多智能体 AI 工程：协同团队系统设计

目录与试读

目录

章节与主要小节（依据 EPUB 导航整理）：
前言
关于作者利益冲突的声明
下载附加内容
随书赠送的免费福利
第一部分：基础
第1章：多智能体系统导论
从生成式AI系统到多智能体系统的演进
当模型规模化时，为何还需要结构？
多智能体系统的特征和优势
多智能体系统的挑战与风险
总结
第2章：多智能体系统原理
原则 1：有界的自主权
原则 2：集体对齐
原则 3：韧性
原则4：可学习性
原则 5：模块可组合性
原则 6：安全与信任设计
原则 7：可观测性与评估
相互牵制的原则
诊断检查清单
实战演练：单一系统内的七项原则
最低可行设计评审
总结
第3章：框架与心智模型
框架在多智能体系统（MAS）中的角色
跨框架的常见抽象
AG2 简介
综合：从框架到构建
总结
第4章：构建你的第一个智能体
智能体的解剖结构
推理与决策
工具、记忆和环境交互
研究助手代理：从零到 AG2
抽象思维：输入、输出和行为
构建健壮的代理：实际考量
总结
第二部分：构建多智能体系统
第5章：智能体通信
从人类团队到智能体团队
消息设计：契约、格式与路由
时序与交付语义
综合应用：可靠的交接
通信设计检查清单
摘要
第6章：多智能体协作的设计模式
模式在多智能体系统中的作用
并发专家
顺序工作流
任务分解
辩论与反思
专家混合
组合模式
每种模式的故障签名
设计检查清单：协作模式
摘要
第7章：上下文与记忆管理
多智能体系统中记忆的角色与类型
短期记忆与长期记忆
持久知识存储
检索与遗忘机制
记忆巩固：梦境过程
综合来看：一种感知记忆的智能体架构
设计检查清单：内存管理
总结
第8章：智能体团队的编排
什么是编排？
集中式与去中心化编排
顺序执行、并发和聚合流程
可靠性与故障处理
编排长时间运行的代理
服务级别目标与自适应编排
设计清单：编排智能体团队
摘要
第9章：智能体协作的统一抽象与协议
互操作性阶梯
用于互操作性的标准化智能体抽象
智能体通信协议
跨边界编排
综合：从协议到框架
设计检查表：跨边界互操作性
摘要
第10章：框架对比综述
为什么要比较框架？
AG2 深度解析
评估通用 MAS 框架
评估企业和新兴工具
跨框架比较
框架选型决策指南
框架评估中的常见陷阱
趋同趋势
摘要
第三部分：多智能体系统的评估、观测、演进与安全
第11章：多智能体系统性能与行为评估
跨多个维度设定评估目标
多智能体系统如何失败
设计你的评估套件
人工评估与 LLM 充当裁判
衡量资源效率、鲁棒性与协调性
评估成本与单位经济效益
将评估结果反馈至持续改进
多智能体系统评估成熟度模型
设计检查表：多智能体系统评估
摘要
第12章：智能体 AI 的可观测性
为何代理可观测性是一个不同的问题
OpenTelemetry 的工作方式
使用 OpenTelemetry 进行插桩
需要观察什么
Tokenomics and Cost Observability
AI 基础设施可观测性
隐私、安全与合规
重建与故障分类
仪表盘、告警及对信号的反应
运行时智能体控制与护栏
设计清单：多智能体系统的可观测性
摘要
第13章：自进化多智能体系统
从改进循环到演化循环
可以改变的事物：表面与时间尺度
信号、经验与信用分配
人类-智能体团队学习与知识蒸馏
让修复匹配原因
安全运行演化循环：演化契约
成熟度模型与投资决策
设计检查清单：自进化多智能体系统
摘要
第14章：多智能体系统的安全与隐私
为何 MAS 安全仍是一门新兴学科
生成式AI安全的三个层级
攻击故事与最小可行基线
架构缓解措施：系统形态中的安全
在线护栏：运行时模式，而非厂商目录
多智能体系统的红队测试
多代理系统中的隐私
标准与监管
设计清单：MAS 的安全性与隐私
摘要
第15章：多智能体系统的部署与扩展
部署多智能体系统实际改变了什么
从原型到生产
自行运行模型
扩展智能体集群
分布式系统中的代理发现
代币经济学与成本工程
部署与扩展的可观测性
CI/CD、版本控制与回滚
设计清单：部署与扩展多智能体系统
摘要
第四部分：实践与展望
第16章：真实世界应用案例研究
案例研究 1：平台工程、CAIPE 与基于智能体的内部开发者平台
案例研究 2：科学研究、Denario 与自主发现流水线
案例研究 3：超大规模集成硬件设计，跨越 EDA 流程的自主智能体
案例研究 4：企业客户支持，从分诊到解决
案例共同展示的内容
摘要
第17章：新兴研究与行业趋势
前沿正在重新安置代理性
自进化智能体系统
长视野智能体行为（Long-horizon agency）
协调成为一种习得的社会能力
权限平面：从身份到可问责的行动
人机界面
智能体基础设施成为系统层
面向两个群体开发的软件
智能体生态系统变成市场
什么能在模型进步中幸存
摘要
第18章：结论与未来展望
你可能喜欢的其他图书

试读节选

人工智能屡次超出了其构建者赋予它的结构。在20世纪中叶，约翰·麦卡锡、马文·明斯基、艾伦·纽厄尔和赫伯特·西蒙等早期先驱曾设想能够推理、规划甚至学习的机器。第一波AI高度依赖符号逻辑和基于规则的专家系统，一度人们似乎认为扩大这些系统的规模就能带来通用智能；但事实并非如此，随后的每一波浪潮都在拓展机器所能执行的功能的同时，也揭示了一个新的上限。