Avsnitt
-
附录A高级提示技巧全攻略，零样本到上下文工程到结构化输出。附录B-G涵盖框架对比（LangChain vs LangGraph vs Crew AI vs Google ADK）、实操指南、编程智能体构建。结语回望全书21种模式的成长路径，点明核心：没有万能模式，关键在于理解每个模式的适用场景和权衡取舍。
-
四章合一。护栏是部署阶段的实时拦截线，分输入护栏、输出护栏、行为约束、检查点回滚。评估讲准确率、可靠性、延迟、资源消耗。优先级让智能体在多个子任务间排序。探索与发现面向未知问题——不是完成任务，是发现你不知道答案的事情。
-
Saknas det avsnitt?
-
两章合为一集。资源优化讲动态模型切换、上下文剪枝、代价敏感探索、高能效部署。推理技术讲思维链CoT、思维树ToT、ReAct——模型内部怎么做多步推理。
-
智能体之间的通信协议。四种典型通信模式：直接通信、广播、发布订阅、共享黑板。实际系统通常会混合使用多种模式，而不是只用其一。
-
检索增强生成。解决大模型知识边界的静态问题——训练截止日期之后的事不知道，内部文件没看过。四个收益：时效性、降低幻觉、私有知识接入、可引用性。核心概念：嵌入、语义搜索、分块、混合检索。
-
什么场景下应该让人类介入：高风险决策、不确定性高的情况、边缘场景。人在回路中还有一个被忽视的价值——每次人类介入都在提供标注数据，随着时间推移介入频率会逐渐下降。
-
智能体生产环境下的必修课。三个阶段：检测→处理→恢复。常见策略包括日志记录、重试、回退、优雅降级和告警。恢复阶段重点是状态回滚、根因分析和自我纠正。
-
智能体自主推进长期任务的核心机制。目标设定把高层任务分解为可衡量的子目标；监控覆盖三个维度：进度追踪、异常检测、性能度量。两者伴生配合才能支撑自主运行的长期任务。
-
模型上下文协议。标准化智能体与外部工具的通信方式。类比USB接口——统一接口，系统自动识别。MCP和函数调用是互补关系：函数调用解决怎么调，MCP解决怎么发现和描述。
-
智能体从静态工具变成成长型系统的关键能力。四种学习方式：从反馈学习、强化学习、上下文适应、增量学习。RLHF是对齐的主流方案，DPO和KTO是更轻量的替代。
-
进入第二部分高级系统。记忆五层次模型：短期、长期、情景、语义、程序。Session管理短期工作记忆，MemoryService管理长期知识。关键是状态更新应通过事件机制而非直接修改。
-
第一部分的收官章。从单智能体模式升级到多智能体系统。对比了三种协作架构：编排式（中央调度）、协作式（平等协商）、混合式。实用建议是：通信尽可能简单直接，能传结果不要传原始数据。
-
让智能体自主生成执行方案，而不是等人告诉它怎么做。核心特点是适应性——初始计划只是起点，遇到障碍能重新规划。但灵活意味着不可预测，解法确定的场景中固定工作流更可靠。
-
智能体从文本生成器进化为行动执行者的关键。完整流程六步：定义工具→LLM决策→生成函数调用→执行→结果返回→LLM加工输出。突破了模型的四个局限：时效性、计算精度、数据权限、行动边界。
-
让智能体自己检查自己的输出并改进。两种实现：自我反思（一个模型既当生产者又当批评者）和双模型反思（生产+审查分离）。每多一轮反思质量提升一截，但成本和时间也在同步增加。
-
让没有相互依赖关系的任务同时执行。对API调用、数据拉取这类有网络等待时间的场景效果最明显——重叠等待时间来压缩总耗时。适合独立任务，不适合有依赖关系的步骤。
-
根据输入内容的不同，走不同的处理路径。核心是分类器+专用处理器的架构。典型场景：客服系统里根据用户意图分派不同流程。路由的决策粒度越细效果越好，但维护成本也越高，需要在精度和复杂度之间权衡。
-
最基础也最常用的模式。把复杂任务拆成小步骤，逐链执行。讲了什么时候该拆、拆到什么粒度、什么时候不该用提示链——步骤之间有依赖关系时用它最合适，但并行任务硬拆成链反而降低效率。
-
播客的起点。介绍《Agentic Design Patterns》这本书的由来——作者Antonio Gulli，Google CTO办公室成员，书里是谷歌大规模部署智能体系统的一线工程经验。梳理全书的四大部分结构，以及作者提出的AI智能体五条发展假说：通用化、小型化、自主化、协作化、安全化。
