核心内容摘要
倾国倾城，国色天香：探寻东方之美的极致绽放
本文系统介绍AI Agent开发知识涵盖Agent基本概念、LangGraph与Google ADK两大框架的核心特性与应用场景以及通过多智能体系统解决复杂任务的方法。
文章提供完整代码示例帮助开发者从零构建智能体系统理解分布式协作机制适用于大模型应用开发入门与进阶学习。
介绍今天来介绍下AI Agent相关的知识本篇文章主要分为三个部分AI AgentAgent FrameworkLangGraph Google ADKMulti-Agent System
Agent
1 什么是AgentAI Agent人工智能体是一种具备自主思考、规划和行动能力的智能系统它主要包括三个部分LLM大模型Tools工具Prompt提示词以下所有代码使用LangGraph作为示例from langgraph.prebuiltimport create_react_agent def get_weather(city: str)- str: Get weather for a given city. return fIts always sunny in {city}! agent create_react_agent( modelanthropic:claude-
-sonnet-latest, tools[get_weather], promptYou are a helpful assistant ) # Run the agent agent.invoke( {messages:[{role:user,content:what is the weather in sf}]} )我们定义了get_weather方法作为tool 使用claudeLLM大模型You are a helpful assistant为提示词就构成了一个最简单的Agent。
Agent Framework我们来介绍一下LLM Agent的两个框架LangGraphGoogle ADKAgent Development Kit
1 LangGraph概述LangGraph 是由 LangChain 团队开发的有状态多智能体工作流框架专为构建复杂、动态的 AI 应用设计。
其灵感来源于 Pregel 和 Apache Beam支持循环流程和细粒度控制适用于需要长期记忆和人工干预的场景。
核心特性循环与分支突破传统 DAG 限制支持循环逻辑如多轮对话。
持久化状态自动保存执行状态支持中断恢复和“人在环”操作。
多智能体协作可构建分层代理系统如代码生成与测试代理协作。
与 LangChain 集成兼容 LangChain 生态但可独立使用。
应用场景客户服务自动化聊天机器人处理多轮对话。
数据分析代理协作执行数据检索、清洗与分析。
软件开发如 Uber 用其生成单元测试代码。
代码示例from langgraph.graph import StateGraph # 定义状态图并添加节点 graph StateGraph(State) graph.add_node(model, llm_model) graph.add_edge(tools,model)# 工具调用后触发模型 app graph.compile()# 编译为可执行工作流
2 Google ADK (Agent Development Kit)概述Google ADK 是模块化多智能体开发框架开源且支持 Gemini 等模型强调灵活部署与多代理协作适用于企业级自动化任务。
核心特性模块化架构像“乐高积木”组合代理如销售、运营代理。
多模型支持兼容 Gemini、GPT 等动态选择最优模型。
自动任务委派代理根据能力自动转移任务如旅行规划中航班/酒店代理协作。
Google Cloud 集成支持 Vertex AI 部署提供企业级扩展性。
应用场景企业服务Google 自用的客户服务自动化系统Agentspace。
实时交互多模态代理处理音频/视频任务。
复杂流程如动态路由任务至专业化子代理。
代码示例from google.adk.agents import Agent # 创建基于 Gemini 的代理 root_agent Agent( modelgemini-
0-flash-exp, tools[google_search], descriptionWeb search assistant )对比与选型建议维度LangGraphGoogle ADK核心优势状态管理、循环控制模块化、多模型与云集成适用场景需长期记忆的复杂流程如客服、开发企业级多代理协作如实时服务学习曲线较高需理解状态图中等模块化设计降低复杂度生态依赖LangChain 生态Google Cloud 与 Gemini 生态
Multi-Agent SystemMulti-Agent系统的出现是为了解决单个智能体在复杂任务中的局限性通过分布式协作实现更高效率、更强鲁棒性和更灵活的适应性。
鲁棒性Robustness又称健壮性或稳健性是指系统在面临内部参数变化、外部干扰或异常输入时仍能维持核心功能稳定运行的能力。
我们的系统是非常复杂的如果单个Agent专注于多个专业定义了很多的tools那Agent的效果会非常差。
所以我们需要把任务分级、分解成多个Agent负责不同的任务共同组成多智能体系统。
多智能体架构旅行多Agent示例from langchain_openai importChatOpenAI from langgraph.prebuiltimportcreate_react_agent from langgraph_supervisor import create_supervisor def book_hotel(hotel_name: str): Book a hotel return fSuccessfully booked a stay at {hotel_name}. def book_flight(from_airport: str,to_airport: str): Book a flight return fSuccessfully booked a flight from {from_airport} to {to_airport}. flight_assistant create_react_agent( modelopenai:gpt-4o, tools[book_flight], promptYou are a flight booking assistant, nameflight_assistant ) hotel_assistant create_react_agent( modelopenai:gpt-4o, tools[book_hotel], promptYou are a hotel booking assistant, namehotel_assistant ) supervisor create_supervisor( agents[flight_assistant, hotel_assistant], modelChatOpenAI(modelgpt-4o), prompt( You manage a hotel booking assistant and a flight booking assistant. Assign work to them. ) ).compile()我们定义了两个子 Agentflight_assistant航班助手使用book_flight工具预定航班hotel_assistant酒店助手使用book_hotel工具预定酒店又定义了一个 Supervisor agent 来管理flight_assistant和hotel_assistant两个子Agent工作。
工作流程当我们输入book a flight from BOS to JFK and a stay at McKittrick Hotel。
首先会到达supervisorAgentsupervisor agent首先将任务分发给flight_assistant agent预定航班。
flight_assistant会调用book_flight工具预定航班完成预定后返回supervisor agent。
supervisor agent在将任务分发给hotel_assistant agent预定酒店。
hotel_assistant agent调用book_hotel工具预定酒店完成预定后返回supervisor agent.supervisor agent进行
总结将航班和酒店预定成功信息返回给用户。
GitHub完整代码已上传Githubhttps://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/multi_agent_travel_hotelhttps://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/sql_agenthttps://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/rag_agent小白/程序员如何系统学习大模型LLM作为在一线互联网企业深耕十余年的技术老兵我经常收到小白和程序员朋友的提问“零基础怎么入门大模型”“自学没有方向怎么办”“实战项目怎么找”等问题。
难以高效入门。
这里为了帮助大家少走弯路我整理了一套全网最全最细的大模型零基础教程。
涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。
免费分享给需要的朋友扫码免费领取全部内容
我们为什么要学大模型很多开发者会问大模型值得花时间学吗答案是肯定的——学大模型不是跟风追热点而是抓住数字经济时代的核心机遇其背后是明确的行业需求和实打实的个人优势第一行业刚需驱动并非突发热潮。
大模型是AI规模化落地的核心引擎互联网产品迭代、传统行业转型、新兴领域创新均离不开它掌握大模型就是拿到高需求赛道入场券。
第二人才缺口巨大职业机会稀缺。
2023年我国大模型人才缺口超百万2025年预计达400万具备相关能力的开发者岗位多、薪资高是职场核心竞争力。
第三技术赋能增效提升个人价值。
大模型可大幅提升开发效率还能拓展职业边界让开发者从“写代码”升级为“AI解决方案设计者”对接更高价值业务。
对于开发者而言现在入门大模型不仅能搭上行业发展的快车还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位还是传统行业的AI转型需求都在争抢具备大模型技术能力的人才。
人工智能大潮已来不加入就可能被淘汰。
如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议
大模型入门到实战全套学习大礼包分享最后再跟大家说几句只要你是真心想系统学习AI大模型技术这份我耗时许久精心整理的学习资料愿意无偿分享给每一位志同道合的朋友。
在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。
我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。
我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。
部分资料展示
2.
AI大模型学习路线图厘清要学哪些对于刚接触AI大模型的小白来说最头疼的问题莫过于“不知道从哪学起”没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境甚至中途放弃。
为了解决这个痛点我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段从最基础的入门认知到核心理论夯实再到实战项目演练最后到进阶优化与落地每一步都明确了学习目标、核心知识点和配套实操任务带你一步步从“零基础”成长为“能落地”的大模型学习者。
后续还会陆续拆解每个阶段的具体学习内容大家可以先收藏起来跟着路线逐步推进。
L1级别:大模型核心原理与PromptL1阶段将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。
从A
1
0到A
1
0的变迁,深入解析大模型与通用人工智能的关系。
同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。
此外,还涵盖Pvthon基础、提示工程等内容。
目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。
L2级别RAG应用开发工程L2阶段将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。
通过实战项目提升RAG应用开发能力。
目标与收益:掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。
L3级别Agent应用架构进阶实践L3阶段将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的
关键技术分析,再到funcation calling与Agent认知框架的深入探讨。
同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。
目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。
L4级别:模型微调与私有化大模型L4级别将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。
通过chatGlM与Lama3的实战案例,深化理论与实践结合。
目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。
2.
全套AI大模型应用开发视频教程从入门到进阶这里都有跟着老师学习事半功倍。
2.
大模型学习书籍文档收录《从零做大模型》《动手做AI Agent》等经典著作搭配阿里云、腾讯云官方技术白皮书帮你夯实理论基础。
2.
AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。
2.
大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。
【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】
2.
大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。
适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。
大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-
5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。
快速开发一个完整的基于 agent 对话机器人。
掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。
为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。
到此为止大概2个月的时间。
你已经成为了一名“AI小子”。
那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。
硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容
这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。
本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】