电子工业出版社-网上书店

本书系统梳理了智能体与大模型驱动的智能体系统的发展脉络，构建了一套从认知原理、系统架构到工程实践的完整知识体系。本书内容涵盖单智能体与多智能体的核心概念、六层系统架构设计、任务规划与工具调用机制、模型路由与记忆管理，以及安全与合规落地等关键技术，并通过多个可复现的实战案例展示智能体在客服、创意生成、编程自动化、金融决策与交易、医疗健康等场景中的应用。书中还拆解了系统级智能体的设计方法，并展望未来智能体生态的发展趋势。

目录
第1章  智能体发展脉络
1.1 什么是智能体：从规则系统到超级智能体
1.2 反应式智能体：决策简单、响应快速
1.3 计划式智能体：从BDI 模型到智能体自动规划
1.4 单智能体：认知框架与大语言模型驱动的任务闭环
1.5 要不要训练智能体
1.6 多智能体系统：从协作系统到智能生态

第2章  智能体系统架构
2.1 设计原则
2.1.1 用户友好：降低门槛的第一原则
2.1.2 系统智能：真正理解意图并完成任务
2.1.3 可扩展性：模块化带来的演进能力
2.1.4 高性价比：让智能体系统真正可用
2.2 六层架构概述：输入、意图、规划、执行、推理、反馈
2.3 智能体系统六层架构调用链
2.4 现有智能体框架分析
2.4.1 LangChain：大语言模型驱动的工具调用框架
2.4.2 AutoGen：多智能体协同的任务自动化框架
2.4.3 CrewAI：具备角色分工与团队结构的智能体编排系统
2.4.4 LangGraph：图结构驱动的多智能体任务编排引擎
2.4.5 智能体框架能力对比

第3章  智能体系统分层实现
3.1 用户输入与多模态交互
3.1.1 用户输入处理：文本、语音、图像的统一接入
3.1.2 多轮上下文与用户状态维护
3.1.3 系统接入与设备交互
3.2 意图识别与任务路由
3.2.1 意图识别机制：提示工程vs 分类器vs 函数调用
3.2.2 智能体注册与动态匹配机制
3.2.3 路由模块实现
3.3 任务规划与编排
3.3.1 单智能体任务与多智能体任务链的区别
3.3.2 自动规划方法：基于大语言模型的任务分解与链路生成
3.3.3 实践：利用LangGraph 和AutoGen 构建多智能体工作流
3.4 任务执行与工具调用
3.4.1 任务智能体：模型、工具与记忆的组合
3.4.2 工具调用机制：函数注册、输出格式、调用规范
3.4.3 系统级执行链：并行、条件、循环任务流控制
3.5 模型推理与路由选择
3.5.1 多模型路由机制：按任务复杂度自动分发
3.5.2 本地模型与云端模型混合推理架构
3.5.3 成本优化与性能保障
3.6 记忆管理与反思反馈
3.6.1 记忆系统设计：短期记忆与长期记忆
3.6.2 反思机制：任务失败回溯与自我修正
3.6.3 系统进化：基于用户反馈与历史行为的自学习机制
3.7 系统安全性与可信性保障
3.7.1 幻觉与错误响应的识别与抑制
3.7.2 指令攻击与数据隐私防护机制
3.7.3 可控性与审计追踪：构建“可信智能体系统”

第4章  扣子智能体构建平台：功能、能力与典型应用
4.1 平台定位与设计理念
4.2 扣子的核心功能模块
4.2.1 智能体创建
4.2.2 知识库
4.2.3 智能体技能：工具与插件系统
4.2.4 工作流
4.2.5 发布与生态集成
4.3 使用扣子能实现哪些类型的应用
4.3.1 知识型智能体
4.3.2 工具型智能体
4.3.3 创意型智能体
4.3.4 工作流型智能体
4.3.5 服务型智能体
4.4 上手扣子：一键创建你的第一个智能体
4.4.1 进入创建界面
4.4.2 输入描述
4.4.3 编辑与增强智能体
4.4.4 发布

第5章  智能体核心模块与实践
5.1 大语言模型调用：从基础到实践
5.1.1 大语言模型的定义与作用
5.1.2 调用大语言模型的方式：API 调用、SDK 封装和框架集成
5.1.3 基础调用示例：提示工程与常见应用
5.2 工具调用与模型上下文协议
5.2.1 什么是工具
5.2.2 模型上下文协议简介
5.2.3 如何将工具挂载到智能体中
5.2.4 案例：调用搜索工具、数据库及本地函数
5.3 Agent Skills：能力模块化与执行层抽象
5.3.1 提出背景与设计动机
5.3.2 Agent Skills的定义
5.3.3 Agent Skills分层架构
5.3.4 Skill 声明文件与能力感知
5.3.5 Agent Skills与Tool / MCP的关系
5.3.6 案例：基于Agent Skills 的自动化内容生成
5.4 智能体之间的协作模式
5.4.1 LangGraph中心化协作
5.4.2 A2A去中心化协作
5.4.3 对比与应用场景
5.4.4 未来展望
5.4.5 A2A实战

第6章  通用型智能体实战：从知识到创意
6.1 智能客服系统：基于RAG 的知识问答
6.1.1 场景分析与技术挑战
6.1.2 六层系统架构应用
6.1.3 模块划分与流程图详解
6.1.4 核心代码说明 
6.1.5 完整调用流程
6.1.6 案例延伸
6.2 多模态创意生成：文案与设计
6.2.1 文案与营销场景需求分析
6.2.2 从文案到视觉的联动
6.2.3 协作式创意闭环
6.2.4 核心代码说明
6.2.5 运行输出示例
6.3 编程智能体：构建“AI 程序员”
6.3.1 编程任务的自动化流程分析
6.3.2 系统结构：规划器+ 生成器+ 分析器+ 编辑器+ 工作区
6.3.3 核心代码说明
6.3.4 运行输出示例

第7章  进化型智能体实战：自适应与个性化
7.1 自我演进智能体：自适应多轮迭代
7.1.1 场景分析与技术挑战
7.1.2 系统架构
7.1.3 核心代码说明
7.1.4 应用价值
7.2 英语教学智能体：个性化与记忆管理
7.2.1 场景分析与技术挑战
7.2.2 六层系统架构设计
7.2.3 模块划分与数据管理
7.2.4 核心代码说明

第8章  协作型智能体实战：多智能体与实时决策
8.1 多智能体对话系统：基于LangGraph的游戏NPC智能体
8.1.1 系统设计
8.1.2 模块划分与目录结构
8.1.3 核心代码说明
8.1.4 运行输出示例
8.2 实时决策智能体系统实战：金融决策与交易
8.2.1 场景需求与多智能体分工协作模型
8.2.2 实时协作模式
8.2.3 实战案例：构建实时决策智能体系统
8.2.4 主要功能与实现方式
8.2.5 核心代码示例
8.2.6 运行输出示例

第9章  行业型智能体实战：合规与安全落地
9.1 医疗健康智能体：辅助诊断与健康管理
9.1.1 场景分析与技术挑战
9.1.2 系统架构
9.1.3  RAG框架
9.1.4 代码结构与模块说明
9.1.5 系统架构图
9.1.6 核心代码示例
9.1.7 合规设计总结
9.2 法律智能体：辅助合规与法律服务
9.2.1 场景分析与技术挑战
9.2.2 法律知识库与RAG 
9.2.3 合规性与可解释性设计
9.2.4 核心代码示例

第10章  超级智能体系统实战：拆解Super Agent
10.1 设计目标
10.2 系统架构
10.3 模型路由器
10.4 多模态与RAG Memory
10.5 案例演示：任务链条复现
10.5.1 任务说明
10.5.2 执行流程
10.5.3 核心代码示例
10.6 体系分析与启示
10.6.1 Super Agent的运行流程
10.6.2 关键特征与可借鉴设计
10.6.3 系统风险与设计约束
10.6.4 系统优化与扩展建议

第11章  智能体系统的发展趋势
11.1 面向未来的超级智能体平台建设
11.1.1 从单智能体到平台：智能体云、AgentOS的可能性
11.1.2 构建超级智能体生态：能力市场、记忆共享、行为调度
11.1.3 智能体即服务：平台化部署路径与商业模型
11.2 自进化智能体：自动优化与自学习
11.3 多模态具身智能：跨界集成与人机交互
11.4 Agentic Web 和Agent Network Protocol
11.5 x402 支付协议与智能体支付系统：为智能经济打造的互联网原生支付协议
11.5.1 支付：智能体世界的基础设施
11.5.2 x402 支付协议：为AI 时代重建支付层
11.5.3 协议哲学：开放、信任最小化、HTTP原生
11.5.4 技术结构与角色
11.5.5 核心创新：请求即支付
11.5.6 对智能体的意义
11.5.7 展望：从支付协议到智能体货币系统
11.6 下一代智能体生态
11.7 智能体赋能的超级个体
参考文献

本书特色
本书秉承“理论为本，实践为用”的原则。市场上的工具和框架会不断变化，但智能体的底层思想——认知结构、系统设计、任务规划、协作机制——却长期稳定。与现有许多侧重工具教程的资料不同，本书具有如下特色。
（1）从理论出发，而不是从框架出发：框架会变，但智能体的底层逻辑、认知架构与任务链长期适用。
（2）从原理到工程，全链路串联：全面介绍从智能体的演进、认知结构、六层架构，到真正可部署的系统设计。
（3）提供面向系统级智能体的完整框架：包括输入、多模态、意图识别、规划、执行、模型路由、记忆和安全审计等。
（4）兼具科研视角与工业视角：既讨论抽象的理论，又呈现真实、可运行的工程实现。
（5）每章列举可复现案例：包括RAG客服智能体，多模态创意生成：文案与设计，自动化编程智能体，个性化教育智能体，多智能体对话系统：基于LangGraph 的游戏NPC 智能体，实时决策智能体系统实战：金融决策与交易，医疗健康智能体：辅助诊断与健康管理，法律智能体：辅助合规与法律服务等。

姚宇航，美国卡内基梅隆大学电子与计算机工程博士，师从Carlee Joe-Wong教授，荣获A.G. Milnes最佳博士论文奖。现任Zoom研究工程师，专注于垂直智能体系统与可扩展AI基础架构的研发工作。曾在微软、亚马逊及多家人工智能初创公司从事研究工作，在分布式学习框架、大规模模型优化与工程化部署方面积累了系统性的实践经验。其研究聚焦于联邦图学习与多智能体系统，致力于推动分布式学习理论向真实人工智能系统落地，是该领域中兼具理论创新与系统实现能力的代表性研究者之一。在 NeurIPS、KDD、EMNLP、AAAI 等国际人工智能会议发表论文三十余篇，并多次担任 MLSys、NeurIPS 等会议程序委员会委员。丁博生，南洋理工大学计算机科学专业博士，AI量化交易公司Calais创始成员、COO，新加坡社科大学客座教授。带队发布的海外中文开源大模型及预训练—微调一体化框架 PandaLLM在学术与工程实践层面均产生广泛影响。研究方向为大语言模型与智能体系统，目前专注于探索前沿 AI算法与量化交易、金融系统的深度融合，致力于将大模型与智能体技术转化为可落地、可规模化的金融应用。

本书配套资源下载

对不起，暂无音视频资源！

从零构建AI Agent：大模型驱动的智能体设计与实战