Agentic智能体设计模式
正版全新
￥ 70.13 7.0折 ￥ 99.8 全新
库存11件
上海浦东
出版社清华大学出版社
ISBN9787302712435
出版时间2022-12
装帧其他
定价99.8元
货号5093642
上书时间2026-11-12
商品详情
- 品相描述：全新
- 商品描述
-
【书 名】 Agentic智能体设计模式
【书 号】 9787302712435
【出 版 社】 清华大学出版社
【出版日期】 2026-05-01
【定 价】 99.80元
【编辑推荐】
对于中文世界的开发者而言，本书的出版恰逢其时。国内的大模型生态正蓬勃发展，但如何将模型能力转化为解决实际业务问题的智能体，依然是许多团队的瓶颈。一些企业实践中，由于缺乏标准化的设计模式，导致代码重复率极高、系统迭代困难。本书提供的这21种模式，就像21块精心打磨的“乐高积木”，让开发者能够从“手工作坊”式的定制开发，迈向“智能工厂”式的标准化搭建。当然，我们也要保持清醒的头脑。模式是“路标”，而非“终点”。Agentic技术目前仍处于快速演进之中，本书所依托的LangChain、CrewAI等框架也在不断迭代。但我们相信，书中所揭示的底层原则——如“规划-执行-验证”的闭环、“记忆与工具的解耦”、“安全护栏的嵌入”——将成为智能体领域相对稳定的基石，帮助大家在变化的技术浪潮中把握本质。
【内容简介】
《Agentic智能体设计模式》是一本实战指南，旨在帮助开发者掌握构建复杂AI智能体的核心技术。随着人工智能从简单的响应式程序，发展为能理解情境并自主决策的实体，本书系统介绍了构建这类智能系统所需的基础模式和关键技术。全书涵盖21种核心模式，它们如同构建智能体的“积木”，使智能体能够感知环境、做出明智决策并自主行动。本书以实用为导向，深入讲解了21种模式，包括模式概述、实际应用场景、可操作的代码示例以及章节要点总结。内容从提示链、工具使用等基础概念，逐步延伸到多智能体协作、自我修正等高级主题。读者既可按顺序学习，也可将其作为速查手册，直接查找解决特定问题的模式。为贴近实际开发，书中代码示例基于三大主流框架实现：LangChain及其扩展库LangGrap——为构建复杂操作序列提供灵活方案；CrewAI—为编排多智能体提供结构化框架；Google的智能体开发套（GoogleADK)——提供构建、评估与部署智能体的工具。通过展示这些工具的实现示例，读者可全面理解如何在不同技术环境中应用这些模式。构建高效的智能体不仅依赖强大的语言模型，更需要清晰的结构与设计。智能体设计模式类似于软件工程中的设计模式，为常见问题提供经过验证的可复用方案，同时帮助开发者建立共同语言，使智能体的逻辑更清晰、更易维护、更具鲁棒性。通过学习本书，你将掌握这21种核心模式的理论与实践技能，从而能够构建更智能、更强大、更自主的系统。
【目录】
目 录
第 I 部分 模 式
第1章 提示链2
1.1 提示链模式概述2
1.1.1 单一提示词的局限性3
1.1.2 通过顺序分解提高可靠性3
1.1.3 结构化输出的作用4
1.2 实际应用与案例5
1.2.1 信息处理工作流5
1.2.2 复杂问题解答5
1.2.3 数据提取与转换6
1.2.4 内容生成工作流7
1.2.5 具有状态的对话智能体7
1.2.6 代码生成与优化8
1.2.7 多模态与多步骤推理8
1.3 实践代码示例8
1.4 上下文工程与提示词工程10
概览12
核心要点13
结论13
第2章 路由14
2.1 路由模式概述14
2.2 实际应用与案例16
2.3 实践代码示例(LangChain)17
2.4 实践代码示例(Google ADK)20
概览24
核心要点25
结论26
第3章 并行化27
3.1 并行化模式概述27
3.2 实际应用与案例29
3.2.1 信息收集与研究29
3.2.2 数据处理与分析29
3.2.3 多 API 或工具交互29
3.2.4 多组件内容生成30
3.2.5 验证与核实30
3.2.6 多模态处理30
3.2.7 A/B 测试或多方案生成30
3.3 实践代码示例(LangChain)31
3.4 实践代码示例(Google ADK)34
概览38
核心要点39
结论40
第4章 反思41
4.1 反思模式概述41
4.2 实际应用与案例43
4.2.1 创意写作与内容生成43
4.2.2 代码生成与调试43
4.2.3 复杂问题解决44
4.2.4 总结与信息综合44
4.2.5 规划与策略制定44
4.2.6 对话式智能体44
4.3 实践代码示例(LangChain)45
4.4 实践代码示例(ADK)48
概览50
核心要点51
结论52
第5章 工具使用(函数调用)53
5.1 工具使用模式概述53
5.2 实际应用与案例54
5.2.1 从外部源获取信息54
5.2.2 与数据库和 API 交互55
5.2.3 进行计算和数据分析55
5.2.4 发送通信内容55
5.2.5 执行代码56
5.2.6 控制其他系统或设备56
5.3 实践代码示例(LangChain)56
5.4 实践代码示例(CrewAI)59
5.5 实践代码示例(Google ADK)63
5.5.1 谷歌搜索64
5.5.2 代码执行66
5.5.3 企业搜索67
5.5.4 Vertex 扩展70
概览70
核心要点71
结论72
第6章 规划73
6.1 规划模式概述73
6.2 实际应用与案例74
6.3 实践代码示例 (Crew AI)74
6.4 Google Deep Research76
6.5 OpenAI Deep Research API79
概览82
核心要点83
结论84
第7章 多智能体协作85
7.1 多智能体协作模式概述85
7.2 实际应用与案例87
7.3 多智能体协作：探索相互关系与通信结构88
7.4 实践代码示例 (Crew AI)89
7.5 实践代码示例 (Google ADK)92
概览98
核心要点99
结论100
第8章 记忆管理101
8.1 实际应用与案例102
8.2 实践代码：Google ADK中的记忆管理103
8.2.1 会话：对话线程跟踪机制103
8.2.2 状态：会话的临时工作区105
8.2.3 记忆：借助记忆服务实现长期知识存储109
8.3 实践代码：LangChain 和 LangGraph 中的记忆管理111
8.4 Vertex Memory Bank116
概览117
核心要点118
结论119
第9章 学习与适应120
9.1 宏观视角120
9.2 实际应用与案例122
9.3 案例研究：自我改进编码智能体123
9.4 AlphaEvolve 与 OpenEvolve126
概览128
核心要点129
结论130
第10章 模型上下文协议131
10.1 MCP 模式概述131
10.2 MCP 与工具函数调用的对比132
10.3 MCP的更多考量133
10.4 实际应用与案例136
10.5 基于 ADK 的实践代码示例137
10.5.1 智能体配置与 MCPToolset 137
10.5.2 MCP 服务器与 ADK Web 进行连接139
10.5.3 使用 FastMCP 创建 MCP 服务器140
10.5.4 FastMCP 服务器示例140
10.5.5 通过ADK智能体调用 FastMCP 服务141
概览143
核心要点144
结论145
第11章 目标设定与监控146
11.1 目标设定与监控模式概述146
11.2 实际应用与案例147
11.3 实践代码示例148
11.3.1 安装依赖148
11.3.2 注意事项153
概览154
核心要点155
结论156
第12章 异常处理与恢复157
12.1 异常处理与恢复模式概述157
12.2 实际应用与案例159
12.3 实践代码示例(ADK)160
概览161
核心要点162
结论162
第13章 人在回路164
13.1 人在回路模式概述165
13.2 实际应用与案例166
13.3 实践代码示例167
概览169
核心要点170
结论171
第14章 知识检索172
14.1 知识检索模式概述172
14.1.1 嵌入表示173
14.1.2 文本相似度174
14.1.3 语义相似度与语义距离174
14.1.4 文档分块174
14.1.5 向量数据库175
14.1.6 RAG 面临的挑战175
14.1.7 图检索增强生成176
14.1.8 Agentic RAG 177
14.1.9 Agentic RAG 面临的挑战178
14.1.10 总结178
14.2 实际应用与案例179
14.3 实践代码示例(ADK)179
14.4 实践代码示例(LangChain)181
概览183
核心要点184
结论185
第15章 智能体间通信186
15.1 智能体间通信模式概述186
15.1.1 A2A协议的核心概念186
15.1.2 A2A 协议与 MCP 对比192
15.2 实际应用与案例192
15.3 实践代码示例193
概览196
核心要点197
结论198
第16章 资源感知优化199
16.1 实际应用与案例199
16.2 实践代码示例200
16.3 实践代码示例(OpenAI)203
16.4 实践代码示例(OpenRouter)207
16.5 超越动态模型切换：智能体资源优化策略概览209
概览210
核心要点211
结论212
第17章 推理技术213
17.1 实际应用与案例213
17.2 核心推理技术214
17.3 推理扩展定律226
17.4 实践代码示例227
17.5 智能体是如何“思考”的229
概览230
核心要点231
结论232
第18章 护栏机制 / 安全模式233
18.1 实际应用与案例233
18.2 实践代码示例(CrewAI)234
18.3 实践代码示例(Vertex AI)245
18.4 工程化可靠智能体249
概览250
核心要点251
结论251
第19章 评估与监控253
19.1 实际应用与案例253
19.2 实践代码示例254
19.3 智能体轨迹评估262
19.4 从智能体到高级承包商263
19.5 Google ADK266
概览266
核心要点267
结论268
第20章 优先级排序269
20.1 优先级排序模式概述269
20.2 实际应用与案例270
20.3 实践代码示例271
概览276
核心要点276
结论277
第21章 探索与发现278
21.1 实际应用与案例278
21.2 Google 联合科学家279
21.3 实践代码示例282
概览288
核心要点289
结论289
第II部分 补 充 内 容
第22章 高级提示词技术292
22.1 提示词技术简介292
22.2 提示词工程核心原则293
22.3 基础提示词技术294
22.3.1 零样本提示294
22.3.2 单样本提示294
22.3.3 少样本提示295
22.4 提示词结构设计296
22.4.1 系统提示296
22.4.2 角色提示297
22.4.3 使用分隔符297
22.5 上下文工程298
22.6 结构化输出299
22.7 推理与思维过程技巧302
22.7.1 思维链302
22.7.2 自我一致性304
22.7.3 回溯提示305
22.7.4 思维树305
22.8 行动与交互技巧306
22.8.1 工具 / 函数调用306
22.8.2 反应式推理与行动307
22.9 高级技巧308
22.9.1 自动提示工程308
22.9.2 迭代式提示 / 优化309
22.9.3 提供负面示例310
22.9.4 使用类比310
22.9.5 因式认知 / 任务分解310
22.9.6 检索增强生成311
22.9.7 用户角色模式 311
22.10 使用 Google Gems311
22.11 使用 LLM 优化提示词(元方法)312
22.12 特定任务的提示技巧314
22.12.1 代码提示314
22.12.2 多模态提示314
22.13 *佳实践与实验315
结论316
第23章 AI Agentic交互：从图形用户界面到现实世界环境318
23.1 智能体与计算机的交互318
23.2 智能体与环境的交互320
23.3 氛围编程：借助 AI 实现直观开发321
核心要点323
结论323
第24章 Agentic 框架快速概览324
24.1 LangChain324
24.2 LangGraph324
24.3 应该如何选择325
24.4 Google ADK327
24.5 CrewAI328
24.6 其他智能体开发框架329
结论330
第25章 使用 AgentSpace 构建智能体332
25.1 概述332
25.2 如何使用 AgentSpace UI 构建智能体333
结论336
第26章 命令行界面上的AI Agent337
26.1 引言337
26.2 Claude CLI (Claude Code)337
26.3 Gemini CLI338
26.4 Aider339
26.5 GitHub Copilot CLI340
26.6 用于命令行界面中 AI 智能体的评估框架341
结论341
第27章 深入探究：智能体推理引擎剖析342
27.1 Gemini342
27.1.1 分析我的方法342
27.1.2 完善解释内容343
27.1.3 详细阐述我的方法343
27.2 ChatGPT344
27.3 Grok347
27.3.1 分步解析我的推理步骤347
27.3.2 我推理的关键特点349
27.3.3 局限性与注意事项350
27.4 Kimi350
27.5 Claude352
27.6 DeepSeek353
结论355
第28章 编码智能体357
28.1 氛围编程：起点357
28.1.1 智能体作为团队成员357
28.1.2 核心组件359
28.2 实际实施361
28.2.1 设置清单361
28.2.2 增强型团队的领导原则362
结论363
第29章 总结364
29.1 Agentic 核心原则回顾364
29.2 组合模式构建复杂系统366
29.3 未来展望367
29.4 结语368
【前言】
行业名家力荐
单体智能已成往事，多智能体协作才是未来的主宰。本书精准定义了AI的未来形态：通过协作构建广度，借助反思与进化获得灵魂。这不仅是设计模式，更是极客驾驭复杂智能系统的底层法则。坚定地掌握它，因为下一代AI正由此诞生。
韩艾｜京东集团算法总监 OxyGent开源项目多智能体协作框架总架构师
第*时间拿到茹炳晟老师翻译的《Agentic智能体设计模式》，读起来非常过瘾。当前AI正从“模型能力”走向“系统能力”，真正的挑战已经不只是模型本身，而是如何设计能够规划、协作与行动的Agent系统。本书从工程实践出发，将智能体开发中的关键结构与模式梳理得清晰而具体，对于希望把AI真正做成系统的工程师来说，是一本很有启发价值的实践指南。
黄佳｜新加坡科研局高级工程师 “咖哥AI”系列图书作者
人工智能正从生成式对话迈向具备自主规划与执行能力的智能体系统，这一范式变革不仅是技术的进化，更是软件工程思维的深刻重构。对于开发者而言，如何通过缜密的架构设计将大模型能力转化为负责任的工程化系统，是一个必须回答的问题，而这本书将提供一份非常有实战价值的工程指南。
马杰｜零一万物联合创始人
硅谷的趋势：PRD已死，智能体是未来。在万物都值得被AI重做一遍的时代，我们古典产品经理必须把已有的知识和技能，用智能体刷新。产品经理谦逊的自我再教育是当务之急，邀请同行加入一起学习的行列。
潘农菲｜管理学博士 产品经营顾问
人工智能正从文本生成迈向自主执行、协同决策的Agentic智能体时代，这不仅是技术范式的跃迁，更是金融机构数字化转型与智能化升级的核心方向。本书恰逢其时，以工程化、可落地的设计模式，为复杂智能体系统搭建提供了清晰的路径。
作为长期深耕金融科技与数字化架构的技术管理者，我亲历了AI从模型能力走向工程落地的关键转折。本书精确切中了金融机构智能化转型的核心痛点——如何把大模型能力，变成可控、可靠、可规模化应用的生产力。
相信本书将成为科技从业者的案头指南，推动Agentic技术在各业务领域规模化落地，开启安全可靠、提质增效的新篇章。
石杰｜杭银消费金融股份有限公司CTO
当前，大模型正处于从"对话式AI"迈向"行动式AI"的关键转折点，Agent设计模式已成为连接模型能力与产业落地的核心桥梁。这本著作恰逢其时，系统梳理了21种经过实战验证的设计模式——从提示链、路由、并行化到多智能体协作、MCP协议等前沿架构，以及评测、安全、记忆等重要话题，并辅以主流框架的代码示例。在Agentic AI市场被预测将达万亿美元规模的今天，本书为架构师和开发者提供了从理论到实践的完整认知框架，是把握智能体技术浪潮、推动企业级Agent系统落地的必备指南。
章鹏｜蚂蚁数科AI技术负责人、大模型技术创新部总经理
开启智能体的工程化时代
生成式 AI 的上半场比拼的是模型能力，下半场决胜的是工程水平。
过去两年，大模型以席卷之势走出实验室、走进人们的生活，也开始走进产业现实，但很多组织都存在一个困境：做一个炫酷的演示很容易，打造一套稳定、可信、规模化的生产级系统却很难。新的概念层出不穷、新的技术日新月异，落地路径却模糊不清；模型的能力被反复验证，产业的价值却迟迟无法体现。瓶颈不在于技术，而在于工程。
当我们真正走进业务现场就会发现，开发者面对的从来不是 “智能体是什么”，而是一系列必须被严谨解决的工程难题：模型与工具如何可靠地交互？多智能体并行如何避免混乱？系统如何满足金融、工业、政务场景下刚性的合规、鲁棒与可解释要求？
《Agentic智能体设计模式》正是在这一转折点上，给出了兼具深度与实用性的工程答案，标志着AI 从提示词工程走向系统架构工程。
本书的作者团队兼具顶*科技企业架构经验与大规模企业落地实践经验，全书没有空谈概念，而是把复杂的智能体体系揉碎，打造成可理解、可复用、可演进的工程模式。他回答了企业*关心的问题：如何从一个单体智能体，平稳、可控、低损耗地演进为分布式协同体系；如何把不确定性的 AI 能力，封装为确定性的业务能力；如何在复杂环境下治理协同、保障安全、实现可解释与可追溯。
这本书的价值体现在三个真正面向产业的方面。
?有序的架构演进：它以成熟度模型为线索，给出从基础单体到高阶多智能体的清晰路径，让企业实现阶梯式升级。
?可复用的设计模式：它将*佳实践沉淀为容错、自愈、共识、合规、协同等一系列可直接落地的模式，把经验沉淀为范式。
?实战化的业务落地：它以贷款审批、供应链协同等真实场景为载体，讲透框架选型、分布式治理、人在回路、安全隔离等关键环节，把纸上架构变成可运行的系统。
对软件架构师、AI 工程师与技术负责人而言，这是一本可以放在案头、随时查阅的工程手册。它把群体智能从愿景变成了可工程化、可运维、可治理的现实。
智能体工程化的时代已经到来，相信每一位致力于让 AI 产生真实业务价值的从业者，都能在这本书中找到方向、方法与底气。
朱征宇
上海流程智造科技创新研究院常务副院长
从“对话”到“行动”
——设计模式重构智能体的边界
2025年，人工智能的叙事正在发生深刻的位移。聚光灯不再仅仅聚焦于大模型的参数规模或上下文长度，而是转向了一个更具潜力的方向：如何让AI从“对话者”转变为“行动者”。这正是Agentic的核心命题，也是Antonio Gullí先生这本Agentic Design Patterns问世的重要背景。作为译者，我们在翻译本书的过程中，深切感受到技术范式转换之际的激动与责任，愿借此机会与中文读者分享一些心得。
一、为什么是“设计模式”，为什么是“现在”
在软件开发的历史中，“设计模式”的出现总是标志着一个领域从萌芽走向成熟。1994年，GoF的《设计模式》为面向对象编程提供了经典语汇；今天，Agentic设计模式的提出，则预示着智能体开发正在经历类似的“经典化”进程。Antonio Gullí是一位拥有三十余年经验的AI“老兵”，他在书中呈现的21种模式并非凭空想象的理论框架，而是从大量工程实践中提炼的“*佳答案”的集合。
当前的现实是，许多开发者仍将智能体简单地理解为“大模型+工具调用”。这种认知虽然直观，却往往导致系统在面对复杂任务时显得脆弱、不可控，甚至出现“提线木偶”式的机械响应。真正的智能体需要具备感知、规划、记忆、反思与协作的能力。正如书中所言，构建有效的Agentic系统，需要的不仅是大模型的“原始能力”，更是稳健的“架构蓝图”。
二、从“提示词工程”
以下为对购买帮助不大的评价