课程大纲

1. AI Agent 的基础构成

介绍构建 AI Agent 的三个核心要素：基于 LLM 的规划推理能力，通过 API 实现的工具调用能力，以及维持上下文的记忆机制，为后续架构设计奠定基础

2. ReAct: AI Agent 的“第一”构建范式

解释 ReAct 作为 AI Agent 的基础执行范式，如何通过思考（Reasoning）和行动（Action）的交替来实现可控的任务执行过程

3. Agent 的基础架构模式及典型工作流

·  独立贡献者模式： 介绍单 Agent 多工具的结构及其适用场景

o   案例：结构化输出 Agent 工作流，通过工具增强实现输出格式精确控制

·  团队协作模式： 讲解网状多 Agent 架构如何实现分工协作

o   案例：Agentic RAG 工作流，通过检索、分析、撰写等专业 Agent 协作完成研究任务

·  监督者模式： 探讨主导 Agent 如何有效统筹和协调其他 Agent

o   案例：智能客服工作流，通过主管 Agent 分发和协调多个专业 Agent 的工作流程

4. Agent 开发框架速览

·  为什么需要框架： 降低认知负担，专注于 Agent 行为设计

·  CrewAI 特性： 基于人类组织隐喻的高层抽象，快速构建多 Agent 协作系统

·  LangGraph 特性： 基于状态机的底层流程编排，实现精确的行为控制和扩展

5. Agent 系统的必选特性

概述构建生产级 Agent 系统的三个关键要素：面向确定性的流程控制机制、支持运维的可观测性设计，以及保障产出质量的评测体系

6. 最后但容易被遗忘的：Agent 的记忆机制

介绍 Agent 系统中三种核心记忆类型：维持对话连续性的过程记忆、存储上下文信息的语义记忆，以及积累经验的事件记忆，及其在提升 Agent 能力中的作用