AIAgent核心与实战
系统理解 AI Agent 的核心架构与设计模式，并用一个主流框架完成实战项目
科技 · 科技 · AI · Agent · 大模型 · 编程 · 作者：boyne · 1 人学过
学什么：AI Agent 核心架构（感知、记忆、规划、工具调用、多 Agent 协作）+ 一个主流框架（LangGraph 或 AutoGen）实战开发
不学什么：自研模型训练、强化学习底层、生产级大规模部署与运维
知识地图
AI Agent 概览与核心架构
建立 AI Agent 的整体认知地图，明确感知-记忆-规划-工具-行动五大组件的边界与协同关系
作为整张地图的入口，回答"AI Agent 是什么、由哪些核心模块组成、组件间如何协作"，为后续规划/记忆/工具/多 Agent 等模块建立统一术语锚点，并预览主流框架版图。
规划与推理范式
掌握 Agent 的核心推理-行动范式，能在 CoT、ReAct、Plan-and-Execute 之间按任务特征选型
回答"Agent 如何思考和拆解任务"——从 CoT 基础出发，过渡到 ReAct 把 Action 显式纳入推理，再讲 Plan-and-Execute 的解耦思路与 Reflexion 的纠错机制，为工具调用和多 Agent 协作提供决策逻辑底座。
记忆机制
掌握 Agent 记忆的分层设计与检索策略，能为不同任务选配合适的记忆存储与读取时机
回答"Agent 如何积累与利用上下文"——把记忆拆为短期/工作/长期三层，并讲清写入时机、读取触发、检索策略与上下文窗口的权衡。
工具调用与外部交互
掌握 Function Calling 协议、工具生态与错误处理模式，能为 Agent 设计可用的工具集
回答"Agent 如何调用外部能力"——从标准 Function Calling 协议出发，覆盖工具类型、工具描述的 Prompt 编写规范、错误处理与重试，落地工具层工程要点。
LangGraph 实战与 Agent 工程化
能用 LangGraph 独立搭建带记忆、工具调用、人机协作、Prompt 工程与可评估的中等复杂度 Agent
把前三章架构概念落到 LangGraph 代码上——从 StateGraph、Node、Edge、Checkpointer 出发，串联 ReAct Agent、ToolNode、HITL、流式输出，并把 Prompt 工程与评估测试作为工程闭环一起落地。
多 Agent 协作、Safety 与容错
掌握主流多 Agent 协作架构、Agent 系统的安全护栏与通信容错机制
回答"为什么需要多 Agent 以及多 Agent 系统的可靠性与安全性如何保障"——介绍 Supervisor、Hierarchical、Peer-to-Peer 三类模式，在 LangGraph 中落地子图与状态共享，并补齐 Safety/Guardrails 与通信容错等生产必备能力。