【新书推荐】《AI Agent智能体开发实践》

本书重点

详解智能体基础知识、提示工程、RAG、MCP、LangChain、LangGraph

实战问答Agent、多模态电商客服机器人、多模态试驾预约Agent、多Agent客户服务助手、多Agent旅行规划助手

揭示智能体开发平台、开发流程、性能优化与调试技巧、部署与实施方法等关键技术

内容简介

本书系统介绍AI智能体（Agent）技术原理、开发方法和实践案例。本书从基础概念出发，逐步深入智能体的核心技术、开发框架、开发流程、开发方法和行业应用，帮助读者系统掌握构建高效、智能的AI Agent的关键技能。本书配套示例代码、PPT课件、读者微信技术交流群，示例代码经过测试均可运行无误。

本书共分16章，内容包括初识智能体、智能体开发环境、智能体的关键技术、提示工程、RAG（检索增强生成）技术、智能体开发平台简介、智能体开发流程、基于LangChain的智能体开发、基于MCP的智能体开发、基于LangChain的问答智能体实战、多模态电商客服机器人实战、智能体性能优化与调试技巧、智能体部署与实施方法、多模态试驾预约Agent实战、基于RAG的多Agent客户服务助手实战、基于MCP的多Agent旅行规划助手实战。通过本书的学习，读者将具备独立开发、优化和部署AI Agent的能力，并能够将其应用于实际业务场景中。

适合读者

本书适合AI Agent初学者、Agent开发人员、Agent架构师、大模型应用开发人员、行业AI应用解决方案提供商阅读参考，也适合高等院校或高职高专院校学习大模型应用开发课程的学生。

作者简介

邓立国，东北大学计算机应用博士，广东工业大学副教授。主要研究方向为数据挖掘、知识工程、大数据处理、云计算、分布式计算。以第一作者发表学术论文30多篇（26篇EI），主编科研著作5部，主持科研课题10项，多次获得省校级科研优秀奖。著有图书《Python数据分析与挖掘实战》《Python大数据分析算法与实例》《数据库原理与应用（SQL Server 2016版本）》等。

前言

在人工智能技术飞速发展的今天，AI智能体（AI Agent）已成为推动AI技术落地的重要技术之一。无论是虚拟助手、自动化决策系统，还是复杂的多智能体协作场景，智能体技术都在不断拓展AI的应用边界。然而，对于许多开发者和技术从业者而言，如何系统性地理解智能体的核心原理，并掌握其开发方法，仍然是一个充满挑战的课题。

本书旨在为读者提供一条从理论到实践的清晰路径。我们首先介绍智能体的基本概念和发展脉络，帮助读者建立完整的知识框架；随后深入探讨智能体的核心技术，包括感知、推理、决策和学习等关键模块，并结合主流开发工具与平台，详细讲解智能体的设计与实现方法。最后，本书通过电商、汽车、客服、旅游等领域的实际案例，展示智能体技术如何解决现实问题，为读者提供可借鉴的实践经验。我们希望通过系统的知识梳理和实战案例，帮助读者真正掌握AI智能体技术的精髓，并在实际项目中灵活运用。

本书特色

（1）内容全面：涵盖技术框架、核心方法、开发工具、实战案例及优化部署等全流程，从开发到部署，提供“端到端”的实践指导。

（2）理论结合实战：结合前沿技术与行业场景，提供可复用的开发模板。

（3）案例驱动：覆盖问答系统、电商、汽车服务、客服、旅行规划等典型应用，配套完整可运行的案例代码。

（4）聚焦热点技术：深入解析RAG、MCP、架构、开发流程、部署、多Agent协作等热门方向。

本书内容

全书内容分为三大部分：基础与理论、开发与实践、优化与应用。

第1部分  基础与理论（第1章~第5章）：

（1）初识智能体：介绍智能体的定义、发展历程及典型应用场景。

（2）智能体开发环境：讲解智能体开发环境的搭建。

（3）智能体的关键技术：深入讨论自然语言处理（NLP）、知识图谱、强化学习等支撑技术。

（4）提示工程：讲解如何设计高效提示（Prompt）以优化大模型输出。

（5）RAG技术：详解检索增强生成的原理与实践，提升智能体的知识整合能力。

第2部分  开发与实践（第6章~第11章）：

（1）智能体开发平台与流程：介绍主流开发工具（如LangChain、MCP）及标准化开发流程。

（2）框架实战：基于LangChain和MCP的智能体开发，涵盖问答机器人、多模态电商客服等案例。

（3）关键技术实现：通过代码示例展示RAG、Qwen3-VL多模态等技术的集成方法。

第3部分  优化与应用（第12章~第16章）：

（1）性能优化与部署：提供智能体调试、性能提升及规模化部署的实用技巧。

（2）多模态试驾预约系统：探索AI智能体在汽车行业的自动化服务实践。

（3）多Agent客户服务系统：基于RAG构建高效客户服务自动化解决方案。

（4）多Agent旅行规划助手：基于MCP与多Agent协作实现复杂的任务规划。

配套资料下载

本书配套示例源码、PPT课件、读者技术交流微信群服务，读者使用自己的微信扫描下面的二维码即可获取。如果在阅读过程中发现问题或有任何建议，请联系下载资源中提供的相关微信。

本书适合的读者

• AI Agent智能体开发初学者。
• AI Agent智能体开发人员。
• AI Agent智能体架构师。
• 大模型应用开发人员。
• 行业AI应用解决方案提供商。
• 学习人工智能大模型相关课程的学生。

作者与鸣谢

本书作者为邓立国与邓淇文。本书的顺利出版，离不开清华大学出版社老师们的帮助，在此表示感谢。

著者

2025年8月

目录

目    录	
第 1 部分  基础与理论	
第 1 章  初识智能体	2
1.1  智能体是什么	2
1.2  AI智能体的类型	3
1.3  AI智能体的功能	4
1.4  智能体核心组件	6
1.5  智能体的发展历程	9
1.6  智能体与大模型的关系	9
1.7  AI智能体的应用场景	10
1.6  本章小结	12
第 2 章  Agent开发环境配置	14
2.1  智能体开发环境安装	14
2.1.1  Anaconda的下载与安装	15
2.1.2  PyTorch的下载与安装	16
2.1.3  PyCharm的安装与使用	19
2.2  LLM的调用与使用	20
2.2.1  ModelScope（魔搭社区）	20
2.2.2  Qwen3的本地调用	21
2.2.3  Qwen3的在线调用	24
2.3  本章小结	27
第 3 章  智能体的关键技术	28
3.1  规划与推理	28
3.1.1  CoT：分步推理框架	28
3.1.2  ToT：多路径探索式推理	31
3.1.3  ReAct框架：将Reasoning+Acting结合	34
3.2  自适应学习	38
3.2.1  在线微调：人类反馈强化学习	38
3.2.2  参数高效微调：Adapter与Prefix-tuning	43
3.3  多Agent协同	52
3.3.1  角色分工：定义不同Agent的职能	52
3.3.2  通信协议：基于自然语言或结构化消息	56
3.3.3  竞争协调：拍卖机制或投票系统	62
3.4  感知与理解技术	73
3.4.1  多模态感知	73
3.4.2  环境建模	76
3.5  记忆与知识管理	80
3.5.1  短期记忆	80
3.5.2  长期记忆	85
3.6  本章小结	95
第 4 章  提示工程	96
4.1  提示工程概述	96
4.2  智能体基础架构	98
4.3  提示设计方法	101
4.3.1  零样本提示	101
4.3.2  少样本提示	105
4.3.3  思维链提示	106
4.3.4  自洽性提示	109
4.4  高级提示技术	111
4.4.1  递归提示	111
4.4.2  元提示	114
4.4.3  多智能体协作提示	116
4.4.4  工具增强提示	122
4.5  评估与优化	128
4.5.1  提示效果评估指标	128
4.5.2  A/B测试方法	133
4.5.3  自动优化技术	140
4.5.4  对抗性提示防御	145
4.6  本章小结	149
第 5 章  RAG（检索增强生成）技术	150
5.1  RAG基础概念	150
5.1.1  RAG技术概述	150
5.1.2  RAG架构组成	151
5.1.3  RAG工作流程	152
5.2  检索技术	153
5.2.1  检索方法	153
5.2.2  向量检索技术	155
5.2.3  检索优化策略	163
5.3  生成技术	167
5.3.1  代码生成技术	167
5.3.2  文本生成技术	170
5.3.3  模板生成技术	172
5.4  知识库构建与管理	174
5.4.1  数据来源与预处理	174
5.4.2  知识库更新策略	179
5.4.3  多模态RAG	182
5.5  RAG优化与评估	185
5.5.1  评估指标	185
5.5.2  端到端优化方法	195
5.5.3  常见问题与解决方案	201
5.6  本章小结	214
第 2 部分  开发与实践	
第 6 章  智能体开发平台简介	216
6.1  开源平台	216
6.1.1  LangChain	216
6.1.2  AutoSpark	217
6.1.3  AutoGPT	217
6.1.4  Microsoft Autogen	217
6.1.5  MetaGPT	218
6.1.6  DSPy	218
6.1.7  AgentVerse	218
6.1.8  LlamaIndex	218
6.1.9  Hugging Face Transformers Agents	218
6.1.10  SuperAGI	218
6.2  商业平台	218
6.2.1  Dify	219
6.2.2  LlamaIndex	219
6.2.3  腾讯元器	219
6.2.4  文心智能体平台（百度）	219
6.2.5  星辰Agent（科大讯飞）	220
6.2.6  扣子（Coze）	220
6.2.7  阿里云AgentScope	220
6.3  其他平台	221
6.3.1  CrewAI	221
6.3.2  MaxKB	221
6.3.3  FastGPT	221
6.3.4  HuggingFace AgentHub	222
6.3.5  NVIDIA Omniverse Agent	222
6.3.6  AutoGen	222
6.4  本章小结	223
第 7 章  智能体开发流程	224
7.1  需求分析与规划	224
7.2  设计与开发阶段管理	225
7.3  测试与部署策略	226
7.4  本章小结	228
第 8 章  基于LangChain的智能体开发	229
8.1  LangChain框架简介	229
8.1.1  LangChain的框架架构	229
8.1.2  LangChain的基本模块	230
8.1.3  LangChain的基本应用场景	232
8.2  LangChain框架的输入输出	234
8.2.1  提示	234
8.2.2  语言模型	234
8.2.3  输出解析器	235
8.3  LangChain框架的链和表达式语言	236
8.3.1  LangChain框架中的链	236
8.3.2  LangChain表达式语言	237
8.3.3  LCEL中的RunnableLambda	238
8.3.4  LCEL中的RunnableSequence	238
8.3.5  LCEL中的RunnableParallel	240
8.3.6  LCEL中的RunnablePassthrough	242
8.3.7  LCEL中的RunnableBranch	242
8.4  LangChain 框架中的记忆	243
8.4.1  记忆的概念	243
8.4.2  BaseChatMessageHistory接口及其子类	243
8.4.3  RunnableWithMessageHistory	244
8.4.4  基于LangChain的聊天机器人	245
8.5  LangChain框架中的检索增强生成	246
8.5.1  检索增强生成介绍	246
8.5.2  索引、检索和生成	248
8.5.3  文档和文档加载器	250
8.5.4  TextLoader、WebBaseLoader和pypdfLoader	251
8.5.5  分割器和递归字符文本分割器	252
8.5.6  嵌入模型	252
8.5.7  向量存储库	253
8.5.8  检索器	254
8.6  LangChain框架中的智能体	258
8.6.1  人工智能代理介绍	258
8.6.2  LangChain中的AI Agent实现方式	259
8.6.3  多智能体框架LangGraph介绍	259
8.6.4  多智能体框架LangGraph中的图	259
8.6.5  多智能体框架LangGraph中的状态	260
8.6.6  多智能体框架图中的节点	261
8.6.7  多智能体框架LangGraph中的边	262
8.6.8  多智能体框架LangChain中的工具	263
8.6.9  再审方法	265
8.7  本章小结	268
第 9 章  基于MCP的智能体开发	269
9.1  MCP基本原理	269
9.2  单机MCP服务器端搭建	270
9.3  单机MCP服务端进阶实现与优化	274
9.4  单机MCP客户端搭建	283
9.5  MCP智能体开发案例	287
9.6  本章小结	288
第 10 章  基于RAG的问答智能体实战	290
10.1  系统架构	290
10.2  核心功能模块设计	292
10.3  本地部署和云部署	294
10.4  完整代码及运行结果	294
10.5  本章小结	301
第 11 章  多模态电商客服机器人实战	302
11.1  系统架构	302
11.2  核心功能模块设计	303
11.3  完整代码及运行结果	305
11.4  本章小结	311
第 3 部分  优化与应用	
第 12 章  智能体性能优化与调试技巧	313
12.1  性能瓶颈分析方法	313
12.2  调试工具与策略	315
12.3  优化实践案例分享	316
12.4  本章小结	318
第 13 章  智能体部署与实施方法	319
13.1  部署前的准备	319
13.2  数据准备	320
13.2.1  训练数据（部署前模型优化用）	320
13.2.2  测试数据（部署后效果验证用）	321
13.3  部署方案选择	321
13.3.1  本地部署	321
13.3.2  云端部署	321
13.3.3  边缘设备	322
13.3.4  嵌入式部署	322
13.3.5  专项部署	322
13.4  轻量化技术	323
13.5  成本优化策略	323
13.4.1  算力选型	323
13.4.2  资源调度	324
13.6  本章小结	324
第 14 章  多模态试驾预约Agent实战	325
14.1  系统概述	325
14.2  系统架构	326
14.3  核心功能模块设计	328
14.4  核心技术路径分析	332
14.5  AI试驾预约系统完整实现	333
14.6  本章小结	360
第 15 章  基于RAG的多Agent客户服务系统实战	361
15.1  系统概述	361
15.2  系统架构	362
15.3  核心功能模块设计	363
15.3.1  核心功能模块设计流程	363
15.3.2  核心功能模块设计	364
15.4  实现基于RAG的多Agent客户服务系统	365
15.5  本章小结	374
第 16 章  基于MCP的多Agent旅行规划助手实战	375
16.1  系统概述	375
16.2  系统架构	375
16.3  项目结构	376
16.4  系统的Agent组成	377
16.4.1  用户需求分析Agent	377
16.4.2  目的地推荐Agent	385
16.4.3  行程规划Agent	388
16.4.4  预算管理Agent	389
16.4.5  预订协调Agent	392
16.4.6  应急规划Agent	394
16.5  关键技术实现	397
16.5.1  通信机制	397
16.5.2  多智能体协作规划算法	400
16.5.3  冲突解决机制	406
16.5.4  共享知识库存储历史决策和用户反馈	407
16.6  旅行规划完整工作流程	410
16.6.1  主程序调用（方案1：后端FastAPI实现）	410
16.6.2  主程序调用（方案2：Qwen模型调用+Gradio界面）	418
16.7  本章小结	433