深入理解AI Agent 设计原理与工程实践
定义与身份
《深入理解AI Agent：设计原理与工程实践》是一套开源的 AI Agent 教程与配套实验项目，作者为李博杰，公开代码与电子书项目为 bojieli/ai-agent-book。
项目以“Agent = LLM + 上下文 + 工具”作为贯穿性的设计公式，面向希望从调用模型 API 进一步学习 Agent 系统设计、实现与评估的开发者、产品人员和研究者。
角色与学习目标
该项目尝试提供一条从原理到工程实践的连续学习路径，而非仅演示一次工具调用或零散汇集论文与代码。其目标包括帮助读者理解并实践 RAG 流水线、MCP 服务、Coding Agent 与多 Agent 协作等系统能力。 项目内容按 10 章组织，并配有 88 个实验；来源称其中 70 余个实验可独立运行。各章以可运行代码项目配合阅读内容，便于将概念、实现和实验验证结合。
核心内容
- 上下文工程：讨论 KV Cache 优化、提示工程、Agent Skills 与上下文压缩，重点是上下文窗口、信息保留与成本之间的工程取舍。第 2 章配有 9 个项目。可参见 AI Agent 上下文工程。
- RAG 与记忆：将检索增强生成和记忆机制纳入 Agent 的上下文构建过程，用于让模型在任务执行中获得外部知识或历史信息。
- MCP 工具协议：讨论感知、执行、协作三类工具的分类，以及事件驱动的异步 Agent 设计；其关注点是协议与工具工程，不等同于单一的函数调用教程。第 4 章配有 7 个项目。可参见 AI Agent 工具协议。
- Coding Agent：将代码视为可创造新工具的工具，实验覆盖从单文件补全到多仓库重构等场景。第 5 章配有 12 个项目。
- 评估：包含 Agent 评估方法论，适用于比较方案、理解技术边界与辅助技术选型。
- 模型后训练：区分预训练、监督微调（SFT）和强化学习（RL）的阶段及用途，讨论何时选择 SFT 或 RL、工具调用能力的内化，以及样本效率。第 7 章有 14 个项目，为来源所述项目数最多的一章。
- 自我进化与多模态：将经验学习、自我改进与多模态能力纳入后续学习主题。
- 多 Agent 协作：讨论协作框架、上下文共享或隔离，以及由多个 Agent 形成的协作行为；第 10 章有 6 个项目，其中包括斯坦福 AI 小镇复现实验。
获取与运行
项目支持中文、英文、繁体中文、泰文和越文版本，并提供 Markdown、PDF、EPUB 等阅读方式。Markdown 正文位于 book/chapter1.md 至 book/chapter10.md；离线阅读可使用项目 Release 中提供的预制 PDF 或 EPUB。
实验建议使用 Python 3.10 或更高版本、可联网的环境，并准备至少一个模型服务 API Key。来源列举的可选服务包括 Kimi、智谱、Siliconflow、火山引擎和 OpenRouter。
最小入门流程是克隆 https://github.com/bojieli/ai-agent-book.git，进入项目后先阅读章节 Markdown；运行首个实验时进入 chapter1，安装 requirements.txt 中的依赖，再执行 python hello_agent.py，预期得到一个最简单的 Agent 调用示例。
建议学习路径
初学者可先学习第 1 至第 4 章，即基础知识、上下文、记忆和工具；来源建议这一阶段约需 2 至 3 天。进一步学习时可进入评估、后训练、自我进化、多模态和多 Agent 协作等后续主题，来源建议约需一周。 若自行编译 PDF，来源指出需要 Pandoc、XeLaTeX 和 ElegantBook；不需要定制编译时，可直接使用 Release 中的预制 PDF。
开源与贡献
项目采用 Apache 2.0 协议。贡献方式包括改进正文、修复问题、贡献实践项目和翻译；提交贡献前，建议先运行与改动相关的实验。
细节与边界
本项目是教程和实验项目，不应将其列出的模型服务理解为唯一或强制的运行选项；实际可用模型、API 价格、速率限制和兼容性取决于所选服务及当时环境。 来源中“单日新增 4,434 Star、总计 14,339 Star、当天增长最快”等热度表述仅反映抓取时的动态陈述，不属于该书籍或项目的稳定身份信息，也不应用于推断当前热度。