大模型应用开发 动手做AI Agent

先打个广告 大家可否关注一下我的新书《RAG实战课》，我是试图总结最新知识，形成大模型应用开发技术的闭环。然而新书出版后，总是诚惶诚恐，不知道读者是否满意。黄老师也不容易。 这本书微信读书暂时不会上架。 (转发一篇认真且中肯的书评) 作者：isaachan（来自豆瓣） 随着ChatGPT在2022年11月开始爆火，市面上出现了大量介绍LLM/ChatGPT的书，我在书店里翻过几本，感觉这些书一般都有两个“缺点”，一是大量讲形而上的哲学话题，二是用大段代码的介绍一个玩具案例。而这本书在这些方面做得比较克制，既没有陷入形而上的抽象讨论，也避免了将技术解释流于表面，这点显得难能可贵。 看完这本书后，我总结下它能给到读者的是： 以对话和场景带入的形式进行生动的讲解 书中采用对话体形式，通过虚拟的问答交流，帮助读者逐步厘清大语言模型的工作原理和应用场景。这种形式不仅生动有趣，还能让读者在轻松的氛围中逐步加深理解，而不是像阅读技术论文那样晦涩枯燥。有很多次，当我对某些内容产生疑问的时候，书中的人物“小雪”刚好也有同样问题，于是作者在恰到好处的时机进行了解释。 有一定深度和贴近现实的案例 本书精心设计了七个案例，通过一家初创花店的业务发展巧妙地串联起来。案例的内容涵盖多个领域，从文本生成到辅助决策，展示了大语言模型的多种应用场景。这些案例并非简单的“聊天机器人”演示，而是引导读者理解大语言模型如何在实际任务中解决问题。这些案例既具备一定深度，又足够贴近现实，具有一定的启发性和参考价值。 强调应用思维 作者在书中反复强调如何将大语言模型的能力与实际业务需求结合起来，避免将LLM仅仅看作一个“文本生成工具”，而是通过各种方法让它成为更具生产力的工具。书中提到的一些提示词优化、任务拆解等技巧，对希望应用ChatGPT进行工作的读者来说非常实用。 另外，这本书并没有给到读者如下的内容： 过于依赖ChatGPT而缺少开源和国内的大模型 尽管本书提供了丰富的案例，但其讨论和实验几乎完全依赖于ChatGPT这一具体工具。书中较少涉及其他大型语言模型，如Claude、Gemini、LLaMA等，它们在性能、使用场景以及成本等方面也各有特色。这种局限性使得本书的内容略显单一，对于想要全面了解LLM生态的读者来说，可能不够满足需求，而且对于国内的读者和准备付诸实践者来说，选择ChatGPT有些众所周知的挑战，这让本书的实战效果打了折扣。 缺少工程实现细节 虽然本书深入浅出地介绍了大语言模型的应用场景和原理，但在工程实现层面显得较为“轻描淡写”。例如，对于如何调用API进行二次开发、如何部署一个本地语言模型、如何优化响应速度等问题，书中几乎没有具体的代码示例或架构设计分析。对于具备一定技术基础、希望深入了解实现细节的读者来说，本书在这一点上稍显不足。 缺少对技术局限性的讨论 本书在介绍大语言模型的能力时，难免流露出一定的“乐观主义”。然而，现实中LLM仍面临诸如幻觉现象、上下文窗口限制、数据隐私等问题。这些技术局限在书中并未得到充分讨论，容易让读者对当前技术的能力和边界产生误解。 总结一下，前面的几点只是本书“给到”和“没有给到”读者的内容，并不是“优点”和“缺点”，因为这本书的定位决定的，同时也是LLM领域当前快速发展产生的不确定性导致的。读者可以根据自身诉求来选择是否阅读或者阅读哪些部分。不可否认的是，这本书的编写是非常用心的，这些同类书籍普遍浮夸的背景下很不容易了。 最后 ，《Agent设计模式》一书2026年2月已经出版。

这本书应该说是写早了。Agent的理论本身没有错，只是当前这套基于大模型的Agent，是想让大模型充当Agent的“大脑”，换言之就是依赖大模型的逻辑推理能力和复杂指令遵循能力，但当前大模型，就算是GPT4级别的几个模型，逻辑推理能力也支撑不住这个角色，其他的3.5级别的就更别提了，只能看5出来的时候推理能力怎么样。 这就导致这本书很尴尬的一点：理论的地方很理论，但给的实际例子又很浅，就看起来略水......这也没办法，基于当前模型能力的Agent也就做到这个份上了，除非你在垂直领域去写很多定制逻辑，去提升的专业能力。所以现在这个时候，Scaling Law还在生效，模型能力还没触顶，这种上层的包括Langchain、Function Calling这些很容易被替代和颠覆掉的..... 之所以觉得略水还给推荐，因为我知道写书这件事很难，熬的都是作者的心血和头发😂，我从来不给任何一本书打差评，我感觉水的书我一般都选择不说话，但是吧......本书作者黄佳老师的其他书，包括他这种寓教于乐的写作风格，都还挺好的，我也是看了他之前的书，所以这本纸质版出来的时候，就第一时间读了，黄佳老师也要爱惜自己的羽毛呀......

这本书加入书架很长时间了，一直没机会看，就这么放到了今年春节，才有时间把它读完 书中延续了黄佳老师一贯的风格，总能用日常事物解释陌生的专业词汇，语言生动有趣，偶尔加入对话式的讨论，可以点出读者心中的疑问，并逐一加以解答。同时也少不了“硬核”的代码实战内容，通过代码实操加深对技术的理解。这种“软硬结合”的讲述方式，让不同基础的读者都能有不错的阅读体验。 Agent其实已经融入我们的工作生活当中了，从普通用户的体验来看，使用过程是对技术和执行流程低感知的，只需要清晰表达需求，它就能给你快速提供解决方案，获得授权后自动完成后续步骤。就像今年春节期间，通义千问的“请客喝奶茶”一样，只需要和它说出奶茶的口味、规格等需求，它就可以理解你的意图，自动筛选出附近奶茶店以及推荐饮品，核对地址信息及支付授权之后，就能完成点单，最后顺利喝上奶茶。 而对开发者来说，需要保持Agent执行流程可追踪、行为可控。比如AI编程类工具，只需要描述清楚开发需求，Agent就可以自主理解需求、查阅技术文档、调用外部API、生成对应代码，最终把想要的功能做出来。它的执行过程直观可见，开发者可以根据反馈，随时进行确认和调整。 本书对Agent背后的技术，做了详细讲解。先从ReAct框架，如何把任务拆分成“思考-行动”循环，再引出两大主流框架LangChain和LlamaIndex。分别为Agent开发提供流程控制及工具调用能力，以及连接和检索外部数据能力，可以实现快速搭建Agent应用。 实战部分用一家鲜花电商“花语秘境”作为案例，来展示大模型和Agent技术如何在业务场景中使用，比如实现自动定价、智能调度库存、财报检索等功能。让ReAct框架、Plan-and-Execute，LlamaIndex等技术理论都能和实操结合起来，理解起来不费劲。 AI的发展日新月异，本书是24年中出版，没想到短短一年多的时间，Agent的方向已经发生了明显变化，尤其是OpenClaw出现之后，带起一股热潮，各大厂商迅速跟进，相关产品和框架也不断出现。目前多Agent协同已经逐渐成为重要的发展方向，通过职责分工和协同执行，可以缓解单一Agent在上下文和推理方面的限制，并提升系统的准确率与稳定性。这本书如果未来有机会再版，期待能够补充新的进展和案例。

这是24年的一本书，AI行业日新月异，看起来有些过时，在当时Harness工程都没流行起来，但书中提到的一些原理和实践的的确确是构建Harness工程的技术基础以及实践范式，比如Function Calling、Tools、RAG等技术，以及ReACT，Plan-and-Execute等解决方案。 站在了解底层技术实现、特定场景下的解决方案以及LangChain等开源框架的实现与使用的维度，这本书值得一读。

同之前几本书比起来，该书写的略水，前几章讲的太过泛泛，中间几章框架讲解的可圈可点，但案例太过简单粗糙，离落地替代当前workflow得方式实现SOP自动化还有点距离，最后几章靠log凑字数也是有点醉了😵‍💫希望黄老师恢复实力，再创新作

2025年读完的第十七本书，这本书原本也不是在今年阅读的计划清单之中。阅读这本书的契机有两个。第一契机，是有朋友最近苦恼于怎么在公司的内部接入Deepseek或者其他大语言模型的AI工具，通过工作赋能AI。第二契机，我在一本疑似用Deepseek写的如何使用Deepseek的热门的书籍《15分钟了解Deepseek：DeepSeek R1轻松上手指南（轻科技）》中留下的辩证性评判长评论，几天内获得超过百人以上的点赞，并且按照这个趋势推算，后期可能会有超过千人点赞；但是，我深入对自己进行了反思和复盘，觉得自己对AI的认知还停留在浅薄的朦胧阶段，“胆敢”凭借对其浅薄的认知，洋洋洒洒留下几千字的评论，也不知道会不会造成“以其昏昏使其昭昭”的不良影响；因此，我认为后期自己更加需要多读几本AI相关的书籍，加深一下对AI的认知，为身边的人提供更真实和更有价值的帮助。 在我看来，目前的大语言模型貌似进入了跟以前Intel和AMD斗参数、斗性能的白热化竞争阶段。各个“AI厂商”各自拿出自己的看家本领，比大语言模型的输入参数总量，通过各自技术和方案通过降低训练大语言模型的算力比“降本增效”，通过比更低的训练成本实现更好的模型，等等。在我看来，现在大语言模型这个“AI大脑”已经足够好了，但是很多普通人还没有对AI有足够的认识，有能力尽其所能、物尽所用地利用AI服务自己的工作和生活。然而AI Agent的诞生正是弥补了“低成本”、高效能使用AI的“最后一公里”。我认为，目前大语言模型这个AI大脑思考和推理能力已经足够能用了，但是应该如何指导这个大脑去分析问题，得出求解的方案，观察执行过程的步骤，复盘执行结果，最后得出以后的改进方案的这些步骤，正是AI Agent需要做的事情。 下面是读书笔记： 1.AI Agent被定义为一个能够感知环境，做出决策、自主执行任务，并与环境互动的系统。它具有自主性、适应性、交互性和功能性。Agent技术实现的四大要素——规划、工具、记忆和执行。 2.通过思维链(Chain of Thought，CoT)、ReAct（Reasoning and Acting，推理并行动）和问题分解(Problem Decomposition)等逻辑框架，引导Agent展现出与符号Agent相媲美的推理和规划能力。 3.高德纳(Gartner)公司发布“AI技术成熟度曲线”也被称为“AI技术炒作周期”，主要分为这几个发展阶段：创新触发点、期望顶峰、失望低谷、启蒙斜坡和生产力高原。 4.泛化是机器学习的一个重要概念，它指的是模型对未见过的数据做出准确预测或合理反应的能力。这种泛化带给大模型更通用的能力，而通用性也为Agent提供了前所未有的创造力和灵活性。 5.整个大模型应用开发的核心理念就是操作的序列并非硬编码在代码中，而是使用大模型来选择执行的操作序列。这凸显了大模型作为AI自主决定应用程序逻辑这个编程新范式的价值。 6.Agent的四大特性：适应性、自主性、交互性、功能性 7.大模型要被特定行业所用，从难到易有4种方式，分别是重新训练或从头构建模型、微调模型、动态提示（RAG就是其中一种技术）和简单提示工程。 8.Functions让大模型可以连接到外部工具，从而赋予开发者更多的灵活性和创造力，以促进和加速AI在各种行业和领域中的应用。 9.Function Calling是连接GPT模型的自然语言理解能力与外部工具或API的桥梁，可以使从大模型中获取结构化数据或基于大模型输出触发外部动作的方式更为可靠。 10.在Zero-shot-CoT认知框架中，模型被设计为在面对新颖任务时，能够借助其已有的知识和逻辑推理能力，通过内部生成一系列思维步骤（即“思维链”）来解决问题。这种框架使得模型即使在没有针对特定任务的训练数据的情况下，也能有效推理和解决问题。 11.AutoGPT是通过自动化多步提示过程将目标分解为子任务，并自动链接多个任务，以实现用户设定的大目标。Baby AGI驱动的任务管理系统的主要功能包括3部分：运用OpenAI公司的自然语言处理能力以及大模型的思考能力来生成、排序和执行任务；利用Pinecone等向量数据库引擎来存储和检索特定任务的结果，提供执行任务的相关上下文；采用LangChain框架进行决策。CAMEL的核心创新点是，通过角色扮演和启发式提示来引导Agent的交流过程。在我看来，AutoGPT和Baby AGI这类自主Agent更像是通过推理实现的一种归纳法，而CAMEL更像是通过发展实现的一种演绎法。 最近以来，我一直通过读书进行学习，之前只是浅薄地学习主题书籍的内容，而现在的我更喜欢带着问题去读书。这本书除了通过深入浅出地讲解AI Agent的原理，还试图通过开发代码和现实案例贯穿整本书的知识脉络，虽然其中有一些案例和解析都是点到即止，它确实能够引领读者迈入这个AI Agent的门槛，让读者能够初窥一下AI Agent的门道。在读这本书之前，我一直以为，如果需要使用AI去做成尼基市场的产品，需要重新训练一个场景专用的专家模型。在读完这本书后，我深刻地认识到，其实我们可以像牛顿一样，站在巨人的肩膀上实现自己的目标。因为书里面总结了AI的使用，门槛纬度从低到高分别为：简单提示工程(零样本和少样本提示)>动态提示(RAG)>模型微调(指令微调LLM)>重头训练或从头构建模型(例如构建一个其它的AI模型)，对于需要创业做产品的人来讲，可以根据自己的情况选择不一样的切入点来开发产品。总结来讲，就是这本书是属于那种“大而不细，广而不深”的书籍，它目前让我进入了一种，对于AI和大语言模型“看山不是山”的认知阶段。后期，我应该再多读几本类似的AI类书籍，争取早点进入“看山还是山”的认知阶段。

也算是第一次这么全面的了解下什么是agent。 读完《动手做AI Agent》，我对AI的理解从“聊天工具”升级为“能自主解决问题的智能体”。这本书不仅让我搞懂了Agent的核心逻辑，更通过丰富的案例，让我看到了AI技术落地的无限可能。 以前总觉得AI是遥不可及的黑科技，而书中对Agent的定义让我豁然开朗：它就像一个拥有“感知-思考-行动”闭环的智能助手。它能通过传感器感知环境，用大模型进行逻辑推理，再通过执行器调用工具完成具体任务——从简单的天气查询到复杂的跨应用办公自动化，Agent的本质是让AI从“被动回答”转向“主动执行”。 书中提到的ReAct、Plan-and-Execute等范式，更是让我理解了AI如何像人类一样“边思考边行动”，或是“先规划再执行”，这种技术逻辑的拆解，彻底打破了我对AI的模糊认知。 更让我惊喜的是书中展示的各种AI新尝试。不怕行动，而怕没有思想指导。提出问题比解决问题厉害的多。比如多Agent协作系统，不同智能体可以像团队一样分工合作，一个负责数据分析，一个负责生成报告，另一个负责发送邮件，这种“AI团队”的模式让我看到了自动化办公的未来；还有结合RAG技术的知识型Agent，能实时检索外部数据，彻底解决了大模型“信息滞后”的问题。书中提到的Hermes Agent“自我进化”机制更是让我印象深刻——它能从任务中总结经验、固化技能，越用越懂用户，这种“会成长的AI”完全颠覆了我对工具的固有印象。 这本书最打动我的，是它让我意识到：AI不再是少数人的专利。无论是开发自动化脚本，还是搭建个人智能助手，普通人也能通过动手实践参与到AI创新中。这种技术民主化的趋势，让我对未来的AI世界充满期待。

我读完这本书之后，不太推荐。 主要问题不是它完全错误，而是它给人的“理解深度”是有问题的。书里用了很多AI、计算、生命科学相关的概念（比如图灵、信息、神经网络这些），但很多时候只是停留在表面了解，然后通过类比或者拼接，把它们组合成一些看起来很有启发性的结论。问题在于，这些结论往往并没有经过严格推理，甚至存在一些概念上的混淆，比如把“理论上可计算”当成“现实中一定能做到”，或者把类比当成论证。这会让整本书读起来会发现不少地方是站不住的。 另外，它在不同层次之间跳跃比较频繁。从理论、到AI Agent工程实现、再到哲学结论，中间缺少必要的论证，这也是我觉得比较不严谨的地方，甚至可能会带来一些误导。

思路清晰 也能利用简单的例子自圆其说 不过 类似找些依赖大模型而适配的各类工具箱，似乎处在一个比较尴尬的境地 大模型本身的发展就跟工具箱分割不开 独立通用的第三方工具箱就变得不是第一选择 现在的热度都是发令枪响后的第一波冲出来的工具 伴随着成熟度的提升 还有待走向成熟 不过这也正是机会 太多的领域还处在原生态阶段

《大模型应用开发 动手做 AI Agent》书评：技术演进中的智能体开发实践在国内外大模型技术快速迭代的背景下，本书为开发者提供了一份兼具理论认知与技术实操的参考指南。尽管书中案例主要基于ChatGPT、LangChain等框架展开，但其对AI Agent开发范式的系统梳理，对于当前国内大模型应用生态建设具有现实意义。 技术解析与实践平衡全书采用模块化分析框架，将AI Agent分解为思维、感知、执行三个功能单元。通过智能问答、文档解析等典型场景，作者展示了如何将大模型与传统编程技术结合。书中对LangChain框架的讲解，着重剖析了记忆管理、工具调用等关键机制，既保留了技术细节的深度，又通过流程示意图保持了内容的可读性。值得关注的是，作者在案例设计中预留了模型接口的可替换性，为适配不同大模型提供了技术可能性。 方法论层面的探索区别于单纯的工具使用手册，本书尝试建立智能体开发的认知框架。书中提出的任务分解策略和异常处理机制，反映了当前行业对AI Agent稳定性的普遍关注。不过需要指出的是，相关方法论仍需结合具体业务场景进行验证，书中提供的更多是方向性参考。 技术适配性的思考随着DeepSeek等国产大模型应用深化，开发者在技术选型上面临新的考量。本书在架构设计层面强调的"业务逻辑与模型解耦"原则，客观上降低了框架迁移的技术门槛。通过模型路由代理等设计方案，展示了异构模型协同的技术路径。但需要说明的是，由于不同大模型的API接口与能力特性存在差异，实际落地时仍需进行针对性调试。 作为聚焦AI Agent开发的实践类书籍，本书的价值在于系统呈现了该领域的技术实现路径。它在保持技术严谨性的同时，通过渐进式案例降低了学习曲线。对于希望了解智能体开发基础架构的读者而言，书中关于工具调用链设计、记忆管理等核心组件的解析具有较高参考价值。在技术快速演进的背景下，这种既呈现现有技术方案又揭示底层逻辑的写作方式，为读者应对未来技术变迁保留了必要的认知延展空间。