AI Agents in Practice

2026年读完的第三十八本书，第一次在微信读书读到外国人写的有关AI Agent的书籍，真的是令我惊喜，而且这本书成书的质量还很不错，美中不足的是微信读书对其中某些词语的翻译有点词不达意确实有点令人遗憾但瑕不掩瑜，这本书真的非常值得所有想从事AI Agent的人读一下，因为即使是书本中的很多内容和知识我从其他途径和其他技术书籍都了解过，但是该书的作者提及到很多知识点和想法都令人耳目一新。 最近这两个月一直在读各种有关LLM和AI Agent的技术文章和书籍的时候，我一直都在想一个问题，目前人类通过AI Harness工程意图驯服AI这头“猛兽”为人类未来科技赋能的过程中，究竟是LLM重要还是AI Agent更重要？在没有了解LLM的底层模型如：ChatGPT、BERT、T5等的技术细节，还有AI Agent如：LangChain、LangGraph、AIGen，以及除此之外一些列与AI Harness相关赋能LLM和Agent的新技术如：MCP、RAG、知识图谱等一系列AI生态系统的技术之前，我一直都认为LLM是最重要的，因为它才是推动AI行业前进最核心的动力。但在我读了很多AI Agent与AI Harness的书籍并通过各种技术文章对其充分理解后，这个问题就如同“飞机里面究竟是发动机重要还是机翼重要”一样无聊。 这本书我花了几乎15个小时的精读才完成。可能是这本书采取广而不深的写作模式，书里面某些知识原理作者都只做了一些简单的讲解和总结，如果需要深入了解更多技术的底层细节则需要读者自行探索。我一直都认为AI Agent是AI生态圈中重要的组成部分，即使是LLM特别强但是总有其力有不逮的地方而AI Agent作为LLM的手脚很好地填补了LLM的这一空白。 作为一个大数据工程师兼数据库开发、管理工程师我尤其关注AI Agent中数据存储相关的组成内容，其中向量数据库作为一种用于存储记忆的语义表征，专为基于相似度的检索而优化，而图数据库作为用于捕获和查询实体之间关系的，提供结构和内存网络的可追溯性。我认为，对于AI生态系统的未来而言，图数据库和向量数据库的结合将会是其重要的存储组织形式，作为数据基石给AI生态系统提供重要的助力。 在读这本书的前半段时，我以为这本书是脱离代码“言之无物”的技术书，然而看到后半部分才知道这本书的代码详实、代码编排展示清晰舒服。 书中还提及到最近比较新的A2A（Agent2Agent）概念，它的核心在于在各个智能体之间建立以任务为导向的交流方式。它并非简单的自由对话，而是将互动结构化为任务、结果以及可选的后续问题。在进行Agent之间的通信方面，A2A刻意遵循网络标准设计（使用HTTP进行传输、JSON存储数据、OAuth处理授权），从而能够轻松融入现有网络体系。A2A这类型多智能体设计将微服务设计理念应用于人工智能领域，它强调解耦、专业化与可组合性——这些都是现代软件工程的核心原则。 书中除了有AI Agent相关技术外，AI与区块链相关交叉的技术还有ACP（Agent Commerce Protocol）的内容，它的核心在于利用智能合约和区块链技术，为各代理方之间创建不可篡改的协议。如果说MCP和A2A等协议为智能体提供了行动与沟通的工具，那么ACP则为它们赋予了履行承诺、完成交易的手段——这正是涉及资源或资金往来的复杂合作所必需的基础。 读完这本书我也思考良多，特别是最近我都忙着折腾各种AI Agent，并像海绵一样吸收着LLM、AI Agent和机器学习等信息科技的前沿技术，现阶段我对IT这个行业也有了不太一样的理解。 在读到A2A和ACP技术的这个章节给我的触动更大，其中Multipul Agent架构参考了前几年特别火的微服务架构，还有NanoCLaw使用docker执行任务等IT技术相互参照、相互使用让我思考一个问题:究竟工程师是怎样的一个角色？ 我之前粗浅地认为工程师是单纯解决项目上的工程问题。但是近几年读了上百本的技术类书籍，又复盘了这十年多以来做过大大小小各色各样、各行各业不同的IT项目，我对工程师这个角色又有了不同的理解。作为工程师接到任务的第一步就是任务分析、拆解，执行任务的计划安排和实施，明确、管理任务中出现的各种风险节点并在时间有限、资源有限的情况下交付产品物。特别是最近我完美交付了几个信创改造、云服务迁移的项目后，更让我有了更深刻的理解。总的来讲，这本书真的很不错，值得一读。