蓋多個方向，包括超級計算大腦模型，以及融合了前沿技術與商業戰略的生產級AI系統。
Leonid Kuligin是Google雲端AI工程師，專註生成式AI與經典機器學習解決方案研發，深耕需求預測、最佳化問題等領域；Leonid是LangChainGoogle雲端整合的核心維護者，也是慕尼黑工業大學與慕尼黑大學聯合機構CDTM的客座講師。
目錄
第1章 生成式AI的崛起：從語言模式到智能體 1
1.1 現代LLM的發展現況 2
1.1.1 模型對比 3
1.1.2 LLM提供者生態 4
1.1.3 許可授權 5
1.2 從模型到Agentic應用 6
1.2.1 傳統LLM的限制 6
1.2.2 理解LLM應用 7
1.2.3 理解AI智能體 8
1.3 LangChain框架介紹 10
1.3.1 原始LLM所面臨的挑戰 11
1.3.2 LangChain如何支援智能體開發 12
1.3.3 探索LangChain架構 12
1.4 本章小結 17
1.5 思考題 17
第2章 LangChain的初步實踐 19
2.1 設定依賴環境 19
2.2 探索LangChain構建塊 24
2.2.1 模型介面 24
2.2.2 提示與範本 30
2.2.3 LCEL 31
2.3 運行本地模型 36
2.3.1 Ollama入門 37
2.3.2 在本地使用Hugging Face模型 37
2.3.3 本地模型使用提示 38
2.4 多模態AI應用 40
2.4.1 文字到圖像 41
2.4.2 影像理解 43
2.5 本章小結 47
2.6 思考題 47
第3章 使用LangGraph建構工作流程 49
3.1 LangGraph基礎 49
3.1.1 狀態管理 50
3.1.2 reducer 53
3.1.3 使圖可配置 54
3.1.4 受控輸出生成 55
3.2 提示工程 61
3.2.1 提示範本 62
3.2.2 零樣本提示與少樣本提示 63
3.2.3 CoT 65
3.2.4 自洽性 67
3.3 處理較短的上下文視窗 67
3.4 理解記憶機制 70
3.4.1 裁切聊天歷史 70
3.4.2 將歷史記錄儲存至資料庫 71
3.4.3 LangGraph檢查點 73
3.5 本章小結 75
3.6 思考題 75
第4章 建構智慧RAG系統 77
4.1 從索引到智慧檢索 77
4.2 RAG系統的組件 79
4.3 從嵌入到搜尋 81
4.3.1 嵌入 82
4.3.2 向量儲存 83
4.3.3 向量索引策略 87
4.4 分解RAG管 92
4.4.1 文檔處理 93
4.4.2 高階RAG技術 101
4.5 開發企業文件聊天機器人 116
4.5.1 文件載入 117
4.5.2 語言模型設定 119
4.5.3 文件檢索 119
4.5.4 設計狀態圖 121
4.5.5 使用Streamlit整合建置使用者介面 125
4.5.6 評估與性能考量 127
4.6 RAG系統故障排除 128
4.7 本章小結 129
4.8 思考題 129
第5章 建構智能智能體 131
5.1 什麼是工具 132
5.1.1 LangChain中的工具 134
5.1.2 ReACT 136
5.2 定義工具 139
5.2.1 內建的LangChain工具 139
5.2.2 自訂工具 145
5.2.3 錯誤處理 150
5.3 進階工具呼叫功能 152
5.4 將工具整合到工作流程 153
5.4.1 受控生成 153
5.4.2 ToolNode 155
5.4.3 工具呼叫範式 156
5.5 什麼是智能體 157
5.6 本章小結 161
5.7 思考題 162
第6章 高階應用與多智能體系統 163
6.1 Agentic架構 163
6.2 多智能體架構 166
6.2.1 智能體角色與專業化 166
6.2.2 共識機制 167
6.2.3 通訊協定 169
6.2.4 LangGraph串流 176
6.2.5 交接 178
6.2.6 LangGraph平台 180
6.3 建構自適應系統 181
6.3.1 動態行為調整 181
6.3.2 人機回環 182
6.4 探索推理路徑 183
6.4.1 思維樹 183
6.4.2 利用MCTS裁剪ToT 190
6.5 智能體記憶 191
6.5.1 快取機制 192
6.5.2 儲存機制 193
6.6 本章小結 194
6.7 思考題 194
第7章 軟體開發與資料分析智能體 195
7.1 LLM在軟體開發的應用 195
7.1.1 開發的未來 196
7.1.2 實現考量 197
7.1.3 程式碼LLM的演化 198
7.1.4 程式碼LLM的基準測試 199
7.1.5 基於LLM的軟體工程方法 200
7.1.6 安全性與風險緩解 203
7.1.7 LLM產生程式碼的驗證架構 204
7.1.8 LangChain整合 205
7.2 利用LLM編寫程式碼 206
7.2.1 谷歌生成式AI 206
7.2.2 Hugging Face 207
7.2.3 Anthropic 210
7.2.4 Agentic方法 211
7.2.5 文檔RAG 212
7.2.6 程式碼庫RAG 214
7.3 將LLM智能體應用於資料科學 216
7.3.1 訓練ML模型 217
7.3.2 分析資料集 220
7.4 本章小結 224
7.5 思考題 224
第8章 評量與測驗 225
8.1 評估的重要性 225
8.1.1 安全性與對齊 226
8.1.2 性能與效率 227
8.1.3 用戶與利害關係人的實際價值 228
8.1.4 為LLM評估建立共識 229
8.2 評估內容：智能體的核心能力 230
8.2.1 任務表現評估 230
8.2.2 工具使用評估 230
8.2.3 RAG評估 231
8.2.4 規劃與推理評估 232
8.3 評估的方式：方法論與實現路徑 233
8.3.1 自動化評估方法 233
8.3.2 人機回環評估 233
8.3.3 系統級評估 234
8.4 LLM智能體評估實務 235
8.4.1 評估結果的正確性 235
8.4.2 評估語氣與簡潔性 238
8.4.3 評估輸出格式 240
8.4.4 評估智能體的軌跡 240
8.4.5 評估CoT推理 243
8.5 離線評估 244
8.5.1 評估RAG系統 245
8.5.2 在LangSmith中評估基準測試 246
8.5.3 使用HF資料集與Evaluate進行基準測試評估 249
8.5.4 評估電子郵件資訊擷取效果 250
8.6 本章小結 252
8.7 思考題 253
第9章 面向生產的LLM部署與可觀測性 255
9.1 LLM的安全性考量 255
9.2 部署LLM應用程式 257
9.2.1 基於FastAPI的Web框架部署 259
9.2.2 使用Ray Serve實作可擴充部署 261
9.2.3 LangChain應用的部署注意事項 269
9.2.4 LangGraph平台 273
9.2.5 無伺服器部署選項 276
9.2.6 使用者介面框架 276
9.2.7 MCP 277
9.2.8 基礎設施考量 278
9.3 如何建構可觀測性LLM應用 282
9.3.1 LLM應用的維運指標 282
9.3.2 響應追蹤 283
9.3.3 幻覺檢測 285
9.3.4 偏見偵測與監控 286
9.3.5 可觀測策略 287
9.3.6 LLM應用的持續改進 288
9.4 LangChain應用的成本管理 288
9.4.1 LangChain中的模型選擇策略 289
9.4.2 輸出詞元最佳化 291
9.4.3 其他策略 291
9.4.4 監控與成本分析 292
9.5 本章小結 292
9.6 思考題 293
第10章 生成式模型的未來：超越擴充 295
10.1 生成式AI的現況 295
10.2 擴展的限制與新興的替代方案 300
10.2.1 擴展假設的挑戰 300
10.2.2 科技巨頭與小型企業 301
10.2.3 純規模擴展的新型替代方案 302
10.2.4 訓練資料品質的演化 304
10.2.5 科技進步推動普及化 305
10.2.6 後訓練階段的新縮放法則 306
10.3 經濟與產業變遷 306
10.3.1 產業轉型與競爭態勢 308
10.3.2 職位演化與技能影響 308
10.3.3 經濟分配與公平性問題 309
10.4 社會影響 310
10.4.1 虛假資訊與網路安全 310
10.4.2 版權與署名問題 311
10.4.3 監理與落地挑戰 312
10.5 本章小結 313
附錄A 315
