第一部分：有哪些关键组件？如何工作？

AI Agent的核心，是由大型语言模型（LLM）驱动支持的实例。

至于什么是Agent，这样的知识，雄哥之前分享过无数次，默认你学过；

它将复杂的任务分解为可管理的步骤，使用各种工具来完成这些步骤，并从中学习经验，然后计划、推理、评估监管和采取行动，实现目标。

这就区别于当下市面大部分的LLM服务！

绝大部分的交互还知识chat对话，不具备复杂任务能力！

少部分产品，也仅仅做到单Agent+单线程驱动，确保尽可能安全可控情况下：

智能体 都在–> 多智能体系统

今天，跟着雄哥，把MAS拆开，把5个关键组件拎出来！

即：

组件	描述
LLM（大脑）	代理的核心，负责文本处理、理解上下文并做出决策。
规划	将目标分解为一系列可管理任务，按优先级排序并根据新信息调整计划。
行动	使用工具和API与环境交互，执行如搜索、代码执行、数据访问等任务。
评估与监督	定义代理的行为、个性、沟通风格、专业化，确保响应符合预期目标。
记忆	存储和回忆过往交互，保持对话上下文，支持个性化和长期学习。

1.1 LLM(大脑)

代理的核心，负责文本处理、理解上下文并做出决策。

MAS系统中，每一个LLM都是各司其职，1个LLM=1个人

1个财务岗，他可以处理销售部的任务，当然也可以处理开发部的任务；

所以整个系统是并行多线程的，从不是单个Agent就能干完这些事

那如何能让一个Agent，掌握胜任“财务岗”的能力呢？

这里有两种方法：

1(明文提示)-是手把手教，把工作过程一步步写出来，照葫芦画瓢

2(微调训练)-是把知识真正从0学到1

后面雄哥会基于这两种方法，独立做一个系列，如何合成数据、如何微调、如何评估等！

下面提到的规划、行动、评估、记忆，都离不开多个LLM来完成；

1.2 规划

代理的关键能力之一，是其规划能力。

此组件允许代理将复杂的目标，分解为一系列可管理的任务，规划模块能够：

#A 分析给定目标

#B 确定实现目标的必要步骤

#C 按逻辑顺序确定这些步骤的优先级

#D 根据获取的结果调整计划

有效规划=有效解决问题

尤其是复杂的多步骤问题，这里，简单做个生成式 AI 任务：

{`  `"task": "使用AI代理生成医疗建议",`  `"planning": {`    `"inputs": {`      `"user_preferences": [`        `"主题",``         "关键词",  ``         "语气"  ``      ],`      `"trending_data": "获取用户偏好的内容"`    `},`    `"workflow": [`      `{`        `"step": "收集输入",`        `"description": "收集用户偏好和热门数据",`        `"actions": [`          `"请求用户输入（例如，主题、关键词、语气）",`          `"从API获取话题和标签"`        `]`      `},`      `{`        `"step": "生成推文",`        `"description": "根据输入和趋势创建推文",`        `"actions": [`          `"使用AI模型生成不超过280个字符的健康贴士",`          `"结合用户偏好和热门数据以提高相关性"`        `]`      `},`      `{`        `"step": "优化参与度",`        `"description": "增强内容以提高参与度",`        `"actions": [`          `"添加相关标签和提及",`          `"调整语气和内容以实现最大参与度"`        `]`      `},`      `{`        `"step": "验证内容",`        `"description": "确保推文符合指导原则",`        `"actions": [`          `"检查字符数和格式",`          `"确保内容符合平台的规则和社区原则"`        `]`      `},`      `{`        `"step": "发布内容",`        `"description": "代表用户发布推文",`        `"actions": [`          `"使用API发布",`          `"确认内容已成功发布"`        `]`      `},`      `{`        `"step": "反馈循环",`        `"description": "收集反馈并改进",`        `"actions": [`          `"监控推文参与度（点赞、转发、评论）",`          `"根据性能数据和用户反馈调整AI模型"`        `]`      `}`    `]`  `}``}

后面，雄哥还有更深入内容，以构建它！

1.3 行动-函数调用

Agent执行任务，可以是一组数据库查询/写入，或者某组函数的执行，然后获取结果，反馈给Agent更新下一步的策略，相当于一个人的手手脚脚；

天黑，脚踩水了，肯定就不要再往前了；

这里我们，通常涉及使用各种工具或 API，后面雄哥会专门开一个系列，如何做函数调用，如何评估性能，如何提升tools触达率等；

最简单的实例，是这样的：

## API发布推文``{`  `"endpoint": "/api/post",`  `"method": "POST",`  `"description": "将生成的推文发布到小红书。",`  `"request": {`    `"body": {`      `"id": "字符串",`      `"user_id": "字符串",`      `"token": "字符串"`    `}`  `},`  `"response": {`    `"status": 200,`    `"body": {`      `"message": "推文发布成功。",`      `"post_id": "字符串"`    `}`  `}``}``## API获取数据``{`  `"endpoint": "/api/trending",`  `"method": "GET",`  `"description": "从小红书获取热门话题和标签。",`  `"request": {`    `"query_parameters": {`      `"location": "字符串",`      `"limit": "数字"`    `}`  `},`  `"response": {`    `"status": 200,`    `"body": {`      `"trending_topics": [`        `{`          `"hashtag": "#示例",`          `"volume": 10000`        `}`      `]`    `}`  `}``}

这段代码定义了两个API接口：

# 第一个接口

是用来发布推文的，客户端通过POST请求发送推文的ID、用户ID和OAuth令牌，成功后会返回发布成功的消息和推文ID。

# 第二个接口

用于获取热门话题和标签，客户端通过GET请求传递位置和限制数量，成功后返回热门话题列表及其相关的推文量。

系统执行层

当收到了雄哥的交互的时候，他会自动运行，并且执行操作，大概过程是这样的，雄哥发送：

“我想从小红书上获取一些关于人工智能的热门话题，并且发布这条推文到小红书，标题：一意AI今天上市敲钟了！”

系统收到信息后，背后的操作是这样的：

## 使用包含参数的API进行调用``{`  `"endpoint": "/api/trending",`  `"method": "GET",`  `"parameters": {`    `"location": "全球",  // 或者特定位置，如"中国"，以缩小范围`    `"limit": 10  // 要检索的热门话题数量`  `},`  `"response": {`    `"status": 200,`    `"body": {`      `"trending_topics": [`        `{`          `"hashtag": "#人工智能示例1",`          `"volume": 25000`        `},`        `{`          `"hashtag": "#人工智能示例2",`          `"volume": 18000`        `}`        `// 更多热门话题...`      `]`    `}`  `}``}``   ``## 使用包含参数的POST推文API进行调用``{`  `"endpoint": "/api/post",`  `"method": "POST",`  `"body": {`    `"text": "一意今天上市敲钟了！",`    `"user_id": "你的用户ID",  // 用户或应用的唯一ID`    `"token": "你的用户token"  // 用于API认证的令牌`  `},`  `"response": {`    `"status": 200,`    `"body": {`      `"message": "推文发布成功。",`      `"post_id": "123456789"`    `}`  `}``}

tools使用上，可以定义任何的操作，包括现实环境(拥抱/机器人动作/环境操作)的交互，在一意慢病管理项目中，是非常重要模块，后面雄哥会展开这个系列；

1.4 评估与监督

这是一个由上至下的行动指南，多agent的编排，在名义的结构上，还需要对不同层次Agent做规范，定义了其行为、个性和特定功能。

包括：

#A 角色或专业化（如:健康管理师、数据分析师等）

#B 语气和沟通风格

#Ｃ道德准则和约束

#D 特定知识领域或专业领域的技能

一句话说完了，但是做好这个版块，一点都不容易，首先我们需要做一个高效的管理架构，然后对这个架构的Agent，做不同程度的管理。

雄哥前几天看到一个国外项目，这是一个Agent世界文明的构建指南，颇为震撼，60小时，完成一个超大型的多智能体的复杂文明构建，这是非常非常困难的事，中华文明形成用了上千年，人工智能时代，仅60小时；

1.5 记忆

记忆是Agent存储和调用过去交互的信息，主要作用：

#A 在正在进行的任务中保持上下文(不是无限记忆，只记重要的)

#B 从以前的经验中学习

#C 随着时间的推移总结提升能力

#D 根据用户历史记录提供个性化响应

#E 多个Agent间根据架构分配信息

记忆可以是短期的（在单个对话的持续时间内）或长期的（在多个交互中持续存在），这里最难做的是：记忆的规则。

在单个任务或Agent中，是比较容易实现的，但MAS中，是多Agent的协调，这时，下游的Agent需要上游的任务入口，提供有效的信息；

注意，是有效的信息！

代表了部分，不是所有的信息都能共享的，需要一套完备的信息管理系统。

就像一个公司，销售部，是不需要知道公司内部的财务盈亏信息的；

一个完整的MAS系统，需要大量的工作，许多技术当下的实现还是0，这才是AI时代，真正的机会，都需要你，一步步实现，所有人，都有机会；

接下来，跟着雄哥，在已有的技术基础上，在本地搭建一个MAS吧！

这不是最终版，这是跑通，学习用途，生产的话，需要做的路更长！

而且，这是一个产品的核心和优势差异；

第二部分：跑起来！边跑边聊代码！

本次，跟着雄哥完成Agent的关键组件，涵盖：

1. 反思

2.工具使用

3.规划(任务分配)

4.多代理协作

任务是：生成平均气温图表，通过多个agnet调用函数收集数据、生成表格，然后返回到LLM，返回结果给用户，如下图：

最终实现，Agent分析任务，然后把任务拆解，分别给不同的Agent去完成任务，我们的最终输出是让Agent生成代码，做表格+总结输出：

背后干了几件事：

任务：获取过去1年中国广东的GDP并绘制一张图表

动作一：收集过去1年广东的GDP数据(Agent 1)

动作二：总结收到的数据(Agent 2)

动作三：根据数据生成创建图表的代码(Agent 3)

动作四：根据图表和数据做最终回复(Agent 4)

雄哥会把这些组件拆开，组成一个MAS(简易版)，实践的环境，如下：

操作系统：无要求，雄哥win11

代码环境：minidonda、jupyter

大模型：openai api（当然可以本地啦）

Agent框架：LangChain、 CrewAI

需要你在本地搭建好AI环境，还未搭建，在这里快速搭建！

所有的实践代码，都已经上传到会员盘（百度），如果你还不是会员，在末尾联系工程师，即可申请加入，加入后就能看到代码，也可以直接找到雄哥；

创建conda环境！

指定mas名称，3.10的Python版本，注意，每一个实践，你都应该是独立的环境，否则容易有依赖版本冲突；

习惯用其他的环境管理工具？怎么顺手怎么来！

新手跟着雄哥走即可！打开conda窗口，输入：

conda create --name mas python=3.10

激活进入mas环境！

conda activate mas

cd进入代码目录

这里要进入你放代码的目录，雄哥放在F:\mas，方便后面打开；

cd F:\mas

安装jupyter

这是一个交互式的工具，可以看到每一行代码的执行结果！

conda install jupyter

进入jupyter环境！

输入以下指令，他会自动跳转到浏览器

jupyter notebook

双击打开代码！

现在开始，正式进入代码环节，这里，雄哥会拿一些核心的代码出来，演示他背后的重要节点，是怎样做的。

添加共享记忆！

agent_executor = create_react_agent(model, tools, checkpointer=memory)``   ``config = {"configurable": {"thread_id": "123"}}``   ``for chunk in agent_executor.stream(`    `{"messages": [HumanMessage(content="我是一意AI，一个长期专注AI工程师培养、AI技术支撑、降本增效，始终陪伴伙伴持续成长的学习平台")]}, config``):`    `print(chunk)`    `print("----")

测试是否成功，问：我是谁？

回答：

你好，很高兴认识你，一意AI。我会尽我所能为你提供帮助。你有什么问题或者需要我做什么吗？

创建Agent的函数和提示词！

def create_agent(llm, tools, system_message: str):`    `"""Create an agent."""`    `prompt = ChatPromptTemplate.from_messages(`        `[`            `(`                `"system",`                `" 你是一个有帮助的AI助手，与其他助手协作."`                `" 使用提供的工具来推动回答问题."`                `" 如果你无法完全回答，也没关系，其他具有不同工具的助手会接着你未完成的部分进行帮助."`                `" 尽你所能地执行，以取得进展."`                `" 如果你或其他助手有最终答案或交付成果，请在你的回应前加上[最终答案]."`                `" 这样团队就知道可以停止了."`                `" 你可以使用以下工具: {tool_names}.\n{system_message}",`            `),`            `MessagesPlaceholder(variable_name="messages"),`        `]`    `)`    `prompt = prompt.partial(system_message=system_message)`    `prompt = prompt.partial(tool_names=", ".join([tool.name for tool in tools]))`    `return prompt | llm.bind_tools(tools)

定义了create_agent 的函数，用于创建一个AI助手

该函数接受三个参数：llm、tools、system_message

函数的主要作用是：使用 ChatPromptTemplate.from_messages 创建一个提示模板，这个模板包含了系统信息和消息占位符。

系统信息部分定义了AI助手的行为准则，包括与其他助手协作、使用提供的工具来回答问题，并在找到最终答案时在回应前加上特定的标记。

将系统消息和工具名称动态地插入到提示模板中。

创建tool！

注意啊，这个tool是可以直接生成代码+执行代码，可能会搞坏你本地环境，注意使用！不要搞花哨操作！

@tool``def python_repl(`    `code: Annotated[str, "生成图表的Python代码."],``):`    `"""如果你想要查看一个值的输出，使用这个来执行Python代码`    `你应该使用 print(...) 将其打印出来。这是用户可见的."""`    `try:`        `result = repl.run(code)`    `except BaseException as e:`        `return f"Failed to execute. Error: {repr(e)}"`    `result_str = f"Successfully executed:\n```python\n{code}\n```\nStdout: {result}"`    `return (`        `result_str + "\n\nIf 你已经完成了所有任务，合成最终答案.")

这里是告诉Agent，可以直接生成Python代码，并且执行，生成图表；

创建Agent状态的数据结构！

class AgentState(TypedDict):`    `messages: Annotated[Sequence[BaseMessage], operator.add]`    `sender: str

定义 AgentState 的类型字典类，继承自 TypedDict。

TypedDict 是一个在Python中用于类型注解的特殊类型，用户可定义字典的键及其对应的类型。

在 AgentState 类中，定义了两个键：

messages：这是一个键，其值被注解为 Sequence[BaseMessage]，并且使用了 operator.add 作为额外的注解。这表示 messages 键的值应该是一个 BaseMessage 对象的序列（比如列表或元组），并且暗示了可能会对这个序列使用加法操作（例如，将两个消息序列合并）。

sender：这是一个键，其值被注解为 str，表示 sender 键的值应该是一个字符串，用于表示消息的发送者。

定义Agent！

# 数据采集agent``research_agent = create_agent(`    `llm,`    `[tavily_tool],`    `system_message="你应该为 chart_generator 提供准确的数据以供使用.",``)``research_node = functools.partial(agent_node, agent=research_agent, name="Researcher")``# 图表生成agent``chart_agent = create_agent(`    `llm,`    `[python_repl],`    `system_message="你展示的任何图表都将被用户看到.",``)``chart_node = functools.partial(agent_node, agent=chart_agent, name="chart_generator")

定义边和创建逻辑！

# 任何一个代理都可以决定结束``from typing import Literal``   ``def router(state) -> Literal["call_tool", "__end__", "continue"]:`    `# 路由`    `messages = state["messages"]`    `last_message = messages[-1]`    `if last_message.tool_calls:`        `# 前一个代理正在调用一个工具`        `return "call_tool"`    `if "FINAL ANSWER" in last_message.content:`        `# 任何代理都决定工作已经完成`        `return "__end__"`    `return "continue"

任务是否完成，现在执行的状态如何，非常重要！

如果上一个代理正在调用一个工具（绑定到代理的 llm），那么它会将状态更新为"call_tool"

如果上一个代理没有"call_tool"，建议它更新状态：已完成其工作并且最终答案已准备就绪，则会将状态更新为 END

否则，它将更新 state 以继续

好啦！

现在开始输入一个任务！

events = graph.stream(`    `{`        `"messages": [`            `HumanMessage(`                `content="获取过去1年中国广东的GDP并绘制一张示意图"`            `)`        `],`    `},`    `# M在图中要采取的最大步骤数`    `{"recursion_limit": 150},``)``for s in events:`    `print(s)`    `print("----")

你就可以看到下图的输出过程了

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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-3.5 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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】