AI Agents in Action (2nd Edition) | AI 智能体实战 · 第二版

本项目是 Manning 出版社经典著作《AI Agents in Action》（第二版）的中文译本。本书是一本专注于智能体系统构建与应用的实战指南，其核心目标不仅在于打造自主实体，更在于开发能够切实应对并解决现实业务问题的生产级智能体。

GitHub Repository Cover

• 原书作者 (Author): Michael Lanham
• 出版社 (Publisher): Manning Publications
• 原书链接 (Original Book): Manning - AI Agents in Action, Second Edition
• GitHub 仓库: yixiangshijie/ai-agents-in-action-2nd-edition-cn

全书从大语言模型（LLM）的基础应用出发，逐步深入到智能助手、多智能体系统与自主智能体的构建，系统讲解智能体系统的关键组成部分：角色、工具与行动、知识与记忆、检索与增强、推理与规划、评估与反馈。

本书第二版几乎是完全重写，而非在第一版基础上的小幅修订。具体演进方向包括：

• 大幅更新内容：新增九个面向当前工程实践的主题章节，移除了过时内容，其余章节也采用最新的工具与协议进行了全面重构。
• 组织架构重构：第一版提出的“五个功能层”概念在第二版中更加正式化，从第 1 章起即作为前半部分的核心组织原则。
• 聚焦实用落地：第一版侧重于解释智能体得以成立的底层概念；第二版则顺应行业框架的发展趋势，不再纠缠于繁琐的内部实现细节，更聚焦于如何构建能直接投入生产的智能体系统。
• 引入前沿专题：专章介绍了 MCP 协议（Model Context Protocol）与 Docker 分布式编排部署，并深度覆盖了多智能体工作流、测试驱动的智能体开发（TDAD）、RAG 智能体、深度研究智能体、智能体循环与元认知等前沿主题。

• 第 1 章：AI 智能体的崛起
  • 智能体与智能体思维（Agentic Thinking）的定义
  • 模型上下文协议（MCP）简介
  • 构成智能体的五个功能层
  • 从单一助手（Assistants）到复杂智能体系统的演进
• 第 2 章：核心组件：大语言模型、提示词与智能体
  • 大语言模型作为概率性令牌（Token）机器的本质
  • 通过提示工程（Prompt Engineering）精确控制 LLM 输出
  • 使用 OpenAI Agents SDK 构建智能体
  • 通过工具集成（Tools Integration）增强智能体能力

• 第 3 章：AI 智能体的 MCP 操作
  • MCP 架构深度解析：客户端、服务器与服务
  • 上手与操作 MCP 服务器
  • 构建自定义 MCP 服务器
  • 使智能体与外部系统实现无缝交互
• 第 4 章：架构与构建多智能体系统
  • 流（Flows）、编排（Orchestration）与协作（Collaboration）的基本架构
  • 平衡“智能体”与“智能体流”的关系
  • 管理智能体之间的交接（Handovers）
  • 使用护栏（Guardrails）验证智能体流的安全性

• 第 5 章：智能体推理与规划
  • 思维链（CoT）与 ReAct 范式
  • 指导智能体进行多步推理与长程规划
  • 高级规划策略详解
  • 利用顺序思考（Sequential Thinking）MCP 服务器提升自主解决问题能力
• 第 6 章：为智能体处理记忆与知识 RAG
  • 利用向量数据库与相似性搜索摄取外部文档
  • 将检索机制作为智能体的动态知识来源
  • 将检索机制作为智能体的长期记忆来源
  • 通过 MCP 回忆与追溯之前的交互历史
• 第 7 章：通过评估与反馈构建稳健的智能体
  • 测试驱动的智能体开发 (TDAD) 流程
  • 基础化智能体（Grounding Agents）与批评者智能体（Critic Agents）的协同
  • 使用 Phoenix 框架进行全面评估与反馈
  • 构建生产级可靠智能体的实践方法

• 第 8 章：部署智能体与智能体系统
  • 将智能体无缝嵌入现有的应用程序
  • 将智能体作为微服务进行暴露
  • 使用 Docker 将智能体系统部署到分布式生产环境
  • 安全、保障与合规治理的关键考量
• 第 9 章：理解智能体循环
  • 内部 SPAL 循环、外部任务循环与元循环（Meta-Loops）
  • 构建深度研究（Deep Research）智能体
  • 实现多智能体编排循环
  • 构建自主协作的智能体循环
• 第 10 章：探索会思考、监控和适应的认知智能体
  • 认知（Cognition）与元认知（Metacognition）作为智能体工程概念的引入
  • 将认知科学理论映射到认知智能体架构中
  • 实现元认知过程
  • 使智能体能够思考自身思维、监控表现并自主调整策略
• 第 11 章：构建智能体系统的实用技巧
  • 按五个智能体层组织的实战经验总结
  • 客户支持智能体（Customer Support Agent）角色指南
  • RAG 智能体系统设计模式
  • 深度研究智能体蓝图与综合实战示例

• 附录 A：设置示例代码仓库
• 附录 B：为本地 MCP 服务器设置 Node.js 环境

你可以直接在线阅读本项目，也可以通过克隆仓库并在本地启动预览服务：

# 方式一（推荐，macOS/Linux 自带 Python）
python3 -m http.server 3000

# 方式二（需 Node.js 环境）
npx serve -l 3000 .

启动后，在浏览器中打开 http://localhost:3000/ 即可开始阅读。

• AI 工程师：学习如何构建、测试和部署生产级的 AI 智能体系统。
• 软件开发者：快速掌握智能体开发的核心技术栈（如 MCP 协议、LangChain、SDKs）。
• 产品经理：深度理解智能体的技术边界、实际落地能力及行业应用场景。
• 研究人员：探索认知智能体、多智能体协作及元认知控制等前沿架构。
• 高校学生：系统性掌握 AI 智能体从理论到产业实战的完整路径。

1. 循序渐进：建议按照章节顺序阅读，前期的功能层基础和组件介绍是后续高级章节的基石。
2. 动手实践：书中各章节配有丰富的实战代码，推荐读者在本地环境运行并调试。
3. 双语对照：对于复杂或新兴的专业技术术语，建议对照英文原版进行理解。
4. 案头手册：在实际开发智能体项目时，本书可作为系统性的架构设计与模式参考手册。

欢迎中文 AI 社区的开发者共同完善本项目！你可以通过以下方式参与：

1. 错误报告：指出译文中的错别字、翻译疏漏或排版问题。
2. 翻译改进：针对晦涩难懂的专业术语或句子，提供更地道的中文表达。
3. 校对审阅：协助对已翻译好的章节进行质量把关。
4. 术语建设：在 Issue 中提出并讨论行业标准术语的统一译法。

贡献步骤： Fork 本仓库 $\rightarrow$ 创建特性分支 git checkout -b feature/your-contribution $\rightarrow$ 提交更改 git commit -m 'Add: your contribution' $\rightarrow$ 推送到分支 git push origin feature/your-contribution $\rightarrow$ 创建 Pull Request。

• 原书版权：原书《AI Agents in Action, Second Edition》的版权归作者 Michael Lanham 及 Manning Publications 出版社所有。建议有条件的读者购买正版原著支持作者。
• 翻译版权：本翻译项目基于 CC BY-NC 4.0（署名-非商业性使用 4.0 国际）协议开源。本译作仅用于个人学习与学术交流，禁止任何形式的商业用途。
• 免责声明：本项目属于非官方的社区翻译，并不代表原作者及 Manning 出版社的官方立场。如有侵权，请联系删除。

• 原书官网: Manning - AI Agents in Action, Second Edition
• 配套代码仓库: AI-Agent-Workflows

• 从理论走向生产：本书不再局限于智能体概念的科普，而是全面转向工业级落地，提供从本地测试（TDAD）到分布式部署（Docker）的完整工程闭环。
• 五大功能层骨架：全书基于“角色、工具与行动、知识与记忆、推理与规划、评估与反馈”五个核心层，解构了构建复杂智能体系统的标准方法。
• 紧跟最新技术生态：首次将 Model Context Protocol (MCP) 作为核心协议引入智能体交互，提供标准化的外部数据与工具调用方案。
• 认知与元认知系统：引入了认知科学理论，设计了能够实现“思考自身思维、自我监控并自适应策略”的高阶认知智能体（Cognitive Agents）。