AI 智能体开发 知识框架

1. 基础入门

链接：AI智能体开发学习文档（一）-CSDN博客

1.1 大模型背景与基本原理

•   主流大模型生态（截至2026）

•  闭源：OpenAI GPT-4o / o3 / o4-mini、Anthropic Claude 4 Opus / Sonnet、Google Gemini 2.5 Pro / 2.0 Flash

•    开源：Qwen 3 / Qwen 2.5、DeepSeek-V3 / R1、Llama 4、Mistral Large 2

•    国产：通义千问 Qwen、DeepSeek、智谱 GLM-4、文心一言 4.5、讯飞星火 4.0、Kimi

•   大模型基本原理

•    Transformer 架构（Encoder-Decoder / Decoder-Only）

•    缩放定律（Scaling Law）与涌现能力

•    上下文窗口扩展技术（RoPE、YaRN、Ring Attention）

•    推理能力提升：思维链（CoT）、Self-Consistency、Tree-of-Thoughts

•   模型部署方式对比

方式	优势	劣势	适用场景
本地部署（Ollama / vLLM / llama.cpp）	数据隐私、零延迟	算力要求高、维护成本	企业内部、高频调用
云端部署（API）	弹性扩缩、免运维	延迟、成本累积	原型开发、初期验证
混合部署	灵活、分层	架构复杂	企业级生产

•   智能体开发方案

方案类型	代表产品	适用人群
低代码平台	Dify、Coze、FastGPT、LangBot	非开发者、快速验证
编程框架	LangChain/LangGraph、Spring AI、CrewAI、OpenAI Agents SDK	专业开发、定制化
模型微调	LlamaFactory、Axolotl、Unsloth	垂直领域深度定制

 坑点：很多人从框架入手却忽略了大模型基本原理，导致调优时无从下手。先理解 Transformer、Tokenization、Attention 机制再使用框架，事半功倍。

▎ 详见 [2.1 Transformer 架构深度解析]

1.2 提示词工程（Prompt Engineering）

•   核心原则

•    明确性（Specific）

•    角色设定（Role）

•    上下文提供（Context）

•    示例引导（Example）

•   结构化提示词

系统指令 + 用户消息 + 示例 + 输出格式约束

•   Few-Shot 与 Zero-Shot

•    Zero-Shot：直接提问，依赖模型内化知识

•    Few-Shot：提供 2-5 个示例引导输出格式和质量

•   2025-2026 趋势

•    Meta-Prompting（让模型自己优化提示词）

•    DSPy（声明式提示词编程框架）逐渐替代手工调优

•   思维链（Chain-of-Thought, CoT）

•    标准 CoT：Let's think step by step

•    进阶：Tree-of-Thoughts、Graph-of-Thoughts、Self-Consistency

•   o1/o3 类模型的 reasoning_effort 参数控制推理深度

•   大模型幻觉与缓解

•    来源：数据偏差、解码随机性、知识边界不清

•  缓解：RAG 外部知识注入、引用溯源、Self-Check、对比解码

 坑点：提示词不是万能的。对于需要深度推理或专业知识的任务，提示词优化到一定程度后收益递减，应引入 RAG 或微调。

1.3 开发环境与工具链

•    Python 环境：uv（2025-2026 推荐替代 pip/poetry）、Conda、pyenv

•    Node.js 环境（Spring AI 前端等）：nvm、pnpm

•    模型本地运行：Ollama（一键部署）、vLLM（高性能推理引擎）、llama.cpp（边缘设备）

•    容器化：Docker + docker-compose

•    MCP 相关工具：MCP 客户端（Claude Desktop、VS Code Copilot、Continue.dev）、MCP 服务器注册表

▎ 详见 [4.1 MCP 协议与开发]

2. 核心原理

链接：AI智能体开发学习文档（二）-CSDN博客

2.1 Transformer 架构深度解析

•   核心组件

•    自注意力机制（Self-Attention）：QKV 计算、缩放点积、多头注意力

•    位置编码（Positional Encoding）：Sinusoidal、RoPE（旋转位置编码）、ALiBi

•    前馈网络（FFN）：SwiGLU、GEGLU 等现代激活函数

•    层归一化（LayerNorm / RMSNorm）：Pre-Norm vs Post-Norm

•   架构变体

•    Encoder-Only（BERT）：理解任务

•    Decoder-Only（GPT 系列、LLaMA、Qwen）：生成任务，当前主流

•    Encoder-Decoder（T5、BART）：序列到序列任务

•   2025-2026 新进展

•    Mamba / State Space Models（SSM）作为 Transformer 替代方案

•    混合架构（Transformer + SSM）：Jamba、Samba

•    超长上下文（1M+ tokens）：Ring Attention、YaRN + 稀疏注意力

•    多 Token 预测（MTP）：DeepSeek R1 采用的训练策略

2.2 检索增强生成（RAG）

•   RAG 核心流程

用户查询 → 查询改写 → 检索（向量/关键词/混合）→ 重排序 → 上下文注入 → LLM 生成

•   分块策略演进

•    固定大小分块 → 语义分块 →  父子分块（Parent-Child Chunking）

•    滑动窗口 + 重叠

•   检索模式对比

模式	原理	优势	劣势
语义检索	向量相似度	理解语义	对领域术语不敏感
全文检索	BM25 / ElasticSearch	精确匹配	无法处理同义词
混合检索	向量 + 关键词加权	综合最优	权重调优复杂
重排序	Cross-Encoder 评分	显著提升精度	额外延迟

•   2025-2026 RAG 进化

•    Agentic RAG：Agent 自主决定何时检索、检索什么、如何融合

•    Graph RAG：基于知识图谱的检索（微软 GraphRAG）

•    Self-RAG：模型自我判断是否需要检索及检索结果可靠性

•    多模态 RAG：图文混合检索

2.3 智能体（Agent）核心机制

•   Agent 循环

感知（工具结果/环境）→ 推理（LLM思考）→ 行动（Function Call）→ 观察 → 循环

•   Function Calling / Tool Use

•    模型输出结构化工具调用参数 → 执行工具 → 结果回注上下文

•    关键难点：格式解析鲁棒性、错误处理、并发调用

•   记忆系统

•    短期记忆（上下文窗口内）、长期记忆（向量数据库存储 + 检索）

•    MemGPT / Letta：OS 级记忆管理

•   规划能力

•    ReAct（Reasoning + Acting）

•    Plan-and-Solve

•   2026：深度研究（Deep Research）模式成为标配

▎ 详见 [4.1 MCP 协议]和 [4.2 A2A 协议]

2.4 智能体开发方案全景对比

方案	抽象层级	适用场景	2026 状态
Dify	低代码/可视化	RAG应用、工作流	v1.15.0 新增 difyctl CLI、CoT 可视化
Coze	低代码/No-Code	快速搭建、插件市场	企业级工作流、记忆管理
LangChain	高级框架	Agent、Chain、RAG	v1.0 GA，稳定性承诺
LangGraph	图式运行时	复杂多智能体、状态持久化	v1.2 新增 DeltaChannel/节点超时/优雅关闭
Spring AI	Java 框架	Java 技术栈企业集成	与 Spring AI Alibaba 深度绑定
OpenAI Agents SDK	官方 SDK	OpenAI 生态、Handoff	0.15+ 支持 100+ LLM
Google ADK	官方 SDK	Google Cloud、A2A 原生	v2.2 GA，Workflow Runtime
CrewAI	角色编排	多角色协作 Demo	快速原型
AutoGen / AG2	对话式多 Agent	讨论型任务	AG2 月度发版
Claude Agent SDK	Anthropic 官方	Anthropic 生态	A2A + Handoff 支持

3. 进阶应用

链接：AI智能体开发学习文档（三）-CSDN博客

3.1 低代码平台深度实践

3.1.1 Dify

•    最新版本：v1.15.0（2026-06-25）

•    应用类型：文本生成、对话助手、Chatflow、Workflow、Agent

•    知识库管理

•    支持格式：TXT、PDF、Markdown、Excel（ 1.15 新增嵌入图片提取）

•    分块策略：固定大小、语义分块、父子分块、Summary Index（v1.12）

•    检索策略：向量检索、全文检索、混合检索（权重可调）

•    重排序集成：Cohere Rerank、本地重排序模型

•    工具配置

•    内置工具：网页搜索、图像生成、代码执行等

•    内置 MCP 双向支持（v1.6+）：可调用 MCP Server 作为工具，也可将 Agent 暴露为 MCP Server

•    自定义工具 API

•    v1.14-v1.15 重大更新

•    difyctl CLI：终端直接运行 Workflow

•    CoT 思维链可视化：推理过程实时展示

•  Human-in-the-Loop：支持下拉选择、文件上传

•    长耗时模型：图像/视频生成模型的轮询支持

•    协作编辑：多人实时编辑工作流（v1.14）

•    并行节点执行：缩短复杂流程执行时间

•    多智能体协作：Agent 网络，专业化智能体相互调用

•    实战项目：MCP 旅行工具、美妆智能体客服

3.1.2 Coze

•    工作流：拖拽式编排、条件分支、循环

•    插件生态：OCR 插件、Python 插件、Web 搜索、数据处理

•    知识库管理：支持多数据源、自动分段

•    记忆管理：用户对话记忆、长期记忆

•    实战：剧本测试助手（OCR + Python + RAG）

3.1.3 LangBot

•    IM 多渠道：飞书、企业微信、钉钉

•    Pipeline 架构：低代码 AI 能力编排

•    模型管理：多模型切换

•    对接能力：可对接 Dify、Coze 等平台

•    实战：客服飞书机器人

3.1.4 FastGPT

•    知识库管理：多数据源、QA 问答对提取模式

•    检索模式：语义检索 + 全文检索 + 混合检索

•    问题优化：查询改写、结果编排

•    实战：谷谷 AI 行政助理

3.2 模型微调与定制

3.2.1 微调基础

•    微调范式对比：

方式	参数量	显存需求	性能	适用场景
全参数微调	100%	极高	最高	大量数据、有充足算力
LoRA	~0.1-1%	低	接近全参	数据少、资源有限
QLoRA	~0.1-1%	极低（4bit）	稍低于 LoRA	个人 GPU、快速实验
P-Tuning v2	~0.1-1%	低	中等	分类/序列标注

•    2025-2026 微调趋势：

•    LoRA 成为事实标准，QLoRA 在有限资源场景广泛采用

•    DeepSpeed ZeRO-3 + QLoRA 组合实现 70B 级模型单卡微调

•    Unsloth 框架：2x 训练速度、50% 显存节省

•    PEFT（HuggingFace）统一微调接口

3.2.2 LlamaFactory 微调工具

•    环境搭建：依赖 PyTorch + Transformers + Datasets + PEFT

•    关键参数

•    `lora_rank`（r）、`lora_alpha`、`lora_dropout`

•    `learning_rate`、`num_train_epochs`、`per_device_train_batch_size`

•    `train_mode`：全参 / LoRA / QLoRA

•    流程

数据准备 → 模型加载 → 参数配置 → 训练监控 → 模型导出 → 部署

•    实战：人类行为数据集微调

3.3 编程框架深度实践

3.3.1 LangChain / LangGraph

•    LangChain v1.0（2025-10 GA）：

•    核心优化：稳定 API、无 break change 至 2.0

•    标准化 Content Blocks

•    废弃 `langgraph.prebuilt`，迁移至 `langchain.agents`

•    LangGraph v1.2（2026-05）：

•    DeltaChannel：增量式 checkpoint，节省 41x+ 存储成本

•    Per-Node Timeouts：节点级超时控制（`run_timeout` / `idle_timeout`）

•    Node-Level Error Handlers：节点故障恢复，支持 Saga 补偿模式

•    Graceful Shutdown：优雅关闭后可恢复的 agent 执行

•    Streaming v3：基于 Content Block 的新流式协议

•    核心组件：

•    Model I/O：Prompt Template → LLM → Output Parser

•    Chain：LLMChain、SequentialChain、RouterChain

•    Memory：Buffer、Summary、Vector Store-backed

•    Agent：ReAct Agent、Tool Calling Agent

•    Retriever：Vector Store Retriever、MultiQuery、Contextual Compression

3.3.2 Spring AI

•    Java 生态集成：Spring Boot 原生体验

•    核心功能：ChatClient、QuestionAnswer Advisor、Tool Calling

•    RAG 支持：基于 Spring AI Alibaba + ElasticSearch

•    流式输出：WebFlux + SSE

•    实战项目：天机 AI 助手（Qwen + 多模态 + 多 Agent + MongoDB 记忆）

3.4 2025-2026 前沿趋势

趋势	描述	影响
MCP 无状态化	2026-07-28 规范移除 initialize 握手，支持水平扩展	生产部署革命性提升
A2A v1.0 GA	跨智能体通信标准（2026-04），150+ 企业采用	多智能体协作标准化
Agent SDK 收敛	各厂商推出官方 SDK（OpenAI、Google ADK、Claude）	框架碎片化问题缓解
Handoff 模式普及	去中心化编排替代中心 Supervisor	API 设计范式统一
Agentic RAG	Agent 自主决定检索策略	超越传统 RAG 的问答质量
Deep Research	多步搜索 + 分析生成报告	知识工作者效率飞跃
多智能体协作	专业化 Agent 分工协同	复杂任务自动化突破
多模态 Agent	视觉 + 代码 + 语言 Agent 协作	全链路自动化

4. 工程化与实战

链接：AI智能体开发学习文档（四）-CSDN博客

4.1 MCP 协议与开发

•    MCP（Model Context Protocol）：AI 模型与外部工具/数据源的通用接口标准

•    2026 里程碑：

•    2025-12：Anthropic 将 MCP 捐赠给 Linux Foundation Agentic AI Foundation

•    2026-03：企业级路线图发布

•    2026-07-28：最大版本更新——无状态传输

•    2026-07-28 规范核心变化：

•    无状态传输：移除 `initialize` 握手、`Mcp-Session-Id` 头，实现水平扩展

•    MCP Apps（扩展）：工具返回交互式 HTML 界面（沙箱 iframe），Claude/ChatGPT/VS Code 已采用

•    Tasks 扩展：异步任务生命周期 `tasks/get`、`tasks/update`、`tasks/cancel`

•    SEP 框架：22 个 SEP（Spec Enhancement Proposal）组成新规范

•    形式化过期策略：弃用特性至少保留 12 个月

•    授权增强：对齐 OAuth 2.0 / OpenID Connect

•    `Roots`、`Sampling`、`Logging` 标记为弃用

•    SDK 生态：

•    Tier 1：Python v2（beta）、TypeScript v2（beta）、Go（beta）、C#（beta）

•    Tier 2 支持中

•    实战：浏览器控制 MCP Server、Redis 操作 MCP Server、12306 查询 MCP Server

▎ A2A 与 MCP 的关系：MCP 用于 Agent ↔ 工具，A2A 用于 Agent ↔ Agent，两者互补。

4.2 A2A 协议

•    A2A（Agent-to-Agent）：Google 提出，Linux Foundation 治理的跨智能体通信标准

•   2026 现状

•    v1.2 当前稳定版（2026-03）

•    150+ 组织生产部署（AWS、Microsoft、Salesforce、SAP 等）

•    SDK：Python（GA）、Go（GA）、Java（Beta）、.NET（Preview）、JS/TS（v0.3）

•    GitHub 22k+ Stars

•   核心概念

•    Agent Card：`.well-known/agent.json` 声明能力、URL、版本

•    Task：任务生命周期（submitted → working → completed → failed）

•    Part：统一的消息部分类型（text / file / data）

•    Message：Agent 间通信的基本单元

•    传输：JSON-RPC 2.0 over HTTP(S) / SSE / gRPC（v1.2 新增）

•   v1.0 / v1.2 关键特性

•    签名 Agent Card（JWS 加密验证）

•    企业级多租户

•  OAuth 2.0 改进（Device Code / PKCE，废弃隐式/密码流）

•    gRPC 支持降低延迟

•    延迟广播（Latency Broadcasting）用于智能路由

•    统一 Part 类型（废弃 TextPart / FilePart / DataPart 区分）

•    ADK 1.0（Google Agent Development Kit）：A2A 原生支持的官方框架，2026 I/O 大会 GA

•    实战：SmartVoyage 旅行助手（Python + LangChain + FastAPI + A2A + MCP）

4.3 多语言融合架构

方案	原理	优势	适用场景
Sidecar API 网关	独立网关代理后端服务	解耦、统一入口	Java 主栈 + Python AI 服务
Nacos 服务治理	注册发现 + 配置管理	成熟、运维友好	企业级微服务
gRPC 跨语言	Protobuf 契约	高性能	高吞吐场景
MCP + A2A	标准化协议互通	语言无关	异构 Agent 系统

4.4 多智能体协作架构

•   编排模式对比

模式	代表框架	原理	优势	劣势
中心 Supervisor	LangGraph、ADK	单一协调器调度	可控性强	单点瓶颈
Handoff（去中心）	OpenAI Agents SDK	Agent 自主转交	自然、灵活	调试复杂
群聊模式	AG2、CrewAI	Agent 群组讨论	适合头脑风暴	效率低
层级编排	Deep Agents	顶层分解 → 中层管理 → 底层执行	高扩展性	设计复杂

•   2026 关键实践

•    Checkpoint + Human-in-the-Loop：长流程可中断恢复

•    LangGraph SubGraph（v1.0+）：层级编排

•    Dify Multi-Agent Network：低代码多智能体协作

•    A2A 协议实现跨框架 Agent 互通（如 LangGraph Agent ↔ ADK Agent）

4.5 综合实战项目

项目	技术栈	核心价值
简历推荐系统 RAG	LangChain + Milvus + ES + MongoDB + Streamlit	完整 RAG 落地方案
中医药知识图谱	DeepSeek + LangChain + Neo4j + FAISS + LangGraph	图+向量混合检索
Agent 智能工单	NLP清洗 + 知识图谱 + Vanna AI + MCP + Function Call	企业级 Agent 系统
天机 AI 助手	Spring AI + Qwen + WebFlux + ES + MongoDB + SSE	Java 全栈 AI 应用
Myklanos 独立智能体	Spring AI + Redis + React + Multi-Agent	WebSocket 实时协同
InsightScan 扫描 Agent	React + LangGraph + Flask + MCP + A2A + AGUI	多协议融合
SmartVoyage 旅行助手	Python + LangChain + FastAPI + Streamlit + A2A + MCP	A2A+MCP 综合实践

4.6 测试与部署

•   测试策略

•    单元测试：工具函数、Chain 调用

•    集成测试：RAG 检索精度、Agent 工具调用流程

•    E2E 测试：Playwright 测试前端交互

•    📊 评估框架：LangSmith、Phoenix（ 1.15 Dify 支持自定义 Trace ID）

•   部署方案

•    Docker + docker-compose

•    Kubernetes + Helm（生产级）

•    云原生：Agent Engine（Google）、Vertex AI、Amazon Bedrock

•   可观测性

•    LangSmith Trace：Agent 级链路追踪

•    Phoenix / Langfuse：RAG 检索步骤追踪

•    MCP Server 指标暴露

5. 拓展与展望

链接：AI智能体开发学习文档（五）-CSDN博客

5.1 知识体系总览图

5.2 遗漏重点补充表

5.3 学习路线建议

5.4 2025-2026 最新学习资源

5.5 未来趋势展望