📖 从大语言模型到现实世界智能体
From Large Language Models to Real-World Agents

| 中文 | English |

在线阅读：https://datascale-ai.github.io/Agentic_AI_Systems_book/

简介

大语言模型让软件拥有了新的交互能力，但一个能够感知环境、调用工具、维护状态、持续验证并承担任务的智能体系统，远不止一个模型接口。本书从模型交互出发，沿着“规划—记忆—协作—运行时—评估—治理—工程实践”的路线，系统说明如何把模型能力组织成可靠、可观测、可测试、可部署的现实世界智能体。

全书同时覆盖理论基础、系统设计和工程落地，适合用作研究生课程教材、智能体系统研发手册和团队架构设计参考。内容重点包括：

• 🧠 模型与推理基础：提示层级、上下文工程、结构化输出、模型选择和推理能力契约
• 🧩 智能体核心能力：任务分解、计划修订、工具发现、行动执行、轨迹验证和失败恢复
• 🗂️ 记忆与知识：工作记忆、长期记忆、个性化、检索增强和知识驱动的智能体
• 🤝 多智能体系统：角色分工、通信协调、集体推理、协商和环境交互
• ⚙️ 运行时基础设施：编排、会话、事件、状态机、流式处理、多模态和实时协调
• 🛡️ 评估与生产治理：基准测试、容量规划、可靠性、安全、对齐、监控和治理
• 🏗️ 应用与综合项目：软件工程、知识工作、教育、医疗、金融和企业智能体采用
• 🧪 可运行工程实践：参考实现、可复现环境、单元测试、集成测试、回归评估、故障注入和持续交付

全书架构

本书按照智能体系统从基础能力到生产落地的依赖关系组织为九篇：

从模型交互、规划与行动，到运行时、治理和可运行工程实践的完整路线。

模型交互与推理
        ↓
规划、工具调用与行动验证
        ↓
记忆、知识与多智能体协作
        ↓
运行时、事件流与多模态交互
        ↓
评估、可靠性、安全与生产治理
        ↓
应用综合项目与可运行工程实践

这条主线既可以按顺序通读，也可以根据目标选择路径：基础篇建立共同语言，能力篇解释智能体如何完成任务，系统篇解决规模化运行问题，工程篇把概念落到代码、测试和部署。

目录结构

📖 全书九篇，39 章 + 8 个附录
│
├── 第一篇：智能体人工智能系统基础（第 1–4 章）
├── 第二篇：模型交互与推理基础（第 5–8 章）
├── 第三篇：智能体核心能力（第 9–13 章）
├── 第四篇：记忆、知识与智能体学习（第 14–17 章）
├── 第五篇：多智能体与环境交互系统（第 18–21 章）
├── 第六篇：运行时工程与交互基础设施（第 22–25 章）
├── 第七篇：评估、可信性与生产治理（第 26–30 章）
├── 第八篇：应用、综合项目与未来方向（第 31–35 章）
├── 第九篇：工程实践、可运行代码与测试（第 36–39 章）
└── 附录 A–H：术语、指标、接口、部署、安全、故障与参考文献

核心亮点

从模型能力到系统能力

书中不把“会调用模型”当作智能体系统的终点，而是连续讨论任务边界、状态管理、工具权限、执行轨迹、验证证据和人工介入。每一层都说明输入、输出、失败模式、设计取舍和可观测信号。

从单体智能体到生产系统

内容覆盖从单智能体循环到多智能体组织，从同步调用到流式运行时，从实验性 Demo 到具备容量规划、故障恢复、安全审计和持续交付能力的生产系统。

从概念说明到可验证实践

章节统一安排案例、架构图、接口表、实验卡、复习题和实践题。第九篇提供参考实现和测试路径，帮助读者验证书中的设计是否能够运行，并把测试结果反馈到评估与治理环节。

贯穿全书的工程视角

主题	关注的问题
模型交互	如何让模型输出稳定、可解析、可路由
任务执行	如何分解任务、调用工具并验证行动结果
状态与记忆	如何在有限上下文中保留有用信息
多智能体	如何划分角色、协调通信和控制冲突
运行时	如何处理会话、事件、流量、打断和实时性
评估与治理	如何证明系统可靠、安全、可监控、可追责
工程实践	如何复现环境、编写测试、注入故障并持续交付

在线阅读与本地预览

书籍网站由 MkDocs Material 构建，提供中文和英文导航。在线版本发布在 GitHub Pages：

打开在线书籍 →

本地预览需要 Python 3.11+ 和 uv：

uv sync --extra test
uv run mkdocs serve

浏览器打开终端显示的本地地址。构建生产静态站点并启用严格检查：

uv run pytest
uv run mkdocs build --clean --strict

适合读者

• 智能体人工智能、LLM 和应用研究方向的研究生与研究人员
• AI 应用、平台、MLOps 和后端系统工程师
• 负责系统架构、可靠性、安全和生产治理的技术负责人
• 希望理解智能体系统设计取舍的产品经理和技术管理者
• 需要为课程、训练营或团队实践选择系统教材的教师与组织者

贡献指南

欢迎通过 Issue 和 Pull Request 帮助改进书稿、示例代码和文档网站。

提交内容时，请遵循以下流程：

1. 先通过 Issue 说明章节内容、事实错误、链接失效或工程示例的问题；较大的结构调整请先讨论方案。
2. 中文正文放在 docs/zh/，英文翻译放在对应的 docs/en/ 路径；示例代码和可运行工程资产放在 examples/。
3. 图表、代码、数据集和外部引用请注明来源、版本与许可证；不要提交未获授权的第三方材料或本地规划文件。
4. 提交前运行 uv run pytest 和 uv run mkdocs build --clean --strict，并在 Pull Request 中说明修改范围和验证结果。
5. Pull Request 的标题和描述请写清涉及的篇章或章节；如果修改了导航、公共接口或图表编号，也请明确列出影响范围。

许可证

本项目采用 MIT 许可证，详见 MIT License。