Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

书籍介绍

欢迎阅读《AI Agent 工程实践：从大模型基础到生产级智能体系统》。

这不是一本单纯介绍工具按钮怎么点的书。它关注的是一个更长期的问题：当 AI 已经可以读代码、改代码、调用工具、规划任务、检索知识、长期运行甚至并行协作时，工程师应该怎样重新设计自己的工作方式、上下文系统、工具接口、验证回路和生产治理。

全书围绕核心公式 Agent = LLM + 上下文 + 工具 展开，沿着“大模型基础 -> Agent 工程 -> 应用实战 -> 前沿与研究”的路径层层递进。

全书工程主线图

本书按“大模型 → Agent 工程 → Agent 应用与实战 → 前沿与研究”四部分展开。主线不是“学一堆工具名”，而是先理解模型能力与边界，再把模型放进可约束、可验证、可治理的 Agent 运行环境，用这套方法完成真实工作，最后以研究型与前沿专题判断下一步能力边界。

flowchart LR
    A["第一部分：大模型<br/>原理 / 训练 / 推理 / 边界"] --> B["第二部分：Agent 工程<br/>Prompt / Context / Harness"]
    B --> C["Agent Runtime<br/>工具 / 知识 / 记忆 / 编排"]
    C --> D["生产治理<br/>Evals / Guardrails / Observability"]
    D --> E["第三部分：Agent 应用与实战<br/>Coding / 企业知识 / 告警 / PKM / 生活 Agent"]
    E --> F["第四部分：前沿与研究<br/>Research Agent / 多模态 / 具身 / 长期学习"]

本书解决什么问题

AI 工程实践里最容易踩的坑，不是模型不会生成内容，而是我们把不清楚的意图、不完整的上下文、没有边界的工具和没有验证回路的流程交给了模型。结果往往是：第一版看起来很聪明，第二版开始补洞，第三版引入新问题，最后人和 AI 一起在上下文里迷路。

本书的主线是把这种不稳定的协作方式，逐步收敛成可复用、可审查、可验证、可治理的工程系统。

读完之后，你应该能够回答五类问题：

  • 模型边界：LLM 擅长什么、不擅长什么，这些边界如何影响系统设计？
  • 任务协议：如何通过 Prompt、结构化输出和 Context 降低任务歧义与输出漂移？
  • 系统落地：如何通过 Harness、工具、知识、记忆和工作流构建 Agent Runtime？
  • 生产治理：如何评估、监控、调试、回滚并持续优化一个 Agent 系统？
  • 现实应用：如何把大模型与 Agent 用到编程、告警处理、企业知识、个人知识管理和研究任务中？

适合谁读

本书主要面向已经参与过真实软件项目的读者，包括后端工程师、AI 应用工程师、技术负责人，以及正在把 AI 编程或 Agent 系统引入团队流程的人。

你不需要是大模型研究员，但最好具备以下基础：

  • 能读懂一种主流编程语言的代码示例；
  • 理解 API、数据库、测试、日志、部署、权限等基本工程概念；
  • 对 LLM、RAG、Agent、MCP、Evals 等术语有初步印象，遇到细节时愿意回查。

如果你刚开始接触 AI 编程，建议按章节顺序建立基础；如果你已经在团队里落地 Agent，则可以直接从第二部分的 Agent 架构、工具、知识系统和生产治理部分切入。

内容结构

第一部分：大模型

这一部分建立全书的模型基础：理解 LLM 的能力边界、训练与推理机制，以及模型能力如何影响系统设计。它回答“模型能做什么、不能做什么、工程上为什么不能把模型当成万能组件”。

章章节一句话概述
第1章大模型范式演进与工程学习地图先建立大模型工程的全局视角，说明学习路线、关键概念和能力边界。
第2章大模型基础知识：Token、Embedding、Transformer 与能力边界讲清大模型最核心的底层概念，以及这些概念如何决定系统设计。
第3章大模型训练过程详解：Pretraining、Post-training、SFT、RL 与偏好优化梳理模型从预训练到后训练的全过程，理解能力是如何被塑造出来的。
第4章大模型推理机制详解：Prefill、Decode、Sampling、KV Cache 与 Reasoning Budget解释模型在推理时如何工作，以及延迟、成本和效果之间怎么权衡。
第5章微调、量化与部署：LoRA、QLoRA、Serving Engine讨论模型适配、压缩和部署的工程手段，帮助模型真正跑进生产环境。
第6章世界模型与具身智能：从预测世界到行动系统介绍世界模型与具身智能的关系，理解“会说”如何走向“会做”。
第7章LLM 能力边界与架构约束从模型局限出发，反推工程系统该如何加约束、补短板。

第二部分：Agent 工程

这一部分讨论如何把大模型组装为真正可运行的 Agent。它先解释 Agent 如何从对话和 Prompt 应用演化为受控 Runtime，再依次展开任务协议、上下文、Harness、模型协议、工具、知识、记忆、编排和生产治理。

章章节一句话概述
第8章Agent 的演化与架构总纲：从对话应用到可治理 Runtime说明 Agent 为什么不是简单聊天框，而是需要被治理的运行时系统。
第9章Prompt Engineering 与结构化输出：从提示词到任务协议把提示词升级成可执行的任务协议，让输入和输出更稳定。
第10章Context Engineering：从上下文注入到信息架构讲清上下文如何组织、压缩和注入，决定 Agent 的认知上限。
第11章Harness Engineering：从模型调用到 Agent 运行环境构建模型之外的执行外壳，负责控制、状态、权限和失败处理。
第12章LLM API 协议：模型能力如何被系统消费把模型接口当成系统契约来设计，而不是只看一次调用是否成功。
第13章Agent 工具系统工程：Tool Calling、Skills 与 MCP说明工具如何成为 Agent 的手脚，以及如何安全、可扩展地接入工具。
第14章Agent 知识系统：从知识源、RAG 到 Agentic RAG介绍知识检索与增强生成的系统化做法，让 Agent 知道去哪找答案。
第15章Agent 记忆系统：Memory、会话与长期上下文讨论记忆如何跨会话保存、更新和检索，支撑长期协作。
第16章Agent 执行编排与平台架构：工作流、状态机、多 Agent 与框架生态说明任务如何被拆解、编排和调度成稳定的执行流程。
第17章Agent 生产治理：Evals、Guardrails 与可观测性把评估、约束和可观测性连成闭环，保证系统可用、可控、可迭代。

第三部分：Agent 应用与实战

这一部分将前两部分的能力放到现实工作中：先拆解成熟产品，再落到企业和个人任务。它关心的是“如何用大模型与 Agent 完成一项可交付、可验证、可治理的真实工作”。

章章节一句话概述
第18章AI Coding Agent 系统解析：从工作协议到 Harness 工程从系统视角拆解 Coding Agent，理解它为什么能帮人写代码。
第19章企业知识助手：RAG、搜索、权限与知识治理落地实践展示企业知识助手如何把检索、权限和知识治理真正结合起来。
第20章Pi Agent 架构解析：终端原生 Coding Agent Runtime、扩展系统与上下文工程分析一个终端原生 Coding Agent 如何组织运行时、扩展和上下文。
第21章OpenClaw 架构解析：个人 AI 助手的 Gateway、Runtime 与工具生态讲述个人 AI 助手如何通过 Gateway、Runtime 和工具生态协同工作。
第22章Hermes Agent 架构解析：自我进化、记忆与多入口 Agent Gateway说明一个可自我进化的 Agent 如何通过记忆和入口管理持续扩展。
第23章DoD Agent：企业级告警处理与知识答疑系统用告警与答疑场景展示企业级 Agent 的生产落地方式。
第24章从零实现一个可观测 Coding Agent通过一个可复现项目展示 Coding Agent 的观测、调试与扩展方法。
第25章个人知识管理 Agent 实践说明个人知识管理如何借助 RAG、记忆和工作流形成闭环。
第26章持续进化的生活 Agent：从日常反馈到可信能力闭环讨论生活 Agent 如何在反馈、审批和回滚中安全地持续进化。

第四部分：前沿与研究

这一部分讨论工程实践之外仍在快速演化的前沿问题。它不局限于 Research Agent，后续可扩展到多模态、具身智能、长期学习和世界模型等专题。

章章节一句话概述
第27章AI 智能体研究现状、工程瓶颈与未来理想能力架构报告从研究和工程两条线梳理智能体的现状、瓶颈与未来方向。

附录

附录提供术语、参考资料、工具清单、系统设计思考题与项目实践模板。它们不再作为正文主线，而是作为随用随查的材料。

在线阅读

  • GitHub Pages：https://wxquare.github.io/ai-book/
  • 源码仓库：https://github.com/wxquare/wxquare.github.io

反馈与贡献

欢迎通过 Issue、Pull Request 或博客留言提供反馈。尤其欢迎三类反馈：

  • 哪些章节读起来跳跃，缺少承上启下；
  • 哪些代码或架构图难以复现；
  • 哪些工具、模型或最佳实践已经过时。

版本信息

  • 当前版本：v1.0
  • 发布日期：2026 年 4 月
  • 更新计划：持续更新，优先深化大模型基础、Agent 运行时、成熟系统解析、案例、评估体系和生产治理实践。