图解AI编程

第15章 恭喜，你不只会写Agent了 ​

14章走下来，你已经会装环境、会写Python、理解Agent原理、掌握Function Calling、搭过RAG、做过ReAct、搞过多Agent协作、选过框架、做过安全、了解MCP、知道边界。现在你的视角应该从"怎么写一行代码"提升到"怎么设计一个系统"。这一章，帮你完成这个转变。

15.1 没有"最好"，只有"最合适" ​

15.1.1 所有架构决策都是权衡 ​

设计Agent系统，你面临的每一个问题都没有标准答案：

决策选项A选项B怎么选
框架LangChain（简单）LangGraph（灵活）简单场景A，复杂场景B
模型GPT-4（强但贵）开源模型（便宜但弱）预算够选A，预算紧选B
记忆全量存储（准确）摘要存储（省token）精准要求选A，成本优先选B
工具少量精选（准确）大量覆盖（全面）可控性优先选A，覆盖面优先选B

没有银弹。 每个决策都是"在什么场景下、用什么方案、付出什么代价"的三维思考。

15.1.2 一个决策框架 ​

当你面对一个架构决策时，问自己三个问题：

举个例子：选LLM。

问题是什么？ 需要一个能处理中文客服对话的模型。

选项：GPT-4（强、贵、需VPN）、通义千问（中文好、免费额度、国内直接访问）、开源模型（免费、可控、但需要自己部署）。

代价：GPT-4每月API费用可能上千元，但效果最好；通义千问免费额度够小项目；开源模型免费但需要GPU服务器。

决策：小项目→通义千问；上线产品→GPT-4；对数据安全要求极高→开源模型私有部署。

15.2 面对一堆选项，怎么选？ ​

15.2.1 技术选型的核心原则 ​

原则一：先跑通，再优化。 别在设计阶段纠结太多。先用最简单的方案跑出一个能用的原型，再根据实际问题优化。

❌ 错误做法：花两周设计完美的Agent架构，一行代码没写
✅ 正确做法：半天用LangChain搭个原型，跑通了再决定要不要换LangGraph

原则二：复杂度跟着需求走。 别为了"以后可能需要"而加复杂度。

用户量 < 100 → SQLite + 单Agent，够了
用户量 > 10000 → PostgreSQL + Multi-Agent + 消息队列，才需要

原则三：选择有社区活力和商业支持的方案。 选一个没人维护的框架，出了问题你只能自己修。

15.2.2 本书推荐的"最小可行技术栈" ​

层面推荐备选
Agent框架LangChain + LangGraphCrewAI（多Agent场景）
LLMGPT-4 / 通义千问Claude / 开源模型
向量数据库ChromaDBFAISS（大规模）
部署FastAPI + DockerStreamlit（快速原型）
监控LangSmith自定义日志
工具协议MCP原生Function Calling

这套技术栈覆盖了本书三个项目的全部需求，你不需要额外学更多。

15.3 你不是一个人在战斗 ​

15.3.1 团队里谁做什么 ​

一个正常的Agent项目团队，大致分工如下：

角色做什么需要的技能
Agent架构师设计Agent的流程和决策逻辑本书全部内容
Prompt工程师编写和优化Prompt模板第5章+大量实践
后端开发工具开发、API封装、部署第2-3章+传统后端
评估/测试写测试用例、跑评估、监控质量第12章评估部分

小团队：一个人兼多个角色。这很正常，但要注意——别同时做太多事，容易哪个都做不好。

15.3.2 知识沉淀：别让经验烂在脑子里 ​

做了Agent项目之后，把踩过的坑记下来：

markdown
## 项目：智能客服Agent
### 踩坑记录
- 日期：2026-05-31
- 问题：ChromaDB中文检索效果差
- 原因：用的嵌入模型是英文优化的
- 解决：换成 BGE-large-zh，准确率从60%提到85%
- 标签：#向量数据库 #中文 #嵌入模型

这些记录在未来你做第二个、第三个Agent项目时，会比任何教程都值钱。

15.4 AI领域，停下来就是倒退 ​

15.4.1 保持敏感的三个习惯 ​

习惯一：跟踪关键项目。 不用每天刷100条AI新闻，关注这几个就够了：

  • LangChain/LangGraph 的 Release Notes（每个版本都有新功能）
  • OpenAI / Anthropic 的官方博客（新模型、新能力）
  • 一两个高质量的中文AI技术社区

习惯二：每季度跑一遍自己的项目。 用最新的模型、最新的框架版本跑一遍你之前做的Agent——你会发现很多东西已经可以写得更好了。这就是进步。

习惯三：写，不只是看。 看完一个新功能，动手写一个demo。写了一行代码胜过看了十篇文章。

15.4.2 下一步该学什么 ​

这本书给了你Agent开发的完整基础。接下来你可以根据兴趣深入：

方向深入内容
Agent架构多看LangGraph的高级模式（Map-Reduce、Subgraph）
多Agent深入研究CrewAI和AutoGen的生产级用法
模型了解模型微调（Fine-tuning），让Agent更听话
工程化学Kubernetes，把Agent部署到生产集群
产品化学用户研究，理解"什么样的Agent用户真的需要"

15.5 结语：你的Agent之旅才刚刚开始 ​

翻过这一页，前面就是第四部分——三个完整的实战项目。

你做客服Agent的时候，会想起第6章的Function Calling；做RAG知识库的时候，会想起第7章的向量检索；做Multi-Agent协作的时候，会想起第9章的三种模式。

这本书教你的不是"怎么用某个框架"，而是"怎么思考Agent系统"。

框架会变，模型会更新，工具会迭代。但你的思维方式——理解目标、拆解任务、设计流程、权衡取舍——这些不会过时。

准备好了吗？翻开下一页，动手做一个真正的Agent。

15.6 本章小结 ​

这一章是你从"写Agent代码"到"设计Agent系统"的转折点：

  1. 没有银弹：每个架构决策都是场景、方案、代价的三维权衡。先跑通再优化，复杂度跟着需求走。
  2. 本书推荐的技术栈：LangChain+LangGraph、GPT-4/通义千问、ChromaDB、FastAPI+Docker——覆盖三个项目全部需求。
  3. 你不是一个人在战斗：架构师、Prompt工程师、后端、测试——知道每个角色做什么，小团队一个人兼多职也能高效运转。
  4. 保持学习：跟踪关键项目、每季度重跑自己的项目、写了比看了重要。
  5. 结语：这本书教你的不是"怎么用某个框架"，而是"怎么思考Agent系统"。框架会变，思维方式不会过时。

✅ 知识点检查 ​

学完这一章，试试回答这几个问题：

  • [ ] 做架构决策时的三个核心问题是什么？
  • [ ] 技术选型的三条核心原则分别是什么？
  • [ ] 为什么说"先跑通再优化"比"花两周设计完美架构"更好？
  • [ ] 你怎么在AI领域保持敏感？列出你的三个习惯。

📚 延伸阅读 ​

  • 《System Design Interview》— Alex Xu，系统设计的经典
  • LangChain Blog：https://blog.langchain.dev
  • 本书配套源码：关注公众号「图解AI系列」免费领取

🎯 下一章预告 ​

第四部分，实战篇——

"16-18章，三个完整项目：智能客服、文档助手、代码助手。Day-by-Day，手把手带你做。"