ai-agent-book: 設計與實作生產級 AI Agent 的全面工程指南與程式碼庫

它解決了什麼問題

這個儲存庫是《Understanding AI Agents: Design Principles and Engineering Practice》一書的全面開源配套資源。它透過提供結構化的學習路徑、完整的書籍文本，以及涵蓋整個 Agent 生命週期的龐大可執行範例庫——從基礎的提示工程到複雜的多 Agent 編排——來彌補理論設計與實際實作之間的差距。

運作原理

該專案圍繞核心公式 Agent = LLM + Context + Tools 進行組織。它提供了一系列按章節分類的模組化專案集合：

• Context Engineering: 實作了 KV Cache 優化、上下文壓縮以及提示注入防禦。
• Memory & Knowledge: 建立 RAG 管線、長期用戶記憶系統以及結構化索引 (GraphRAG/RAPTOR)。
• Tooling: 除了非同步 Agent 框架外，還實作了用於感知、執行與協作的 Model Context Protocol (MCP) 伺服器。
• Coding Agents: 提供生產級的程式碼助手與工具，利用程式碼來解決數學與邏輯問題。
• Evaluation: 為終端機自動化 (Terminal-Bench)、軟體工程 (SWE-bench) 以及作業系統層級任務 (OSWorld) 提供基準測試。
• Post-Training: 包含關於 SFT、RLHF 以及自適應推理深度 (AdaptThink) 的實驗。
• Self-Evolution: 實作了從成功軌跡中學習以及自主工具發現的迴圈。
• Multimodal Interaction: 涵蓋即時語音對話、「Computer Use」瀏覽器自動化以及端到端語音模型。
• Multi-Agent Collaboration: 展示了專業化 Agent（例如電話 Agent 與電腦 Agent）直接溝通以解決任務的架構。

對象是誰

• AI Engineers 尋求從簡單的提示詞轉向生產就緒的 Agentic 系統。
• Researchers 對於 RAG、工具使用以及模型後訓練的工程權衡感興趣。
• Developers 想要透過真實世界的程式碼範例，獲得建立自主 Agent 的實作指南。

重點亮點

• 全面範圍: 涵蓋從基礎 LLM 服務到進階的自我進化 Agent。
• 實用實作: 包含可與真實 LLM API 整合的「即開即用」示範。
• 多樣化工具: 大量使用 Model Context Protocol (MCP) 進行標準化工具整合。
• 評估驅動: 強烈關注 Agent 效能的定量基準測試與成本分析。
• 多語言支持: 書籍內容提供中文、英文、越南文與泰米爾文版本。