Generative AI Course（生成式 AI 入门课程）
这是一门专为初学者设计的全面而实用的生成式 AI 课程，无论你是刚接触 AI 的开发者，还是希望将 AI 技术应用到实际项目中的工程师，都能从中获得扎实的知识基础和实践能力。
《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》是由前谷歌工程师 Antonio Gulli 撰写的一本系统性介绍 AI 智能体（Agent）架构设计的技术书籍。它深入剖析了现代智能体系统的构建方法，涵盖从基础任务分解到复杂多智能体协作的完整设计体系。
目前，该项目由开发者 ginobefun 主导完成中英文对照翻译，已在 GitHub 开源，成为中文社区了解和实践 Agent 架构的重要参考资料。
📚 原书作者：Antonio Gulli（曾任 Google Cloud AI 高级工程总监）
为什么需要智能体设计模式？
随着大模型能力提升，单纯的 Prompt 工程已无法满足复杂应用场景的需求。我们需要更结构化、可复用、可维护的方式来构建智能体系统。
这就像软件开发中的“设计模式”之于程序架构——《智能体设计模式》为 AI 系统提供了可复制的最佳实践模板，帮助开发者：
- 避免重复造轮子
- 提升系统稳定性与可扩展性
- 实现任务自动化、自我修正与协同决策
本书共梳理 21 个核心设计模式，分为五大类别，覆盖智能体开发全生命周期。
五大类智能体设计模式概览
一、核心模式 | Core Patterns
这些是构建任何智能体的基础组件。
| 模式 | 说明 |
|---|---|
| 提示链（Prompt Chaining） | 将复杂任务拆解为多个子步骤，前序输出作为后续输入，形成流水线式处理流程 |
| 路由（Routing） | 根据上下文动态选择执行路径，例如判断是否调用工具、切换专家模型等 |
| 并行化（Parallelization） | 同时执行多个独立任务，提升响应效率，适用于信息收集或多方案对比 |
| 反思（Reflection） | 智能体对自身输出进行评估与修正，实现“思考后再回答”的闭环机制 |
| 工具使用（Tool Use） | 调用外部 API、数据库或本地函数，突破模型原生能力边界 |
| 规划（Planning） | 在执行前制定多步行动计划，支持回溯调整与目标追踪 |
| 多智能体（Multi-Agent） | 多个角色分工协作（如经理、研究员、审核员），模拟组织运作 |
✅ 典型应用：一个自动调研系统可结合「规划 + 工具使用 + 反思」完成端到端报告生成。
二、高级模式 | Advanced Patterns
用于增强长期记忆与适应能力。
| 模式 | 说明 |
|---|---|
| 记忆管理（Memory Management） | 区分短期记忆（会话上下文）与长期记忆（向量数据库），支持上下文持久化 |
| 学习与适应（Learning and Adaptation） | 从历史交互中提取规律，优化未来行为策略 |
| 模型上下文协议（MCP） | 定义标准化的消息格式与通信规则，便于模块间集成 |
| 目标设定与监控（Goal Setting and Monitoring） | 设定阶段性目标，并持续跟踪进度与偏差 |
三、集成模式 | Integration Patterns
连接人与系统的关键桥梁。
| 模式 | 说明 |
|---|---|
| 异常处理与恢复（Exception Handling） | 处理超时、API 错误、无效响应等情况，保障系统健壮性 |
| 人机协作（Human-in-the-Loop） | 在关键节点引入人工确认或干预，平衡自动化与安全性 |
| 知识检索（RAG） | 结合检索增强生成技术，提升回答准确性与事实一致性 |
四、生产模式 | Production Patterns
面向实际部署的工程考量。
| 模式 | 说明 |
|---|---|
| 智能体间通信（A2A） | 定义智能体之间的消息传递机制，支持事件驱动架构 |
| 资源感知优化（Resource-Aware Optimization） | 控制 token 消耗、延迟、成本等关键指标 |
| 推理技术（Reasoning Techniques） | 应用 CoT、ToT、ReAct 等增强逻辑推理能力 |
| 护栏/安全模式（Guardrails） | 设置内容过滤、权限控制、合规检查等安全边界 |
| 评估与监控（Evaluation & Monitoring） | 建立指标体系，持续衡量准确率、成功率、用户体验 |
| 优先级排序（Prioritization） | 对并发任务进行重要性分级，合理分配计算资源 |
| 探索与发现（Exploration and Discovery） | 支持智能体主动发现新工具、数据源或协作对象 |
📖 如何使用这本书？
✅ 适合读者
- AI 工程师：构建稳定可靠的 Agent 系统
- 软件架构师：设计模块化、可扩展的智能体架构
- 产品经理：理解技术边界，定义合理产品需求
- 研究人员：掌握前沿 Agent 架构范式
- 学生与初学者：系统学习智能体核心技术栈
💡 阅读建议
- 按章节顺序阅读：后文常引用前文概念，建议循序渐进。
- 动手实践代码示例：书中每个模式均配有 Python 示例，推荐在 Jupyter 或本地环境中运行验证。
- 作为参考手册查阅：可针对具体问题（如“如何实现错误恢复？”）快速定位对应模式。
- 参与社区讨论：GitHub Issues 和 Discussions 区欢迎提问、纠错与贡献译文。
数据统计
相关导航
Google Skills
想快速掌握 AI 和云端技术？Google Skills 来帮你！这不是普通的课程网站，而是一个超完整的技能培养平台，拥有 3000+ 课程和实战实验室。最酷的是它的「边做边学」理念，每个课程都配备真实的 Google Cloud 实操环境。告别枯燥理论，直接上手实践，学习效率和记忆效果直接拉满！从零开始，一步步打造你的技术实力。
how-to-build-a-coding-agent
你不需要是 AI 专家——只要跟着每一步操作，就能亲手做出一个能读代码、改文件、执行命令，甚至搜索整个代码库的智能代理。
Learn About
谷歌的 Learn About 是一个实验性的 AI 驱动对话式学习工具，帮助用户以适应性、吸引人的方式探索和理解新主题，作为个性化的学习伴侣。
nanochat
nanochat 是一个全栈、端到端、极简可黑客的开源项目，让你用约 100 美元在单台 8×H100 GPU 服务器上，从零训练并部署一个类 ChatGPT 的小型语言模型（LLM）。
Awesome Repositories Collection
一个精心策划的多语言精选工具、实用程序和技术资源合集，专为开发人员、系统管理员和研究人员设计。此仓库汇集了经过实战检验的开源项目，涵盖开发工具、AI/ML、系统监控、安全、容器化和自动化等领域。每项工具均基于活跃维护、清晰文档和实际适用性进行挑选。
Awesome Data Agents
这是一个精选精选数据Agent相关论文和资源的GitHub库，大语言模型（LLMs）的演进推动了“数据智能体”（Data Agent）概念的兴起——这类系统试图将数据操作与 AI 智能结合，以自主完成复杂的数据任务。然而，“数据智能体”一词目前缺乏统一定义：有人将其用于指代简单的 SQL 问答工具，有人则用它描述能自主规划、执行、验证全流程的 AI 系统。
AI 应用开发课程
该课程专为希望使用OpenAI模型和工具构建生产就绪人工智能应用的开发者和技术学习者设计。学习基础概念以及如何将其融入你的应用中，评估性能，并实施最佳实践，以确保你的人工智能解决方案稳健且可大规模部署。
暂无评论...
