- 博客(15)
- 收藏
- 关注
RSS订阅原创 第15讲：Agent生产级护航体系——Token成本优化与安全防御机制
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！经过前面十四讲的“打怪升级”，我们的多智能体系统已经成功跑通，并且实现了 Docker 容器化部署。但说实话，很多开发者在把 Agent 推向生产环境时，往往会面临两个极其致命的痛点：一是大模型调用费用像流水一样控制不住，二是稍微遇到一点恶意输入，Agent 就执行了危险操作甚至泄露数据。所以今天作为本专栏的收官之作，我们不讲新框架，直接带你给 Agent 穿上并装上，彻底打通性能优化与安全边界。
2026-06-24 14:52:10
638
原创 第14讲：项目打包与容器化部署——Docker封装与可视化发布
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们已经成功打造了具备异步处理能力的多智能体协作系统（FastAPI + Celery + Redis）。但说实话，很多开发者在本地跑通代码后，一到服务器部署环节就会因为环境不一致、依赖冲突等问题抓狂。所以今天这一讲，我们不整虚的，直接带你把整个 Agent 后端工程进行，并套上一个高颜值的 Streamlit 可视化界面，实现真正的“一键部署”。
2026-06-23 13:13:51
591
原创 第13讲：异步任务队列与长任务处理——Celery + Redis实战
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们使用 FastAPI 将多智能体系统封装为了 RESTful API。但在真实的生产环境中，AI 推理和多智能体协作往往需要几秒甚至几分钟的时间。如果用户在发起请求后一直等待 HTTP 响应，不仅体验极差，还容易导致网关超时（Timeout）或服务器线程阻塞。在这一讲中，我们将引入工业界标准的解决方案：异步任务队列。我们将学习如何使用 结合 ，将耗时的 Agent 任务从 Web 服务中彻底剥离，实现真正的非阻塞架构
2026-06-22 10:51:42
516
原创 第12讲：Agent应用的后端工程化基建——异步并发控制与Web服务化封装
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在本讲中，我们将学习如何将复杂的多智能体协作系统封装为高性能的RESTful API服务，实现从本地脚本到云服务的架构升级。
2026-06-20 09:22:44
647
原创 第11讲：多Agent协作系统设计——角色分工、任务调度与群聊抽象逻辑
研究员 Agent：只负责收集和整理事实信息 researcher_prompt = SystemMessage(content = """你是一个严谨的行业研究员。你的唯一任务是搜集并总结客观事实和数据。不要发表主观评价，不要写文章。请将收集到的信息以要点列表的形式返回。""") # 作家 Agent：只负责基于现有素材进行内容创作 writer_prompt = SystemMessage(content = """你是一个资深的科技媒体主编。
2026-06-18 10:36:39
591
原创 第10讲：网页自动化与代码执行Agent——动态沙箱与反思机制实战
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们让 Agent 掌握了 RAG 检索与 ReAct 推理的能力。但这仅仅是“内功”的修炼。在真实的企业级场景中，很多任务是无法仅靠文本交互完成的——比如：自动抓取竞品网页数据、填写复杂的在线表单，甚至运行一段 Python 脚本进行数据清洗。在这一讲中，我们将带领 Agent 走出纯文本的世界，为它装上真正的“手脚”。我们将深入探讨动态沙箱执行环境与浏览器自动化原理，并实战构建一个具备反思机制的 AI 自动化编程助手，
2026-06-17 10:54:17
587
原创 第9讲：状态机与工作流设计——循环决策、错误重试机制与条件分支跳转
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在上一讲中，我们深入剖析了 ReAct 推理模式，让 Agent 学会了“思考-行动-观察”的闭环。但如果你仔细观察目前的代码，会发现它依然是一个相对线性的过程：一旦大模型陷入死循环，或者工具调用抛出未捕获的异常，整个系统就会直接崩溃。在真实的企业级应用中，业务流程往往错综复杂，充满了条件分支和异常中断。在这一讲中，我们将引入计算机科学的经典概念——，并结合强大的图式编排能力，为我们的 Agent 注入“流程控制”的灵魂。
2026-06-16 10:42:46
600
原创 第8讲：从“问答机器”到“智能体”——ReAct推理模式深度解析
ReAct 是 Reasoning（推理）和 Acting（行动）的合成词。让大语言模型交替进行“内部思考”与“外部行动”。在传统的纯推理模式（如思维链 CoT）中，AI 只是在脑海中演算，无法获取外界新信息；而在纯行动模式中，AI 盲目调用工具，缺乏全局规划。Thought（思考）：分析当前状态，决定下一步该做什么。Action（行动）：调用具体的工具（如搜索、计算）去执行操作。Observation（观察）：获取工具返回的结果，评估是否还需要继续收集信息。循环迭代。
2026-06-15 10:07:14
398
原创 第7讲：RAG（检索增强生成）实战——打造企业级知识库
RAG（检索增强生成）是一种将信息检索与语言生成相结合的技术架构。检索（Retrieval）：从外部知识库中检索与问题相关的信息增强（Augmented）：将检索到的信息作为上下文增强输入生成（Generation）：基于增强后的上下文生成最终回答。
2026-06-14 08:41:41
390
原创 第6讲：记忆管理（Memory）系统——赋予Agent“灵魂”与“阅历”
你可以把它理解为一个"存档点"。每次Agent执行一步操作，Checkpointer就会自动把当前的messages状态保存到内存或数据库中。下次用户提问时，它会通过一个唯一的thread_id（线程ID）自动加载之前的对话历史。
2026-06-12 10:19:30
560
原创 第5讲：打通“手脚”——原生实现联网搜索与 Tool Calling 机制
这是最关键的一步。你必须用极其精确的结构化语言告诉大模型这个工具是干嘛的、需要什么参数。# 向大模型声明的工具元数据"description": "获取指定城市当前的实时天气信息","city": {"type": "string", "description": "中国城市名称，例如：北京"},},
2026-06-11 08:34:07
537
原创 第4讲：Prompt工程与结构化输出——给Agent装上“严谨的大脑“
Prompt即代码：写Agent的Prompt要像写伪代码一样严谨，多用列表和明确的约束条件拒绝文本解析：在生产环境中，尽量使用模式或原生的Tool Calling，彻底杜绝正则表达式和字符串切割带来的隐患容错机制：即使开启了JSON模式，大模型偶尔也会抽风。一定要在代码里加上try-except捕获解析异常，并在报错时将错误信息反馈给大模型让它重新生成。
2026-06-10 08:33:08
555
原创 第3讲：环境搭建与快速上手——跑通你的第一个“原生Agent”
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前两讲中，我们搞懂了Agent的底层逻辑和主流框架的选型。但说实话，很多新手刚接触AI开发时，往往会被一堆配置劝退。所以今天这一讲，我们不整虚的，直接带你把本地开发环境搭好，并且用（不依赖LangChain等任何第三方复杂框架），手搓一个真正能调用大模型API、具备自主决策能力的 ReAct Agent。
2026-06-09 13:19:52
269
原创 第2讲：主流Agent框架选型与对比——告别“造轮子”，站在巨人的肩膀上
欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在上一讲中，我们用原生 Python 手搓了一个基础的 Agent。但在真实的工程落地中，如果所有的意图识别、工具解析、状态流转都由我们自己手写，不仅开发效率低，还容易遇到各种边界 Bug。因此，引入成熟的开源框架成为了必然选择。目前市面上的 Agent 框架百花齐放，对于新手和企业开发者来说，最大的痛点就是：。今天我们就来深度剖析当前主流的几款 Agent 框架，帮你避开选型陷阱，找到最适合你的技术路线。
2026-06-09 08:36:08
301
原创 第1讲：什么是AI Agent？—— 从被动问答到自主决策的跨越
AI Agent（人工智能智能体）是一种能够感知外部环境信息、基于大模型进行逻辑推理、自主拆解任务步骤、主动调用外部工具、存储对话记忆，并最终自主完成用户目标的闭环智能系统。Agent = LLM (大模型) + Memory (记忆) + Planning (规划) + Tool Use (工具调用) + Action (行动执行)
2026-06-08 17:23:26
901
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人