Agent 开发技术 专栏导览
专栏定位
本专栏聚焦 基于大语言模型的 Agent 开发技术——从 Prompt 工程和 RAG（检索增强生成），到 MCP（Model Context Protocol）标准化工具协议、Agent 架构设计（ReAct/Reflexion/LATS/Plan-and-Execute）、Agent 记忆体系，再到多 Agent 协作（A2A 协议）和 Agent 框架选型（LangGraph/CrewAI/OpenAI Agents SDK/AutoGen）。
Agent 是 LLM 从”文本生成工具”进化为”自主决策执行体”的关键技术——它赋予模型**感知环境（Perception）、推理规划（Reasoning & Planning）、调用工具（Tool Calling）、自我反思（Reflection）和持续记忆（Memory）**的能力。2024-2025 年是 Agent 技术的爆发期——MCP 协议标准化了 Agent 与工具的连接方式，A2A 协议标准化了 Agent 之间的通信方式，LangGraph v1.0 成为状态图编排的事实标准，Agent 从原型走向生产。
本专栏侧重工程实践，以主流框架为载体，结合 Milvus 向量数据库、MCP/A2A 协议等基础设施，构建生产级的 Agent 应用。
目标读者
- 正在用 LLM API 构建智能应用（客服/知识库/自动化/编程助手）的后端/AI 工程师
- 需要设计 RAG 系统、Agent 架构或多 Agent 编排的技术负责人
- 对 Agent 框架、MCP 生态和 LLM 应用开发感兴趣的全栈开发者
专栏目录
| 序号 | 标题 | 核心内容 |
|---|---|---|
| 01 | 01 Prompt 工程——从零样本到思维链 | Zero-Shot/Few-Shot Prompting、Chain-of-Thought（CoT）思维链推理、Self-Consistency 自一致性、Tree-of-Thought 思维树、System Prompt 的角色设定与输出格式控制、Structured Output（JSON Mode）、Prompt 注入攻击与防御 |
| 02 | 02 RAG 架构——检索增强生成的完整链路 | RAG 的核心动机（解决幻觉/时效性/领域知识）、文档加载→分块→Embedding→向量检索→Rerank→生成的完整 Pipeline、分块策略（固定/语义/递归）、Embedding 模型选型、Milvus 向量数据库的应用、评估指标（Faithfulness/Relevance/Recall） |
| 03 | 03 高级 RAG——从 Naive RAG 到 Agentic RAG | Naive RAG 的局限（检索质量/上下文窗口/多跳推理）、Query 改写与 HyDE（假设文档嵌入）、Self-RAG 的自适应检索、Multi-Query RAG 的并行检索、Graph RAG 的知识图谱增强、Corrective RAG 的检索质量校验、Agentic RAG 的动态路由与工具选择 |
| 04 | 04 MCP 协议深度解析——Agent 与工具的标准化连接 | MCP 的设计动机（“AI 的 USB-C”——统一 LLM 与外部系统的集成）、MCP 架构（Host/Client/Server 三层）、三大核心能力（Tools 工具调用/Resources 数据资源/Prompts 提示模板）、JSON-RPC 2.0 传输层、MCP Server 开发实战、MCP 与 Function Calling 的关系与区别、Anthropic 捐赠 MCP 给 Linux Foundation AAIF 的生态意义 |
| 05 | 05 Agent 核心能力——推理、规划与工具调用 | Agent 的核心循环（感知 → 推理 → 行动 → 观察）、推理能力（Reasoning）的重要性、五种规划方法（任务分解/多计划选择/外部模块辅助/反思修正/记忆增强）、ReAct（Reasoning + Acting）的交替推理、Reflexion 的自我反思与经验积累、LATS（Language Agent Tree Search）的蒙特卡洛树搜索、Plan-and-Execute 的分步执行、PLaG（Plan Like a Graph）的并行任务图 |
| 06 | 06 Agent 记忆体系——从短期缓冲到长期知识 | 记忆在 Agent 中的核心地位、短期记忆（对话上下文窗口/Sliding Window）、工作记忆（Scratchpad/中间推理结果）、长期记忆（向量数据库持久化/Summary Memory）、情景记忆（Episode Memory——成功/失败经验的结构化存储）、记忆的检索与遗忘机制、MemGPT 的虚拟内存分页思想、记忆在 Agent 自我改进中的作用 |
| 07 | 07 Agent 框架选型——LangGraph、CrewAI、OpenAI Agents SDK 与 AutoGen | LangGraph v1.0 的状态图编排（State/Node/Edge/Conditional Edge/Persistence）、CrewAI 的角色-任务-流程范式、OpenAI Agents SDK 的托管运行时（内置工具/Handoff/Guardrails）、AutoGen 的多轮对话协作、LlamaIndex Agents 的 RAG-First 设计、框架选型的决策矩阵（复杂度/控制力/生态/学习曲线） |
| 08 | 08 多 Agent 系统与 A2A 协议——协作、分工与互操作 | 多 Agent 的设计动机（专业化分工/并行执行/对抗性验证）、Supervisor（中心化编排）vs Decentralized（去中心化协作）架构、Google A2A（Agent-to-Agent）协议的设计（Agent Card/Task/Message/Streaming）、MCP 与 A2A 的互补关系（MCP 连接工具，A2A 连接 Agent）、多 Agent 的调试与可观测性 |
| 09 | 09 Agent 应用实战——从知识库助手到自动化工作流 | 企业知识库 Agent 的完整实现（文档解析/向量化/对话式检索/权限控制）、代码生成 Agent（Sandbox 执行/测试验证/迭代修复）、数据分析 Agent（SQL 生成/图表渲染/自然语言交互）、自动化工作流 Agent（MCP Server 集成邮件/日历/CRM/数据库）、生产部署的安全与监控 |
| 10 | 10 Agent 评估与可靠性——幻觉检测、安全防护与成本控制 | Agent 的评估框架（任务完成率/工具调用准确率/推理链正确性/端到端成功率）、幻觉检测与 Grounding（基于检索的事实校验）、Guardrails 的输入/输出过滤（NeMo Guardrails/Anthropic Constitutional AI）、Prompt 注入与越狱防御、Token 成本优化（Semantic Caching/模型路由/Prompt 压缩）、Agent 的可观测性（LangSmith/Arize/OpenTelemetry） |
推荐阅读路径
RAG 路径：01 → 02 → 03
Agent 核心路径：04 → 05 → 06
框架与多 Agent 路径：07 → 08
实战与可靠性路径：09 → 10
前置知识
关联专栏
- LLM 原理：Transformer 和 LLM 的基础原理
- Milvus：RAG 场景的向量检索引擎
- Elasticsearch：RAG 场景的文本检索引擎
- Redis：Agent 的会话缓存与状态存储