代理人工智能的系统思考

构建真正的人工智能代理系统，而不是脆弱的演示。

《代理 AI 的系统思考》是一本实用的架构书籍，适合想要使用大型语言模型设计可投入生产的应用程序的软件工程师、后端开发人员、技术主管和架构师。

法学硕士很强大，但法学硕士本身并不是一个系统。真正的人工智能应用程序需要提示、检索、工具、内存和编排与护栏、评估、可观察性和运行时控制一起工作——所有这些都在明确的工程边界内。

本书解释了如何从简单的聊天机器人实验转向可靠的人工智能软件系统。它重点关注演示工作后重要的生产现实：延迟、成本、故障处理、工具执行、结构化输出、测试、跟踪、安全控制和可维护性。

这本书适合谁

本书适合想要构建实用人工智能系统的软件工程师、后端开发人员、技术主管和软件架构师。您不需要机器学习背景。如果您已经在构建后端服务时考虑到 API、分布式系统和系统设计，那么本书可以帮助您将这些技能直接扩展到人工智能驱动的系统中。

你将学到什么

• 法学硕士如何通过标记、嵌入和转换器处理语言
• 如何通过提示、结构化输出和解码策略（例如温度、top-k 和 top-p）来控制模型行为
• 如何通过函数调用、工具集成和模型上下文协议 (MCP) 将法学硕士连接到生产系统
• 如何使用嵌入、检索和向量数据库构建 RAG 管道
• 如何通过规划、内存、编排和受控执行来设计代理工作流程
• 如何使用护栏、验证、权限和人工审批边界
• 如何评估质量、降低幻觉风险并构建回归测试
• 如何通过日志、指标、跟踪和工具调用检查来监控和调试 AI 系统
• 如何推理性能、成本、扩展、超时、重试和后备设计
• 如何使用 Spring Boot 实现端到端代码审查代理

为什么这本书存在

许多开发人员都知道如何调用 AI API。知道如何围绕它设计可靠系统的人要少得多。这个差距就是许多人工智能项目开始失败的地方。

提示变成了试错实验。幻觉让人感觉不可预测。添加检索时没有充分关注分块、排名或基础。在验证和故障处理明确之前就已连接工具调用。在工作流程已经很难调试之后，可观察性来得太晚了。

这些通常不是模型问题。它们是系统设计问题。生产型人工智能软件仍然需要边界、可信数据流、验证、编排、评估、监控和操作控制。

如果您正在构建人工智能驱动的软件并希望它在生产中实际运行，那么这就是您的工程指南。