AI Agents in Practice

2026年讀完的第三十八本書，第一次在微信讀書讀到外國人寫的有關AI Agent的書籍，真的是令我驚喜，而且這本書成書的質量還很不錯，美中不足的是微信讀書對其中某些詞語的翻譯有點詞不達意確實有點令人遺憾但瑕不掩瑜，這本書真的非常值得所有想從事AI Agent的人讀一下，因爲即使是書本中的很多內容和知識我從其他途徑和其他技術書籍都瞭解過，但是該書的作者提及到很多知識點和想法都令人耳目一新。 最近這兩個月一直在讀各種有關LLM和AI Agent的技術文章和書籍的時候，我一直都在想一個問題，目前人類通過AI Harness工程意圖馴服AI這頭“猛獸”爲人類未來科技賦能的過程中，究竟是LLM重要還是AI Agent更重要？在沒有了解LLM的底層模型如：ChatGPT、BERT、T5等的技術細節，還有AI Agent如：LangChain、LangGraph、AIGen，以及除此之外一些列與AI Harness相關賦能LLM和Agent的新技術如：MCP、RAG、知識圖譜等一系列AI生態系統的技術之前，我一直都認爲LLM是最重要的，因爲它纔是推動AI行業前進最核心的動力。但在我讀了很多AI Agent與AI Harness的書籍並通過各種技術文章對其充分理解後，這個問題就如同“飛機裏面究竟是發動機重要還是機翼重要”一樣無聊。 這本書我花了幾乎15個小時的精讀才完成。可能是這本書採取廣而不深的寫作模式，書裏面某些知識原理作者都只做了一些簡單的講解和總結，如果需要深入瞭解更多技術的底層細節則需要讀者自行探索。我一直都認爲AI Agent是AI生態圈中重要的組成部分，即使是LLM特別強但是總有其力有不逮的地方而AI Agent作爲LLM的手腳很好地填補了LLM的這一空白。 作爲一個大數據工程師兼數據庫開發、管理工程師我尤其關注AI Agent中數據存儲相關的組成內容，其中向量數據庫作爲一種用於存儲記憶的語義表徵，專爲基於相似度的檢索而優化，而圖數據庫作爲用於捕獲和查詢實體之間關係的，提供結構和內存網絡的可追溯性。我認爲，對於AI生態系統的未來而言，圖數據庫和向量數據庫的結合將會是其重要的存儲組織形式，作爲數據基石給AI生態系統提供重要的助力。 在讀這本書的前半段時，我以爲這本書是脫離代碼“言之無物”的技術書，然而看到後半部分才知道這本書的代碼詳實、代碼編排展示清晰舒服。 書中還提及到最近比較新的A2A（Agent2Agent）概念，它的核心在於在各個智能體之間建立以任務爲導向的交流方式。它並非簡單的自由對話，而是將互動結構化爲任務、結果以及可選的後續問題。在進行Agent之間的通信方面，A2A刻意遵循網絡標準設計（使用HTTP進行傳輸、JSON存儲數據、OAuth處理授權），從而能夠輕鬆融入現有網絡體系。A2A這類型多智能體設計將微服務設計理念應用於人工智能領域，它強調解耦、專業化與可組合性——這些都是現代軟件工程的核心原則。 書中除了有AI Agent相關技術外，AI與區塊鏈相關交叉的技術還有ACP（Agent Commerce Protocol）的內容，它的核心在於利用智能合約和區塊鏈技術，爲各代理方之間創建不可篡改的協議。如果說MCP和A2A等協議爲智能體提供了行動與溝通的工具，那麼ACP則爲它們賦予了履行承諾、完成交易的手段——這正是涉及資源或資金往來的複雜合作所必需的基礎。 讀完這本書我也思考良多，特別是最近我都忙着折騰各種AI Agent，並像海綿一樣吸收着LLM、AI Agent和機器學習等信息科技的前沿技術，現階段我對IT這個行業也有了不太一樣的理解。 在讀到A2A和ACP技術的這個章節給我的觸動更大，其中Multipul Agent架構參考了前幾年特別火的微服務架構，還有NanoCLaw使用docker執行任務等IT技術相互參照、相互使用讓我思考一個問題:究竟工程師是怎樣的一個角色？ 我之前粗淺地認爲工程師是單純解決項目上的工程問題。但是近幾年讀了上百本的技術類書籍，又覆盤了這十年多以來做過大大小小各色各樣、各行各業不同的IT項目，我對工程師這個角色又有了不同的理解。作爲工程師接到任務的第一步就是任務分析、拆解，執行任務的計劃安排和實施，明確、管理任務中出現的各種風險節點並在時間有限、資源有限的情況下交付產品物。特別是最近我完美交付了幾個信創改造、雲服務遷移的項目後，更讓我有了更深刻的理解。總的來講，這本書真的很不錯，值得一讀。