ai-agent-book: 设计与实现生产级 AI Agent 的全面工程指南与代码库

它解决了什么问题

该仓库是《Understanding AI Agents: Design Principles and Engineering Practice》一书的全面开源配套资源。它通过提供结构化的学习路径、完整的书籍文本以及涵盖整个 Agent 生命周期（从基础的提示工程到复杂的多 Agent 编排）的海量可执行示例库，弥补了理论 Agent 设计与实际落地之间的鸿沟。

工作原理

该项目围绕核心公式 Agent = LLM + Context + Tools 展开。它提供了按章节分类的模块化项目集合：

• Context Engineering：实现 KV Cache 优化、上下文压缩和提示注入防御。
• Memory & Knowledge：构建 RAG 流水线、长期用户记忆系统和结构化索引（GraphRAG/RAPTOR）。
• Tooling：实现用于感知、执行和协作的 Model Context Protocol (MCP) 服务端，以及异步 Agent 框架。
• Coding Agents：提供生产级的编程助手和利用代码解决数学与逻辑问题的工具。
• Evaluation：为终端自动化（Terminal-Bench）、软件工程（SWE-bench）和操作系统级任务（OSWorld）提供基准测试。
• Post-Training：包含关于 SFT、RLHF 和自适应推理深度（AdaptThink）的实验。
• Self-Evolution：实现从成功轨迹中学习并进行自主工具发现的闭环机制。
• Multimodal Interaction：涵盖实时语音对话、“Computer Use”浏览器自动化以及端到端语音模型。
• Multi-Agent Collaboration：展示了专门的 Agent（例如电话 Agent 和计算机 Agent）直接通信以解决任务的架构。

适用人群

• AI Engineers：希望从简单的提示词转向构建生产级 Agentic 系统的工程师。
• Researchers：对 RAG、工具使用和模型后训练的工程权衡感兴趣的研究人员。
• Developers：想要通过真实的工程代码示例来动手构建自主 Agent 的开发者。

亮点

• 全面覆盖：涵盖从基础 LLM 服务到高级自进化 Agent 的所有内容。
• 实用落地：包含可与真实 LLM API 集成的“即插即用”演示示例。
• 多样化工具：广泛使用 Model Context Protocol (MCP) 进行标准化的工具集成。
• 评估驱动：重点关注 Agent 性能的定量基准测试和成本分析。
• 多语言支持：书籍内容提供中文、英文、越南语和泰米尔语版本。