本书以“智能体（Agentic System）”为核心，探讨如何将大型语言模型（LLM）的能力转化为具备感知、决策、执行与学习能力的自治系统。 作者将“开发智能体”比喻为“在画布（Canvas）上作画”——其中画布指代技术框架（如 LangChain、Crew AI、Google ADK 等），而设计模式则是绘画的笔触和结构。
核心目标：
- 提供一套构建智能体的可复用模式体系；
- 帮助开发者从“Prompt响应式AI”迈向“自主决策型Agentic系统”；
- 通过代码示例展示每个模式的实现方式。
书中涵盖的关键主题包括：
- 智能体架构设计；
- 任务分解与计划；
- 工具调用与外部交互；
- 多智能体协作；
- 反思与自我改进；
- 安全、评估与优化。
| 部分 | 章节 | 主题 | 重点内容 |
|---|---|---|---|
| Part One – 基础模式 | Ch1. Prompt Chaining | 连锁提示 | 将复杂任务拆分为连续步骤的基础结构。 |
| Ch2. Routing | 路由模式 | 根据输入条件选择合适路径或模型。 | |
| Ch3. Parallelization | 并行化 | 多子任务同时执行以提升效率。 | |
| Ch4. Reflection | 反思 | 智能体对自身输出进行审查和改进。 | |
| Ch5. Tool Use | 工具调用 | 调用外部API、数据库或服务。 | |
| Ch6. Planning | 规划模式 | 将复杂目标分解为可执行任务链。 | |
| Ch7. Multi-Agent Collaboration | 多智能体协作 | 多个专用Agent协调合作。 | |
| Part Two – 记忆与学习 | Ch8. Memory Management | 记忆管理 | 实现短期对话上下文与长期知识保存。 |
| Ch9. Learning and Adaptation | 学习与适应 | 通过反馈迭代改进行为。 | |
| Ch10. Model Context Protocol (MCP) | 模型上下文协议 | 标准化Agent与工具间的上下文通信。 | |
| Ch11. Goal Setting & Monitoring | 目标设定与监控 | 智能体对目标的追踪与自我评估。 | |
| Part Three – 控制与知识 | Ch12. Exception Handling & Recovery | 异常恢复 | 错误检测与自愈机制。 |
| Ch13. Human-in-the-Loop | 人类在环 | 融合人类监督与反馈。 | |
| Ch14. Knowledge Retrieval (RAG) | 知识检索 | 通过RAG提升事实性与上下文理解。 | |
| Part Four – 高级能力与安全 | Ch15. Inter-Agent Communication (A2A) | 智能体通信 | 定义Agent间通信与协调。 |
| Ch16. Resource-Aware Optimization | 资源优化 | 管理算力、调用频率与经济性。 | |
| Ch17. Reasoning Techniques | 推理技术 | 探索逻辑推理、树搜索等增强智能体决策的方式。 | |
| Ch18. Guardrails / Safety Patterns | 安全与防护 | 设计AI的边界与防错机制。 | |
| Ch19. Evaluation & Monitoring | 评估与监控 | 智能体表现与稳定性追踪。 | |
| Ch20. Prioritization | 优先级管理 | 任务优先与资源分配。 | |
| Ch21. Exploration & Discovery | 探索与创新 | 引导智能体进行知识发现与创新任务。 |
| 附录 | 内容 |
|---|---|
| Appendix A | 高级提示工程技巧（Advanced Prompting） |
| Appendix B | 从GUI到真实环境的智能体部署 |
| Appendix C | 主流Agentic框架概览（LangChain, CrewAI, ADK 等） |
| Appendix D-E | AgentSpace 与 CLI 实践指南 |
| Appendix F | 智能体推理引擎的底层机制 |
| Appendix G | 编码型智能体设计 |
- Agentic系统的四大核心能力：
- 感知（Perception）：理解环境与输入；
- 决策（Reasoning）：生成行动计划；
- 执行（Action）：与外部世界交互；
- 反思（Reflection）：评估并优化行为。
- 设计模式的层次化作用：
- 结构模式（Structure）：Prompt Chaining、Routing、Planning；
- 交互模式（Interaction）：Tool Use、RAG、A2A；
- 控制模式（Control）：Goal Setting、Exception Handling；
- 自我进化模式（Self-Improvement）：Reflection、Learning；
- 安全模式（Safety）：Guardrails、Evaluation。
- 未来趋势：
- 从“Human-in-the-loop”向“Human-on-the-loop”过渡；
- Agent-as-a-Service 生态体系崛起；
- 融合神经符号AI（neuro-symbolic AI）与多智能体标准（MCP/A2A）；
- 安全与一致性成为核心挑战。