索引 / 标签
#智能体
共 38 篇
- Ch14 Agent原理
概念-FunctionCalling
一句话理解 Function Calling让模型不直接回答，而是输出结构化的函数调用请求——"我要调用这个工具，参数是这些"。模型不再编造答案，而是精确表达它需要什么外部信息来完成任务。 零
约 3 分钟1,010 字 - Ch14 Agent原理
概念-ReActAgent
一句话理解 ReAct Agent是Reasoning + Acting交替循环的Agent范式：Think(思考) → Act(行动) → Observe(观察) → Think(再思考).
约 3 分钟963 字 - Ch14 Agent原理
概念-ToolUse
一句话理解 Tool Use是Anthropic对Function Calling的叫法——模型选择并调用外部工具以获取实时信息或执行操作。两者本质相同（JSON Schema + 结构化调用
约 4 分钟1,219 字 - Ch14 Agent原理
项目六：搭一个能用工具的 Agent
30 分钟。需要 Python 基础 + Ollama。你会搭一个能自己查天气、算数学的 AI。 你要做什么 用 LangChain 搭一个 Agent，给它两个工具：一个模拟的"天气查询"，
约 1 分钟344 字 - Ch15 Agent通信协议
概念-A2A
一句话理解 A2A (Agent-to-Agent) 是Google于2025年4月提出的Agent间通信标准协议，让不同框架、不同厂商的Agent能够互相发现、通信和协作。如果说MCP是Ag
约 4 分钟1,157 字 - Ch15 Agent通信协议
概念-MCP
一句话理解 MCP (Model Context Protocol) 是Anthropic于2024年11月提出的Agent-工具连接标准协议，让任何Agent用任何工具——就像USB协议让任
约 3 分钟1,037 字 - Ch16 多Agent协作
概念-MultiAgent
一句话理解 Multi-Agent系统是多个Agent角色分工协作，每个Agent专注一件事，通过通信协调完成复杂任务的架构模式。就像软件开发团队中的产品经理、架构师、前端工程师、后端工程师、
约 4 分钟1,418 字 - Ch14 Agent原理
- Ch14 Agent原理
- Ch14 Agent原理
14.11 2026 年主流 Agent 框架对比
选择建议：快速验证想法用 CrewAI，企业级部署用 LangGraph，微软生态用 AutoGen，学习多 Agent 概念用 Swarm。
约 1 分钟238 字 - Ch14 Agent原理
- Ch14 Agent原理
14.3 举个例子
你对普通 AI 说："帮我查一下北京明天天气，如果下雨就提醒我带伞。" 普通 AI 会说："抱歉，我无法查询实时天气。"——没有工具，做不到。 Agent 的做法： - 第 1 步（想）：需要查天气 - 调用天气查询工具 - 第 2 步（做）：查到"明天北京晴转多云，不会下雨"
约 1 分钟175 字 - Ch14 Agent原理
- Ch14 Agent原理
- Ch14 Agent原理
- Ch14 Agent原理
- Ch14 Agent原理
14.8 2026 年 Agent 的新变化
MCP 和 A2A 标准化。2024 年底 Anthropic 推出 MCP（Model Context Protocol，模型与工具的连接标准），2025 年 Google 推出 A2A（Agent-to-Agent，Agent 之间的通信标准）。2026 年，这两个协议让 A
约 1 分钟249 字 - Ch14 Agent原理
- Ch14 Agent原理
第14章 · Agent 是怎么工作的
Agent（可以理解为"能自己干活的 AI"）和普通 AI 最大的区别：普通 AI 你问一句它答一句，Agent 你给一个任务，它自己规划步骤、调用工具、检查结果、调整再来。这篇讲它怎么做到的。 跟你有什么关系 你现在用的很多产品，底层已经是 Agent 了： - Perplex
约 2 分钟740 字 - Ch14 Agent原理
Agent 规划算法（深挖）
深挖-ReAct循环 里 Agent 是"走一步看一步"——每步根据当前观察决定下一步。这叫反应式规划。但有些任务需要在动手之前先想好整个路线图。这叫前瞻式规划。这篇对比两种思路，以及它们怎么混合使用。 反应式规划：ReAct 模式 思路：不想太远，只看下一步。 优点：灵活。上一
约 3 分钟896 字 - Ch14 Agent原理
Agent 记忆系统（深挖）
深挖-ReAct循环 展示了 Agent 怎么一步步思考和行动。但每轮循环之间，Agent 需要记住之前发生了什么——搜过什么、结果是什么、用户说过什么。这就是 Agent 的记忆系统。
约 3 分钟1,058 字 - Ch14 Agent原理
ReAct 循环（深挖）
Ch14 Agent 工作原理 里提到 AI Agent（能自己干活的 AI）的核心是"看-想-做-检查"循环。这个循环最早的学术形式叫 ReAct（读作"瑞艾克特"）——2022 年 Yao 等人提出的框架，至今仍是 Agent 设计的基础 ^Yao et al., "ReAc
约 3 分钟831 字 - Ch15 Agent通信协议
15.1 问题：每个 Agent 各说各话
2024 年之前，每个 AI 公司都自己定义"Agent 怎么调用外部工具"。这造成了 M x N 问题 ^a16z, "A Deep Dive Into MCP and the Future of AI Tooling", 2025, https://a16z.com/a-de
约 4 分钟1,198 字 - Ch15 Agent通信协议
15.2 MCP：AI 连接工具的通用接口
2024 年 11 月，AI 公司 Anthropic 公开了 MCP（模型上下文协议）^Anthropic, MCP, 2024.11.25, https://www.anthropic.com/news/model-context-protocol。它解决的问题很简单：让任何
约 3 分钟832 字 - Ch15 Agent通信协议
15.3 A2A：Agent 之间的通信协议
MCP 管的是"AI 连工具"。还有一个问题没解决：Agent 之间怎么互相派活？ 2025 年 4 月，Google 宣布了 A2A（智能体间通信协议）^Google, A2A, 2025.04。它解决的问题是：让不同公司做的 Agent 能互相通信、互相派任务。 打个比方：M
约 3 分钟855 字 - Ch15 Agent通信协议
15.6 和传统 API 调用的区别
你可能会问：这和传统的 API 调用有什么区别？我之前用 requests.post(url, data) 调 API，不也是"连接工具"吗？MCP 和 A2A 是不是只是把 REST API 换了个包装？
约 5 分钟1,443 字 - Ch15 Agent通信协议
第15章 · Agent 之间的通信协议
你在 Ch14 Agent 工作原理 里看到 Agent（能自己干活的 AI）能用工具、能自己规划。但不同公司做的 Agent 怎么互相配合？就像不同品牌的手机需要统一的充电接口一样，Agent 之间也需要统一的标准。两个最重要的标准就是 MCP 和 A2A。 为什么这个问题重要
约 3 分钟893 字 - Ch15 Agent通信协议
Agent 安全与沙箱（深挖）
深挖-注入攻防 讲了怎么防 AI 被"骗"。但 Agent 还有一层更大的安全问题：AI 能执行代码、能读写文件、能调用 API。如果它被控制了，后果不只是"说了不该说的话"，而是"做了不该做的事"。
约 3 分钟879 字 - Ch16 多Agent协作
16.1 为什么需要多 Agent
单 Agent 就像一个人独自装修一套房子。他需要同时记住水电线路图、墙面配色方案、家具尺寸、预算上限、施工顺序——当信息量超过大脑的"工作台"容量时，就会丢三落四：忘了关水阀就去接电线，或者记错了瓷砖数量买了一堆废料。
约 5 分钟1,681 字 - Ch16 多Agent协作
16.11 2026 年多 Agent 趋势
Agent-as-a-Service（AaaS）：不再是"自己搭建 Agent"，而是"调用别人的 Agent"。2026 年出现了 Agent 市场——搜索 Agent、翻译 Agent、代码审查 Agent 都可以按 API 调用，按次付费。这就像云服务取代自建机房——大多数
约 2 分钟542 字 - Ch16 多Agent协作
16.12 什么时候用单 Agent vs 多 Agent
| 维度 | 用单 Agent | 用多 Agent | |------|-----------|-----------| | 任务复杂度 | 低-中，步骤少于 10 步 | 高，需要 10+
约 1 分钟367 字 - Ch16 多Agent协作
16.2 四种协作模式
16.2.1 1. 流水线 每个 Agent 只做一件事，做完交给下一个。 适合：步骤固定、有先后顺序的任务。比如写报告、处理文档。 框架：用 LangChain（一个 Python 框架，核
约 1 分钟465 字 - Ch16 多Agent协作
16.3 多 Agent 架构模式深入
前面介绍了四种协作模式，这里深入每种模式的具体实现和代码示例。 16.3.1 顺序模式（流水线） 每个 Agent 是流水线上的一站，上游的输出是下游的输入。逻辑最简单，但容错性差——中间任何一站出错，整条线停摆。 适用场景：步骤固定、有明确先后顺序的任务。文档处理（OCR -
约 3 分钟1,047 字 - Ch16 多Agent协作
16.4 怎么避免 Agent 之间扯皮
多 Agent 系统最大的挑战不是技术选型，而是协调——让多个 AI 不打架、不推诿、不重复劳动。这听起来像管理学问题，但它确实是 2026 年多 Agent 生产环境中最常见的故障来源。
约 6 分钟2,054 字 - Ch16 多Agent协作
16.5 Agent 间通信
多 Agent 系统里，Agent 怎么互相传递信息？2026 年有五种主流通信模式： 直接通信（Point-to-Point）：Agent A 直接调用 Agent B。最简单，但耦合度高——A 必须知道 B 的存在和接口。适用于顺序模式和层级模式中的"总管 - 下属"调用。
约 2 分钟505 字 - Ch16 多Agent协作
16.6 多 Agent 的挑战
多 Agent 不是"越多越好"。每增加一个 Agent，就引入新的问题： 通信开销（Communication Overhead）：Agent 越多，通信越慢。3 个 Agent 的辩论模式，每轮需要 3 次消息传递；5 个 Agent 的层级模式，总管需要和 4 个下属逐一沟
约 2 分钟529 字 - Ch16 多Agent协作
16.8 多 Agent 实战案例
16.8.1 案例一：研究报告生成 这是 2026 年最常见的多 Agent 应用场景。Google 的 Deep Research 就是典型代表——多 Agent 协作完成从搜索到写作的全流
约 4 分钟1,314 字 - Ch16 多Agent协作
第16章 · 多个 AI 怎么配合工作
Ch14 Agent 工作原理 讲了单个 Agent（能自己干活的 AI）怎么工作。但当一个任务太复杂，一个 AI 容易出错——注意力分散、记不住太多东西、决策混乱。多个 AI 协作把大任务拆开，交给几个专业 AI 分别处理，再合并结果。 生活比喻：多 Agent 协作像装修队—
约 2 分钟609 字