- 科学出版社
- 9787030854919
- 1版
- 2026-07
作者简介
内容简介
本书围绕大模型应用开发的核心原理与实践方法展开。针对LangChain 拥有数十万行代码、CrewAI依赖繁多的问题，本书以100行Python代码为起点，回归本质，提出AI应用的统一抽象——“图”，系统介绍聊天机器人、检索增强生成、深度研究和智能体等典型应用的基本结构与实现方式。同时，本书深入分析影响AI应用效果的关键因素，包括提示词设计、工具使用能力与上下文构建方法，强调复杂系统也可通过简洁代码高效实现。本书内容紧凑实用，读者不仅能够理解每一个AI产品的实现逻辑，还能亲手将其复现与扩展。
目录
目录
第1章 别再较劲了，你只需要100行
1.1 LangChain有40万行以上的代码，它们到底在干什么? 3
1.2 每个AI产品底层都是同一种图 4
1.3 整个框架就100行，现在就读一遍 6
1.4 一个30行的聊天机器人 11
1.5 图这么简单，为什么不是人人都能上手? 12
第2章 每个AI框架底层都是同一个东西——图
2.1 Node和shared store：一个执行，一个记忆 16
2.2 Flow：四种方式，无穷组合 19
2.3 调大模型：框架的封装就是个累赘 24
2.4 合在一起：30行的聊天机器人 27
2.5 重试和兜底：别自己写try/except 30
2.6 结构化输出：让大模型乖乖听话 33
2.7 批处理：同一个节点，1000条输入 37
2.8 异步和并行：10秒变1秒 40
第3章 Workflow、Agent都是同一张图换个接法
3.1 Workflow：三个专注的节点吊打一个臃肿的prompt 45
3.2 Agent：让大模型自己决定走哪条路 48
3.3 Guardrail：挡在你的Agent和灾难之间的那道门 51
3.4 chain of thought：循环本身就是智能 55
3.5 永远别信一个大模型：裁判、投票、辩论 59
3.6 心跳：永不停歇的Agent 65
第4章 RAG就是5个节点排一排
4.1 你真的需要RAG吗? 72
4.2 RAG管线：分块器、存储器、检索器、生成器 74
4.3 Embedding：一个更聪明的相似度函数 79
4.4 Agentic RAG：跳过Embedding，让Agent自己判断 82
4.5 超越朴素RAG：RAG动物园和为什么简单的赢 86
4.6 真正的杀手：数据质量，不是算法 91
第5章 Deep Research就是一个for循环加搜索API
5.1 Deep Research怎么跑的：三个节点，一个循环 96
5.2 搜索API比模型重要 99
5.3 Map：大模型写查询，不是你 103
5.4 Reduce和迭代：一轮永远不够 105
5.5 prompt就是产品 109
第6章 NotebookLM、Text to SQL、代码库分析，全是你画得出来的工作流
6.1 NotebookLM：拆prompt，别换模型 114
6.2 Text to SQL：循环是Demo和产品的分水岭 118
6.3 代码库分析：循环传递上下文，不只是修错 123
6.4 潜在客户生成：大部分“AI产品”里大部分不是AI 127
第7章 Prompt Engineering：你的领域知识就是prompt
7.1 所有prompt技巧都是在给弱模型打补丁 132
7.2 领域知识就是prompt 134
7.3 三个技巧，把模糊prompt变具体 135
7.4 测试驱动的prompt，越跑越好 138
7.5 skill就是给你控制不了的Agent写的prompt 140
7.6 微调改的是风格，不是知识 143
第8章 模型是大路货，工具才是护城河
8.1 工具输入：从安全到危险的三个层级 146
8.2 描述和输出：Agent选工具不靠代码 149
8.3 动作空间：15个工具好使，50个不行 152
8.4 合并和串联：更少的工具，更强的能力 154
8.5 设计环境，不只是设计工具 156
第9章 Context Engineering：你的Agent不是蠢，是饿的
9.1 上下文窗口就是内存，而且没人看过里面装了什么 161
9.2 Workflow不需要省context，Agent才需要 164
9.3 Agent需要的是内存层级，不是更大的context垃圾堆 167
9.4 Agent淹死在自己的历史里：压缩内存，用磁盘 172
第10章 Cursor、Trae、Cline，你完全可以从零搭一个
10.1 朴素Agent：3个工具，50行 179
10.2 编辑工具：解决真正的难题 184
10.3 验证与安全：跑代码，拦危险 190
10.4 两个阶段：别在同一个循环里又规划又编辑 194
10.5 你发布的是循环，不是模型 197
第11章 多Agent：所有人都想要，没人真需要
11.1 Agent越多，效果越差 202
11.2 拆分的理由只有两个 204
11.3 每种“多Agent模式”都是你搭过的图 208
11.4 Agent当工具：唯一真正重要的模式 210
第12章 Agentic Coding：自然语言才是编程语言
12.1 100行vs 40万行：猜猜AI记住了哪个 217
12.2 Agentic Coding就是瀑布流，这才是重点 218
12.3 一半AI项目还没写第一行就搁浅了 223
12.4 你以为你要Agent，其实你要Workflow 226
12.5 AI每次都犯的五个错 229
12.6 别debug AI代码，重新生成 234
第13章 你的AI项目能跑了，但它能活多久?
13.1 部署：你的Agent就是个函数，给它装个门 238
13.2 评估：80%的“AI失败”其实是工具坏了 241
13.3 成本和可靠性：优化图，不是优化模型 246
13.4 安全：你的Agent会乖乖听攻击者的话 249
第1章 别再较劲了，你只需要100行
1.1 LangChain有40万行以上的代码，它们到底在干什么? 3
1.2 每个AI产品底层都是同一种图 4
1.3 整个框架就100行，现在就读一遍 6
1.4 一个30行的聊天机器人 11
1.5 图这么简单，为什么不是人人都能上手? 12
第2章 每个AI框架底层都是同一个东西——图
2.1 Node和shared store：一个执行，一个记忆 16
2.2 Flow：四种方式，无穷组合 19
2.3 调大模型：框架的封装就是个累赘 24
2.4 合在一起：30行的聊天机器人 27
2.5 重试和兜底：别自己写try/except 30
2.6 结构化输出：让大模型乖乖听话 33
2.7 批处理：同一个节点，1000条输入 37
2.8 异步和并行：10秒变1秒 40
第3章 Workflow、Agent都是同一张图换个接法
3.1 Workflow：三个专注的节点吊打一个臃肿的prompt 45
3.2 Agent：让大模型自己决定走哪条路 48
3.3 Guardrail：挡在你的Agent和灾难之间的那道门 51
3.4 chain of thought：循环本身就是智能 55
3.5 永远别信一个大模型：裁判、投票、辩论 59
3.6 心跳：永不停歇的Agent 65
第4章 RAG就是5个节点排一排
4.1 你真的需要RAG吗? 72
4.2 RAG管线：分块器、存储器、检索器、生成器 74
4.3 Embedding：一个更聪明的相似度函数 79
4.4 Agentic RAG：跳过Embedding，让Agent自己判断 82
4.5 超越朴素RAG：RAG动物园和为什么简单的赢 86
4.6 真正的杀手：数据质量，不是算法 91
第5章 Deep Research就是一个for循环加搜索API
5.1 Deep Research怎么跑的：三个节点，一个循环 96
5.2 搜索API比模型重要 99
5.3 Map：大模型写查询，不是你 103
5.4 Reduce和迭代：一轮永远不够 105
5.5 prompt就是产品 109
第6章 NotebookLM、Text to SQL、代码库分析，全是你画得出来的工作流
6.1 NotebookLM：拆prompt，别换模型 114
6.2 Text to SQL：循环是Demo和产品的分水岭 118
6.3 代码库分析：循环传递上下文，不只是修错 123
6.4 潜在客户生成：大部分“AI产品”里大部分不是AI 127
第7章 Prompt Engineering：你的领域知识就是prompt
7.1 所有prompt技巧都是在给弱模型打补丁 132
7.2 领域知识就是prompt 134
7.3 三个技巧，把模糊prompt变具体 135
7.4 测试驱动的prompt，越跑越好 138
7.5 skill就是给你控制不了的Agent写的prompt 140
7.6 微调改的是风格，不是知识 143
第8章 模型是大路货，工具才是护城河
8.1 工具输入：从安全到危险的三个层级 146
8.2 描述和输出：Agent选工具不靠代码 149
8.3 动作空间：15个工具好使，50个不行 152
8.4 合并和串联：更少的工具，更强的能力 154
8.5 设计环境，不只是设计工具 156
第9章 Context Engineering：你的Agent不是蠢，是饿的
9.1 上下文窗口就是内存，而且没人看过里面装了什么 161
9.2 Workflow不需要省context，Agent才需要 164
9.3 Agent需要的是内存层级，不是更大的context垃圾堆 167
9.4 Agent淹死在自己的历史里：压缩内存，用磁盘 172
第10章 Cursor、Trae、Cline，你完全可以从零搭一个
10.1 朴素Agent：3个工具，50行 179
10.2 编辑工具：解决真正的难题 184
10.3 验证与安全：跑代码，拦危险 190
10.4 两个阶段：别在同一个循环里又规划又编辑 194
10.5 你发布的是循环，不是模型 197
第11章 多Agent：所有人都想要，没人真需要
11.1 Agent越多，效果越差 202
11.2 拆分的理由只有两个 204
11.3 每种“多Agent模式”都是你搭过的图 208
11.4 Agent当工具：唯一真正重要的模式 210
第12章 Agentic Coding：自然语言才是编程语言
12.1 100行vs 40万行：猜猜AI记住了哪个 217
12.2 Agentic Coding就是瀑布流，这才是重点 218
12.3 一半AI项目还没写第一行就搁浅了 223
12.4 你以为你要Agent，其实你要Workflow 226
12.5 AI每次都犯的五个错 229
12.6 别debug AI代码，重新生成 234
第13章 你的AI项目能跑了，但它能活多久?
13.1 部署：你的Agent就是个函数，给它装个门 238
13.2 评估：80%的“AI失败”其实是工具坏了 241
13.3 成本和可靠性：优化图，不是优化模型 246
13.4 安全：你的Agent会乖乖听攻击者的话 249
