.1.1CoT框架：分步推理28
3.1.2ToT框架：多路径探索式推理31
3.1.3ReAct框架：将Reasoning+Acting结合34
3.2自适应学习38
3.2.1在线微调：人类反馈强化学习38
3.2.2参数高效微调：Adapter与Prefix-tuning43
3.3多Agent协同52
3.3.1角色分工：定义不同Agent的职能52
3.3.2通信协议：基于自然语言或结构化消息56
3.3.3竞争协调：拍卖机制或投票系统62
3.4感知与理解技术73
3.4.1多模态感知73
3.4.2环境建模76
3.5记忆与知识管理80
3.5.1短期记忆80
3.5.2长期记忆85
3.6本章小结95
第4章提示工程96
4.1提示工程概述96
4.2智能体基础架构98
4.3提示设计方法101
4.3.1零样本提示101
4.3.2少样本提示105
4.3.3思维链提示106
4.3.4自洽性提示109
4.4高级提示技术111
4.4.1递归提示111
4.4.2元提示114
4.4.3多智能体协作提示116
4.4.4工具增强提示122
4.5评估与优化128
4.5.1提示效果评估指标128
4.5.2A/B测试方法133
4.5.3自动优化技术140
4.5.4对抗性提示防御145
4.6本章小结149
第5章RAG（检索增强生成）技术150
5.1RAG基础概念150
5.1.1RAG技术概述150
5.1.2RAG架构组成151
5.1.3RAG工作流程152
5.2检索技术153
5.2.1检索方法153
5.2.2向量检索技术155
5.2.3检索优化策略163
5.3生成技术167
5.3.1代码生成技术167
5.3.2文本生成技术170
5.3.3模板生成技术172
5.4知识库构建与管理174
5.4.1数据来源与预处理174
5.4.2知识库更新策略179
5.4.3多模态RAG182
5.5RAG优化与评估185
5.5.1评估指标185
5.5.2端到端优化方法195
5.5.3常见问题与解决方案201
5.6本章小结214
第2部分开发与实践
第6章智能体开发平台简介216
6.1开源平台216
6.1.1LangChain216
6.1.2AutoSpark217
6.1.3AutoGPT217
6.1.4MicrosoftAutogen217
6.1.5MetaGPT218
6.1.6DSPy218
6.1.7AgentVerse218
6.1.8LlamaIndex218
6.1.9HuggingFaceTransformersAgents218
6.1.10SuperAGI218
6.2商业平台218
6.2.1Dify219
6.2.2LlamaIndex219
6.2.3腾讯元器219
6.2.4文心智能体平台（百度）219
6.2.5星辰Agent（科大讯飞）220
6.2.6扣子（Coze）220
6.2.7阿里云AgentScope220
6.3其他平台221
6.3.1CrewAI221
6.3.2MaxKB221
6.3.3FastGPT221
6.3.4HuggingFaceAgentHub222
6.3.5NVIDIAOmniverseAgent222
6.3.6AutoGen222
6.4本章小结223
第7章智能体开发流程224
7.1需求分析与规划224
7.2设计与开发阶段管理225
7.3测试与部署策略226
7.4本章小结228
第8章基于LangChain的智能体开发229
8.1LangChain框架简介229
8.1.1LangChain的框架架构229
8.1.2LangChain的基本模块230
8.1.3LangChain的基本应用场景232
8.2LangChain框架的输入输出234
8.2.1提示234
8.2.2语言模型234
8.2.3输出解析器235
8.3LangChain框架的链和表达式语言236
8.3.1LangChain框架中的链236
8.3.2LangChain表达式语言237
8.3.3LCEL中的RunnableLambda238
8.3.4LCEL中的RunnableSequence238
8.3.5LCEL中的RunnableParallel240
8.3.6LCEL中的RunnablePassthrough242
8.3.7LCEL中的RunnableBranch242
8.4LangChain框架中的记忆243
8.4.1记忆的概念243
8.4.2BaseChatMessageHistory接口及其子类243
8.4.3RunnableWithMessageHistory244
8.4.4基于LangChain的聊天机器人245
8.5LangChain框架中的检索增强生成246
8.5.1检索增强生成介绍246
8.5.2索引、检索和生成248
8.5.3文档和文档加载器250
8.5.4TextLoader、WebBaseLoader和pypdfLoader251
8.5.5分割器和递归字符文本分割器252
8.5.6嵌入模型252
8.5.7向量存储库253
8.5.8检索器254
8.6LangChain框架中的智能体258
8.6.1人工智能代理介绍258
8.6.2LangChain中的AIAgent实现方式259
8.6.3多智能体框架LangGraph介绍259
8.6.4多智能体框架LangGraph中的图259
8.6.5多智能体框架LangGraph中的状态260
8.6.6多智能体框架图中的节点261
8.6.7多智能体框架LangGraph中的边262
8.6.8多智能体框架LangChain中的工具263
8.6.9再审方法265
8.7本章小结268
第9章基于MCP的智能体开发269
9.1MCP基本原理269
9.2单机MCP服务器端搭建270
9.3单机MCP服务端进阶实现与优化274
9.4单机MCP客户端搭建283
9.5MCP智能体开发案例287
9.6本章小结288
第10章基于RAG的问答智能体实战289
10.1系统架构289
10.2核心功能模块设计291
10.3本地部署和云部署293
10.4完整代码及运行结果293
10.5本章小结300
第11章多模态电商客服机器人实战301
11.1系统架构301
11.2核心功能模块设计302
11.3完整代码及运行结果304
11.4本章小结310
第3部分优化与应用
第12章智能体性能优化与调试技巧312
12.1性能瓶颈分析方法312
12.2调试工具与策略314
12.3优化实践案例分享315
12.4本章小结317
第13章智能体部署与实施方法318
13.1部署前的准备318
13.2数据准备319
13.2.1训练数据（部署前模型优化用）319
13.2.2测试数据（部署后效果验证用）320
13.3部署方案选择320
13.3.1本地部署320
13.3.2云端部署320
13.3.3边缘设备321
13.3.4嵌入式部署321
13.3.5专项部署321
13.4轻量化技术322
13.5成本优化策略322
13.4.1算力选型322
13.4.2资源调度323
13.6本章小结323
第14章多模态试驾预约Agent实战324
14.1系统概述324
14.2系统架构325
14.3核心功能模块设计327
14.4核心技术路径分析331
14.5AI试驾预约系统完整实现332
14.6本章小结359
第15章基于RAG的多Agent客户服务系统实战360
15.1系统概述360
15.2系统架构361
15.3核心功能模块设计362
15.3.1核心功能模块设计流程362
15.3.2核心功能模块设计363
15.4实现基于RAG的多Agent客户服务系统364
15.5本章小结373
第16章基于MCP的多Agent旅行规划助手实战374
16.1系统概述374
16.2系统架构374
16.3项目结构375
16.4系统的Agent组成376
16.4.1用户需求分析Agent376
16.4.2目的地推荐Agent384
16.4.3行程规划Agent387
16.4.4预算管理Agent389
16.4.5预订协调Agent391
16.4.6应急规划Agent393
16.5关键技术实现396
16.5.1通信机制396
16.5.2多智能体协作规划算法399
16.5.3冲突解决机制405
16.5.4共享知识库存储历史决策和用户反馈406
16.6旅行规划完整工作流程409
16.6.1主程序调用（方案1：后端FastAPI实现）409
16.6.2主程序调用（方案2：Qwen模型调用+Gradio界面）417
16.7本章小结432
