博客來
這是一本案例驅動的AI Agent開發指南，提供豐富的“即插即用”的案例代碼和最佳實踐，幫助讀者迅速掌握Agent開發的主流模式和完整流程，滿足現實的業務場景需求，符合用戶的真實訴求。
本書分為8章，共3篇，全面闡述Agent的表現類型、技術體系、開發模式和落地案例，具體內容如下：
（1）AI Agent基礎篇（第1、2章） 介紹AI Agent的基本概念和開發模式，引出AI Agent的技術體系和實現方式，並以*常見的OpenAI LLM為例，演示從零構建一個AI Agent的過程，提供OpenAI Swarm框架的使用方式和案例。
（2）AI Agent實現篇（第3~5章） 介紹AI Agent的典型實現模式，包括通用型的ReAct Agent和Plan-and-Execute Agent、集成RAG技術的知識型Agent，以及整合圖像和音頻處理技術的多模態Agent，並在實現過程中引入LangChain和LlamaIndex這些常用框架。
（3）AI Agent應用篇（第6~8章） 從實際需求出發，全面介紹構建企業級AI Agent所需的各項工程化技術。同時，引入多Agent系統應對複雜場景，並採用LlamaIndex、AutoGen、LangGraph等主流框架完成多個實戰案例，從而詳細闡述多Agent系統的設計開發過程以及相應的技術組件以及實現技巧。
| FindBook |
有 1 項符合
AI Agent開發實戰:從基礎原理到企業級應用的圖書 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：AI Agent開發實戰:從基礎原理到企業級應用
內容簡介
作者介紹
鄭天民，AI應用開發專家、智能系統架構師，有10餘年軟件行業從業經驗。曾歷經多家大型上市公司和獨角獸公司，擔任系統架構師、技術總監和CTO等職務。負責過多個跨境電商、醫療健康領域的RAG和AI Agent系統的設計與開發工作。在三大索引期刊上發表過多篇論文，研究方向為人工智能在大規模調度系統中的應用。對架構設計和技術管理有豐富的經驗與深入的理解。長期擔任企業顧問與培訓講師，有豐富的技術和管理主題的培訓經驗。阿里雲MVP、騰訊雲TVP、TGO鯤鵬會會員。
目錄
前言
AI Agent基礎篇
第1章 AI Agent開發模式
1.1 認識AI Agent
1.1.1 Agent的定義
1.1.2 Agent的應用場景
1.2 集成LLM
1.2.1 LLM的技術體系
1.2.2 LLM與提示工程
1.3 Agent關鍵技術
1.3.1 規劃
1.3.2 記憶
1.3.3 工具
1.3.4 行動
1.4 Agent的實現類型
1.4.1 通用型Agent
1.4.2 知識型Agent
1.4.3 多模態Agent
1.4.4 多Agent系統
1.5 Agent開發工具和框架
1.5.1 原生LLM
1.5.2 LangChain和LangGraph
1.5.3 LlamaIndex和工作流
1.5.4 多Agent框架
1.6 本章小結
第2章 LLM和Agent
2.1 集成OpenAI LLM
2.1.1 引入OpenAI LLM
2.1.2 集成OpenAI API
2.1.3 理解函數調用
2.2 基於OpenAI LLM從零構建並執行Agent
2.2.1 構建Agent
2.2.2 執行Agent
2.3 基於OpenAI Swarm構建Agent
2.3.1 OpenAI Swarm開發模式
2.3.2 OpenAI Swarm案例解析
2.4 本章小結
AI Agent實現篇
第3章 通用型Agent
3.1 ReAct Agent
3.1.1 ReAct架構解析
3.1.2 基於LlamaIndex構建ReAct Agent
3.1.3 基於LangChain構建ReAct Agent
3.2 Plan-and-Execute Agent
3.2.1 Plan-and-Execute架構解析
3.2.2 基於LangChain實現Plan-and-Execute Agent
3.3 本章小結
第4章 知識型Agent
4.1 引入Agentic RAG
4.1.1 RAG應用開發流程
4.1.2 實現Agentic RAG架構
4.2 基於LangChain構建知識型Agent
4.2.1 處理文檔
4.2.2 集成向量數據庫
4.2.3 增強檢索功能
4.2.4 整合ReAct Agent
4.3 基於LlamaIndex構建多級知識型Agent
4.3.1 文檔處理和檢索
4.3.2 實現兩層文檔處理Agent
4.4 本章小結
第5章 多模態Agent
5.1 引入多模態技術
5.1.1 圖像處理技術基礎
5.1.2 語音處理技術基礎
5.2 基於LangChain實現多模態
5.2.1 實現圖像處理
5.2.2 實現語音處理
5.3 多模態Agent案例分析
5.3.1 構建Agent
5.3.2 實現交互流程
5.4 本章小結
AI Agent應用篇
第6章 企業級Agent工程化技術
6.1 Agent工程化技術棧
6.2 Agent運行時管理
6.2.1 基於Ollama實現私有化部署
6.2.2 基於LangSmith實現運行監控
6.2.3 基於Phoenix實現鏈路跟蹤
6.3 Agent可視化交互
6.3.1 使用Streamlit構建Web應用
6.3.2 Agent可視化案例解析
6.4 Agent外圍技術
6.4.1 開放Web API
6.4.2 集成數據持久化
6.5 本章小結
第7章 多Agent系統
7.1 多Agent系統的實戰基礎
7.1.1 多Agent系統的構建模式
7.1.2 多Agent協作模式
7.2 基於LlamaIndex構建多Agent系統
7.2.1 工作流和LlamaIndex
7.2.2 健康管理的多Agent系統案例分析
7.3 基於AutoGen構建多Agent系統
7.3.1 AutoGen的工作原理
7.3.2 AutoGen的核心組件
7.3.3 客戶洞察的多Agent系統案例分析
7.4 本章小結
第8章 多Agent系統的實戰案例
8.1 多Agent智能報告案例分析
8.1.1 案例系統的場景分析
8.1.2 案例系統的架構設計
8.2 基於LangGraph構建多Agent系統
8.2.1 LangGraph的開發模式
8.2.2 LangGraph的高級特性
8.3 多Agent智能報告案例實現
8.3.1 構建工具
8.3.2 創建Agent和節點
8.3.3 定義StateGraph
8.4 多Agent智能報告案例演示
8.4.1 系統運行和驗證
8.4.2 系統監控和跟蹤
8.5 本章小結
AI Agent基礎篇
第1章 AI Agent開發模式
1.1 認識AI Agent
1.1.1 Agent的定義
1.1.2 Agent的應用場景
1.2 集成LLM
1.2.1 LLM的技術體系
1.2.2 LLM與提示工程
1.3 Agent關鍵技術
1.3.1 規劃
1.3.2 記憶
1.3.3 工具
1.3.4 行動
1.4 Agent的實現類型
1.4.1 通用型Agent
1.4.2 知識型Agent
1.4.3 多模態Agent
1.4.4 多Agent系統
1.5 Agent開發工具和框架
1.5.1 原生LLM
1.5.2 LangChain和LangGraph
1.5.3 LlamaIndex和工作流
1.5.4 多Agent框架
1.6 本章小結
第2章 LLM和Agent
2.1 集成OpenAI LLM
2.1.1 引入OpenAI LLM
2.1.2 集成OpenAI API
2.1.3 理解函數調用
2.2 基於OpenAI LLM從零構建並執行Agent
2.2.1 構建Agent
2.2.2 執行Agent
2.3 基於OpenAI Swarm構建Agent
2.3.1 OpenAI Swarm開發模式
2.3.2 OpenAI Swarm案例解析
2.4 本章小結
AI Agent實現篇
第3章 通用型Agent
3.1 ReAct Agent
3.1.1 ReAct架構解析
3.1.2 基於LlamaIndex構建ReAct Agent
3.1.3 基於LangChain構建ReAct Agent
3.2 Plan-and-Execute Agent
3.2.1 Plan-and-Execute架構解析
3.2.2 基於LangChain實現Plan-and-Execute Agent
3.3 本章小結
第4章 知識型Agent
4.1 引入Agentic RAG
4.1.1 RAG應用開發流程
4.1.2 實現Agentic RAG架構
4.2 基於LangChain構建知識型Agent
4.2.1 處理文檔
4.2.2 集成向量數據庫
4.2.3 增強檢索功能
4.2.4 整合ReAct Agent
4.3 基於LlamaIndex構建多級知識型Agent
4.3.1 文檔處理和檢索
4.3.2 實現兩層文檔處理Agent
4.4 本章小結
第5章 多模態Agent
5.1 引入多模態技術
5.1.1 圖像處理技術基礎
5.1.2 語音處理技術基礎
5.2 基於LangChain實現多模態
5.2.1 實現圖像處理
5.2.2 實現語音處理
5.3 多模態Agent案例分析
5.3.1 構建Agent
5.3.2 實現交互流程
5.4 本章小結
AI Agent應用篇
第6章 企業級Agent工程化技術
6.1 Agent工程化技術棧
6.2 Agent運行時管理
6.2.1 基於Ollama實現私有化部署
6.2.2 基於LangSmith實現運行監控
6.2.3 基於Phoenix實現鏈路跟蹤
6.3 Agent可視化交互
6.3.1 使用Streamlit構建Web應用
6.3.2 Agent可視化案例解析
6.4 Agent外圍技術
6.4.1 開放Web API
6.4.2 集成數據持久化
6.5 本章小結
第7章 多Agent系統
7.1 多Agent系統的實戰基礎
7.1.1 多Agent系統的構建模式
7.1.2 多Agent協作模式
7.2 基於LlamaIndex構建多Agent系統
7.2.1 工作流和LlamaIndex
7.2.2 健康管理的多Agent系統案例分析
7.3 基於AutoGen構建多Agent系統
7.3.1 AutoGen的工作原理
7.3.2 AutoGen的核心組件
7.3.3 客戶洞察的多Agent系統案例分析
7.4 本章小結
第8章 多Agent系統的實戰案例
8.1 多Agent智能報告案例分析
8.1.1 案例系統的場景分析
8.1.2 案例系統的架構設計
8.2 基於LangGraph構建多Agent系統
8.2.1 LangGraph的開發模式
8.2.2 LangGraph的高級特性
8.3 多Agent智能報告案例實現
8.3.1 構建工具
8.3.2 創建Agent和節點
8.3.3 定義StateGraph
8.4 多Agent智能報告案例演示
8.4.1 系統運行和驗證
8.4.2 系統監控和跟蹤
8.5 本章小結
|
