9.1 引言：一个Agent解决不了的问题

在前面的章节中，我们构建了功能越来越强的单个智能体：它能规划、能记忆、能调用工具。但当你真正把它丢进一个复杂业务场景——比如"从零撰写一篇深度行业报告"——你会发现它很快就会力不从心。

1. 引言：为什么Agent需要工具

想象你聘了一位"过目不忘"的私人助理——他读过人类有史以来几乎所有的书，知识渊博、口才了得。可是你让他"查一下今天上海的天气"，他却只能凭记忆猜一个数；你让他"算一下 1234 × 5678"，他大概率会算错。原因很简单：他没有手机、没有计算器、没有联网能力，再聪明的脑子也巧妇难为无米之炊。

6.1 引言：推理模式决定Agent的思维方式

在前几章里，我们已经搭好了智能体的"骨架"——大模型、工具调用、提示工程。但骨架本身不会思考，真正决定一个智能体"怎么想"的，是它的推理模式（Reasoning Pattern）。

4.1 引言：Prompt是智能体的灵魂指令

在前一章里，我们给智能体装上了"大脑"——LLM。但只装大脑还不够。设想一个场景：你新招了一位名校毕业生，智商很高，但你既没告诉他岗位是什么，也没给工作手册，更没说哪些事能做、哪些不能做。他第一天上班会怎样？大概率是手足无措，要么瞎猜乱做，要么啥也不干。

第1章 智能体时代：AI Agent的崛起与变革

当大语言模型从"会聊天的程序"进化为"会做事的智能体"，软件的形态正在被彻底重写。这一章，我们将站在 2026 年的节点上，回望智能体的来路，看清它今日的能力边界，并眺望它即将抵达的疆域。

1. 引言：为什么需要不同的Agent架构

在第1章中，我们建立了对AI智能体（AI Agent）的基本认知：智能体是一个能够感知环境、自主决策、执行行动并持续循环直到完成目标的系统。如果把大语言模型（LLM）比作"大脑"，那么架构就是大脑与手脚之间的"神经系统"——它决定了智能体如何思考、何时行动、如何反馈。

引言：从实验室到工厂

经过前十一章的学习，我们已经把 AI 智能体（Agent）从概念、提示词、工具调用、记忆、规划、多智能体协作到评估的完整开发链路走了一遍。但你可能遇到了一个尴尬的事实：在 Jupyter Notebook 里跑得飞起的 Agent，一上生产就翻车——慢、贵、不安全、不稳定、偶尔胡说八道。

7.1 引言：为什么Agent需要记忆

人类之所以能持续地学习与成长，核心在于我们拥有记忆。记忆让我们能够从过去的经验中提取规律，避免重复犯错，并在新情境中调用相关知识做出更优决策。对于AI智能体（Agent）而言，记忆同样不可或缺。

11.1 引言：无法衡量就无法改进

在前几章中，我们构建了具备规划、记忆、工具调用与多智能体协作能力的 AI 智能体。然而，一个智能体"能跑"和"跑得好"之间，隔着整整一套评估与可观测性体系。

为什么幂等性值得你认真对待

你写了一个支付接口，用户点击「确认支付」后网络抖动了一下，前端自动重试。结果用户被扣了两次钱。这个场景在分布式系统中每天都在发生——网络超时、消息队列重投、用户双击按钮，任何一个都可能触发重复请求。