智能体 AI 系统思维：软件架构师指南：内容简介
本书面向已经会构建 API、服务、数据库和队列的软件工程师，说明怎样把相同的系统思维扩展到 LLM 应用。基础章节解释词元、嵌入、注意力、采样与幻觉，再把提示版本、结构化输出、RAG、工具调用、MCP、规划和记忆组合成智能体系统。生产部分关注架构边界、可靠性、安全、延迟、成本和可观测性，使团队能测量、调试和改进系统，而不是停留在提示词演示。读者可结合“作为系统组件的大语言模型”一章先建立问题框架，再按目录深入。
《智能体 AI 系统思维》主要内容
- 理解 LLM 输出生成与不确定性
- 设计提示版本和结构化输出
- 组合 RAG、工具、MCP 与记忆
- 建立智能体规划和执行控制
- 优化可靠性、安全、性能与成本
适合哪些读者
适合软件架构师、后端工程师和 AI 平台团队；应熟悉分布式应用基本组件，了解 LLM API 会更容易连接各章节。建议结合章节练习和实际资料逐步验证所学方法。
模型、SDK 与协议变化快，生产设计需用当前版本重新验证。
目录、试读与相关阅读
可在本页“目录与试读”中查看章节和正文节选，在“书籍资料”中核对作者、版本、语言与 EPUB 文件大小。同主题读本包括面向平台工程的智能体 AI、MCP 工程手册。
继续浏览人工智能与 AI 工程，或查看EPUB 阅读与下载帮助。
目录与试读
目录
章节与主要小节（依据 EPUB 导航整理）：
前言
致谢
如何阅读本书
基础
从人工智能到智能体系统
LLM 内部机制与输出生成
大语言模型系统中的提示工程
大语言模型工程
作为系统组件的大语言模型
RAG系统（检索增强生成）
智能体基础与行为
工具编排与 MCP
规划与执行控制
智能体系统中的记忆
生产架构
智能体系统架构
AI系统的可靠性与安全性
性能与成本优化
实际系统设计
多智能体系统
智能体系统中的评估
AI 系统中的可观测性（日志、指标和跟踪）
端到端智能体系统设计
实现代码审查智能体
展望未来
智能体系统的未来
作者简介
术语表
参考文献
试读节选
本书展示了如何将这种工程思维扩展到由大语言模型驱动的 AI 系统。它解释了提示词、检索、工具、记忆、评估、可观测性和智能体工作流如何在面向生产环境的软件架构中协同工作。目标很简单：从提示词实验过渡到你可以推理、测量、调试、操作和改进的 AI 系统。
第 1 章 · 1.5 为什么 LLM 只是其中一个组件（节选）
许多早期的 AI 演示让人产生一种错觉，仿佛 LLM 就是产品本身。但在真实系统中，情况往往并非如此。模型通常只是更大架构中的一个组件，该架构还包括提示词构建、检索、工具或函数调用、验证、模式强制执行、记忆、编排、回退处理、评估、可观测性、访问控制和安全检查。
到了这一步，AI 工程就变成了软件架构。
问题不再仅仅是“模型能否回答这个问题？”更好的问题是“应如何设计周边系统，才能使模型变得有用、安全、可衡量且可靠？”
