Agent 设计模式 - 19 评估与监控
第 19 章：评估和监控
本章探讨了使智能 Agent 能够系统地评估其性能、监控目标进展以及检测操作异常的方法论。虽然第 11 章概述了目标设定和监控，第 17 章讨论了推理机制，但本章侧重于持续的、通常是外部的、对 Agent 有效性、效率和合规性要求的测量。这包括定义指标、建立反馈循环以及实施报告系统，以确保 Agent 性能在操作环境中与期望保持一致（见图 1）。
图 1：评估和监
Agent 设计模式 - 18 安全护栏模式
第 18 章：Guardrails/安全模式
Guardrails（防护栏），也称为安全模式，是确保智能 Agent 安全、符合道德规范并按预期运行的关键机制，特别是在 Agent 变得更加自主并集成到关键系统中的情况下。它们作为保护层，引导 Agent 的行为和输出，防止有害、有偏见、无关或其他不良响应。这些防护栏可以在多个阶段实施，包括输入验证/清理以过滤恶意内容、输出过滤/后处理以分析生成
Agent 设计模式 - 17 推理技术
第 17 章：推理技术
本章深入探讨智能 Agent 的高级推理方法，重点关注多步骤逻辑推理和复杂问题解决。这些技术超越了简单的顺序操作，使 Agent 的内部推理过程变得透明可见。通过这种方式，Agent 能够将复杂问题分解为更小的子问题、考虑中间推理步骤，并得出更加可靠和准确的结论。这些高级方法的核心原则是在推理过程中分配更多的计算资源。这意味着给予 Agent 或其底层 LLM 更多的处理
Agent 设计模式 - 16 资源感知优化
第 16 章：资源感知优化
资源感知优化使智能 Agent 能够在运行过程中动态监控和管理计算、时间和财务资源。这与简单的规划不同，后者主要关注动作序列的安排。资源感知优化要求 Agent 就动作执行做出决策，以在指定的资源预算内达成目标或优化效率。这涉及在更准确但昂贵的模型与更快速、成本更低的模型之间进行权衡，或者决定是否分配额外的计算资源以获得更精细的响应，还是返回更快但细节较少的答案。
Agent 设计模式 - 15 Agent间通信-A2A
第 15 章：Agent 间通信（A2A）
尽管单个 AI Agent 具备先进能力，但在处理复杂、多方面问题时仍然常常面临局限性。为了克服这一限制，Agent 间通信（A2A）使得不同 AI Agent（可能基于不同框架构建）能够进行有效协作。这种协作涉及无缝协调、任务委派和信息交换。
Google A2A 协议是一个旨在促进此类通用通信的开放标准。本章将探讨 A2A 的基本概念、实际应用以
Agent 设计模式 - 14 知识检索-RAG
第 14 章：知识检索（RAG）
LLM 在生成类人文本方面展现出了强大的能力。然而，它们的知识库通常局限于训练时使用的数据，这限制了它们对实时信息、特定公司数据或高度专业化细节的访问。知识检索（RAG，即检索增强生成）技术正是为了解决这一局限性而设计的。RAG 使 LLM 能够访问和整合外部信息、实时数据和特定上下文内容，从而显著提高其输出的准确性、相关性和事实基础。
对于 AI Agent
Agent 设计模式 - 13 人机协同
第 13 章：人机协同
人机协同（Human-in-the-Loop，HITL）模式在 Agent 的开发和部署中扮演着关键战略角色。它巧妙地将人类认知的独特优势——如判断力、创造力和细致入微的理解——与 AI 的计算能力和效率相结合。这种战略整合不仅是可选方案，在许多情况下更是必要之举，尤其是在 AI 系统日益深入关键决策过程的当下。
HITL 的核心原则在于确保 AI 在道德边界内运行，遵
Agent 设计模式 - 12 异常处理与恢复
第 12 章：异常处理和恢复
要使 AI Agent 在各种现实世界环境中可靠运行，它们必须能够管理不可预见的情况、错误和故障。正如人类能够适应意外障碍一样，智能 Agent 需要强大的系统来检测问题、启动恢复程序，或至少确保受控失败。这一基本需求构成了异常处理和恢复模式的基础。
此模式专注于开发异常耐用且有弹性的 Agent，使其能够保持不间断的功能和操作完整性，即使面临各种困难和异常情况。