常见问题解答：Agentic 设计模式 什么是"Agentic 设计模式"？ Agentic 设计模式是可复用的高层解决方案，用于应对构建智能自主系统（Agent）时的常见挑战。这些模式为设计 Agent 行为提供结构化框架，其作用类似于传统编程中的软件设计模式。它们助力开发者构建更稳健、可预测且高效的 AI Agent。 本指南的核心目标是什么？ 本指南致力于提供设计与构建 Agentic

第 1 章：提示词链 提示词链模式概述 提示词链（Prompt Chaining），有时称为管道模式（Pipeline pattern），是利用大型语言模型(LLM)处理复杂任务时的强大范式。该方法摒弃了让LLM在单一整体化步骤中解决复杂问题的做法，采用分而治之策略：将原始复杂问题分解为更小、更易管理的子问题序列，每个子问题通过专门设计的提示词单独处理，输出作为输入传递给链中后续提示词。 这

Agent 设计模式 构建智能系统的实战指南，作者：[Antonio Gulli] 第一部分：核心模式（103页） 提示链（12页） 路由决策（13页） 并行执行（15页） 反思优化（13页） 工具调用（20页） 任务规划（13页） 多 Agent 协作（17页） 第二部分：认知机制（61页） 记忆管理（21页） 学习与适应（12页） 模型上下文协议(MCP)

人工智能 Agent 的浪潮正席卷而来，它承诺了一个能够自主理解、规划并执行复杂任务的未来。然而，从酷炫的 Demo 到稳定可靠的生产环境应用，中间隔着一道巨大的鸿沟。构建一个真正高效、稳定且经济的 Agent，其实是一场回归工程本质的实践。

尽管如GPT-4和Gemini等基础模型已在通用语言理解方面设立了新的行业标杆 ，但它们在需要深度领域知识的专业领域中，其表现常常不尽如人意。 当面临数学、医学、法律及金融等专门任务时，这些模型时常表现不佳，因为这些领域高度依赖特定的专业知识。 传统上，为了让这些模型适应特定领域，最直接的方法是使用大规模的人类标注数据进行微调。然而，这一过程不仅成本高昂、耗时漫长，而且在许多实际应用场景中

从InstructGPT (2022.1)到Deepseek R1(2024.4)，从RLHF到GRPO，强化学习在LLM领域愈发重要，本文简单说明了强化学习中的一些常见概念，包括策略函数、优势函数、KL散度惩罚、PPO与GRPO，供大家简单入门

MCP是一种新型的agent通信协议，其突出贡献是统一了各模型厂商的function call各不相同的局面。这里基于windows11 和python 3.11环境对MCP的使用作简单示例（模型调用的是类openai API的格式，现在各大厂商一般都支持）。 接下来让我们5分钟上手mcp：

引言 在人工智能技术快速发展的今天,我们见证了一场前所未有的技术革命。从最初的机器学习算法到如今风靡全球的大语言模型(LLM),AI技术正在以惊人的速度重塑着我们的工作和生活方式。 本文将带领大家循序渐进地探索AI技术的演进历程和实践应用。分享分为两部分，第一部分主要是从机器学习的基础概念出发,解析其如何一步步发展成为今天强大的语言模型，并针对具体任务给出一个简单示例。第二部分我们将深入剖析L

Celery结合RabbitMQ，可用于AI任务的异步处理、分布式计算、任务调度，广泛应用于模型推理、训练管理、数据预处理等场景。RabbitMQ 负责任务分发，Celery Worker 并行执行，提高系统吞吐量，支持负载均衡、任务重试、定时调度，确保AI任务高效稳定运行，适用于大规模计算和高并发请求处理。

近年来，LLM 经历了快速迭代和演进，逐步缩小了与通用人工智能（AGI）的差距。除了闭源模型外,开源模型阵营也在取得重大进展,包括 DeepSeek 系列、LLaMA 系列、Qwen 系列和 Mistral 系列，这些模型正在努力缩小与闭源模型的性能差距。 为了进一步突破开源模型的能力边界,研究团队开发了 DeepSeek-V3，这是一个基于 MoE 架构的大模型，总参数量达到 671B，其中每