AI Agent 架构师：从 ReAct 到多智能体协作

2026 年的 LLM 应用，Agent 是终极形态。

这门课不讲"Agent 是什么"，讲怎么设计一个能在生产环境稳定运行的 Agent 系统。

为什么 Agent 是 2026 年的核心

回顾 LLM 应用的演进：

• 2023：Prompt Engineering（怎么问好问题）
• 2024：RAG（怎么给 LLM 查资料）
• 2025：Agent（怎么让 LLM 自主行动）
• 2026：Multi-Agent（多个 Agent 协作）

Agent 的本质：让 LLM 不只是"回答问题"，而是"完成任务"。

一个 Agent 能：

• 自己拆解任务
• 选择工具
• 执行操作
• 观察结果
• 调整策略
• 反复迭代直到完成

这就是 2026 年最稀缺的能力——AI Agent 架构师。

课程前置知识

• ✅ LLM 工程师基础
• ✅ Prompt 工程精通
• ✅ RAG 系统设计与实现
• ✅ Python 异步编程

---

📚 完整章节大纲（20 章）

模块一：Agent 心智模型（第 1-3 章）

第 1 章：Agent 是什么、不是什么

• Agent 的 4 大核心要素：Planning、Memory、Tool Use、Reflection
• Agent vs Chatbot vs Workflow——三者差异
• 为什么 2026 年是 Agent 元年——技术成熟度
• 生产经验：Agent 的"幻觉成本"——为什么 Agent 比 Chatbot 更需要监控

心智模型：Agent 是 LLM 的"员工版"——你雇它干活，要给它工具、要监督它。

第 2 章：Agent 的完整架构

• 大脑：LLM（推理 + 决策）
• 工具：Function（API、数据库、文件）
• 记忆：Short-term（Context）+ Long-term（向量库 / 数据库）
• 规划：Planning（任务拆解）
• 反思：Reflection（自我评估）

架构图：完整的 Agent 系统。

第 3 章：Agent 的演进史——从 ReAct 到 AutoGPT

• ReAct（2022）：Reasoning + Acting 循环
• Reflexion（2023）：加入自我反思
• AutoGPT / BabyAGI（2023）：自主任务规划
• Toolformer（2023）：LLM 自己学用工具
• LangChain Agent（2023-2024）：框架化
• LangGraph（2024-）：状态图架构
• CrewAI / AutoGen（2024）：Multi-Agent 协作

对比表：每代架构的优劣。

模块二：单 Agent 核心能力（第 4-9 章）

第 4 章：ReAct 模式——最经典的 Agent 循环

• ReAct 的本质：Thought → Action → Observation → Thought
• 完整的 ReAct 实现（50 行代码）
• ReAct 提示词工程
• 生产经验：ReAct 的 3 个常见失败模式

练习：用 ReAct 做一个自动订餐 Agent。

第 5 章：Function Calling——Agent 的"手和脚"

• Function Calling 的本质：让 LLM 输出结构化 JSON 调用工具
• 工具设计原则：怎么定义一个好的工具
• 多工具协同：怎么让 LLM 选择正确的工具
• 生产经验：Function Calling 的 5 个坑

练习：用 Function Calling 让 LLM 操作 GitHub API。

第 6 章：Tool Use——Agent 能用的 100 种工具

• 工具分类：信息查询 / 操作执行 / 计算推理 / 通信协作
• 实战：API 工具、数据库工具、文件工具、Shell 工具
• 工具市场：怎么管理 100+ 工具
• 工具安全：怎么防止 Agent 执行危险操作

练习：构建一个工具市场，让 Agent 自动选工具。

第 7 章：Memory 机制——Agent 的记忆

• Short-term Memory：Context 中的对话历史
• Long-term Memory：向量库 + 数据库
• Episodes Memory：把过去任务存起来，下次参考
• Memory 管理：什么时候该忘、什么时候该记

练习：给 Agent 加上完整的长期记忆。

第 8 章：Planning——任务拆解

• CoT 规划：让 LLM 自己列步骤
• Plan-and-Execute：先规划、再执行
• ReWOO：Reasoning WithOut Observation
• Tree of Thoughts：探索多个计划路径

练习：让 Agent 自动规划一个 7 天的旅行。

第 9 章：Reflection——自我评估与改进

• Self-Critique：让 Agent 评估自己的输出
• Reflexion：把反思存进 memory
• 外部反馈：用工具验证自己的输出
• 生产经验：怎么避免 Agent "自欺欺人"

练习：给 Agent 加上自动反思循环。

模块三：Agent 框架（第 10-13 章）

第 10 章：LangChain Agent——传统框架

• LangChain Agent 类型：ReAct / OpenAI Functions / Plan-and-Execute
• AgentExecutor 的工作原理
• 生产经验：LangChain Agent 的调试技巧

练习：用 LangChain 实现一个完整的 Agent。

第 11 章：LangGraph——状态图架构（重点）

• 为什么 LangGraph 是 Agent 框架的未来
• State、Node、Edge 三大核心概念
• 实战：用 LangGraph 实现 ReAct Agent
• 高级特性：Cycle、Sub-graph、Streaming

练习：用 LangGraph 实现一个 5 步 Agent。

第 12 章：AutoGen——多 Agent 协作框架

• AutoGen 的核心思想：多 Agent 互相通信
• UserProxyAgent + AssistantAgent 模式
• GroupChat：多 Agent 群聊
• 生产经验：AutoGen vs LangGraph 选型

练习：用 AutoGen 实现一个代码评审多 Agent 系统。

第 13 章：CrewAI——角色化多 Agent

• CrewAI 的"角色 + 任务 + 流程"模型
• Sequential / Hierarchical Process
• 实战：用 CrewAI 做内容生产流水线
• 生产经验：CrewAI 的 3 个坑

练习：用 CrewAI 实现一个"研究 + 写作 + 评审"的内容团队。

模块四：多 Agent 系统（第 14-17 章）

第 14 章：Multi-Agent 协作模式——4 种典型架构

• Supervisor 模式：一个 Manager + 多个 Worker
• Hierarchical 模式：多层级的 Agent 树
• Collaborative 模式：多个 Agent 平等协作
• Competitive 模式：多个 Agent 投票 / 竞争

对比表：什么场景用什么架构。

第 15 章：Agent 通信协议

• 消息传递：怎么设计 Agent 间消息格式
• 状态共享：怎么让多个 Agent 看到同一个 context
• 冲突解决：多个 Agent 给不同答案时怎么办
• 生产经验：通信成本控制

练习：实现一个 Supervisor + 3 Worker 的代码评审系统。

第 16 章：Multi-Agent 应用案例

• 研究助手：检索 Agent + 写作 Agent + 评审 Agent
• 代码评审：风格 Agent + 安全 Agent + 性能 Agent
• 内容生产：选题 Agent + 写作 Agent + 配图 Agent
• 客户服务：分类 Agent + 解答 Agent + 升级 Agent

练习：实现一个完整的 Multi-Agent 内容生产系统。

第 17 章：Agent 评估——怎么知道 Agent 做对了

• 轨迹评估：Agent 的决策路径是否合理
• 结果评估：最终结果是否正确
• 成本评估：调用了多少 LLM、花了多少 token
• 生产经验：怎么建立 Agent 评估数据集

练习：为你的 Agent 系统建立第一个评估集。

模块五：生产化（第 18-20 章）

第 18 章：Agent 可观测性

• 必备的 7 个 Agent 监控指标
• 生产案例：用 LangFuse / LangSmith 监控 Agent
• Trace 分析：Agent 卡在哪一步？
• 告警设计：什么时候该报警

练习：给 Agent 加上完整可观测性。

第 19 章：Agent 安全与对齐

• Prompt Injection：用户输入的攻击
• 工具滥用：Agent 调用危险 API
• 权限控制：每个 Agent 的最小权限
• 审计日志：满足合规要求

练习：给 Agent 加上完整安全层。

第 20 章：总结：Agent 路线图

• 20 章回顾：从 ReAct 到 Multi-Agent
• Agent 成熟度模型：5 个阶段
• 接下来学什么：LangGraph 工作流编排、LLM 推理优化
• 求职 / 创业：怎么用 Agent 项目展示能力

---

✅ 检查清单

完成后回来勾选：

• 能解释 Agent 的 4 大核心要素
• 能用 ReAct / LangGraph 实现完整 Agent
• 能用 Multi-Agent 协作模式设计系统
• 能用 AutoGen / CrewAI 实现多 Agent 协作
• 能为 Agent 系统建立评估体系
• 能监控 + 安全化生产级 Agent
• 至少完成 3 个端到端 Agent 项目

---

推荐资源

资源	类型	链接
LangGraph 文档	框架	https://langchain-ai.github.io/langgraph
AutoGen 文档	框架	https://microsoft.github.io/autogen
CrewAI 文档	框架	https://docs.crewai.com
ReAct 原论文	论文	https://arxiv.org/abs/2210.03629
Anthropic Building Effective Agents	实战博客	https://www.anthropic.com/research/building-effective-agents
OpenAI Agents Guide	官方	https://platform.openai.com/docs/guides/agents

---

下一步

Agent 是 LLM 的"员工版"。如果你想专注工作流编排（让多个 Agent 协作更高效），看 LangGraph 工作流编排。

如果你想优化 Agent 的推理成本与延迟，看 LLM 推理优化与部署。