学习笔记

1 使用DeepResearch工具进行课题调研

DeepResearch工具（如Gemini Deep Research）能自动化完成从主题拆解、多源检索到报告生成的完整调研流程。对于《Agent应用开发与落地全景》课题，其应用流程与价值如下：

1.1 调研流程

• 启动研究：输入核心主题（如"Agent应用开发的技术架构与落地挑战"），DeepResearch会自动生成研究大纲（涵盖技术模块、平台对比、落地案例），经确认后执行。
• 多源检索：并行检索数百个网络来源（包括学术论文、技术博客、行业报告），使用权威信源（如arXiv、LangChain文档、企业白皮书）。
• 分析整合：借助大上下文能力（如Gemini的100万token）进行多轮推理，提取关键技术观点（如MCP架构的优势）、对比平台差异（如LangChain vs 毕昇），并生成结构化报告。

1.2 关键优势

• 效率提升：将传统需数日的文献回顾压缩至几分钟，且报告包含引用来源，可信度高。
• 深度适配：通过调整提示词聚焦特定方向，例如：

  # 示例提示词框架（基于Gemini Deep Research）
  角色：你是一名AI架构师，正在进行Agent系统研究。
  任务：对比工作流（Workflow）与自主智能体（Autonomous Agent）的架构差异，需包含：
        1. 核心架构特点
        2. 典型应用场景
        3. 代表平台（国内外各3个）
  输出格式：Markdown表格，附资料来源引用。
  

• 输出灵活：支持一键导出为Google Docs或Markdown，便于后续精炼。

💡 提示：DeepResearch虽高效，但关键决策点仍需人工验证（如架构选择权衡），它更适合快速构建调研基础，而非完全替代深度思考。

2 Agent应用产品盘点与理解

我对企业级智能体应用领域尤为感兴趣。该领域产品注重落地实效、数据安全与稳定性，正推动各行业数字化转型。以下是对代表性产品的盘点：

核心观察：

1. 从“工具”到“伙伴”：产品正从执行单一任务（如代码生成）向自主协同（如多智能体协作处理复杂项目）演进，追求更高程度的自主性。
2. 垂直化与场景深耕：通用平台（如LangChain）提供基础能力，但解决具体业务痛点（如零售库存优化、财务对账）的垂直产品更易显现价值。
3. 数据安全与可控性：企业级产品普遍强调私有化部署和信创兼容，这是规模化落地的重要前提。

3 Agent应用的核心技术栈与学习路径

3.1 核心技术栈

一个成熟的Agent系统是多项技术协同的结果，其核心可归纳为以下五大模块：

此外，架构模式决定了技术的组织方式：

• ReAct (Reason+Act)：轻量级原型首选，交替进行“思考-行动”循环。
• MCP (Memory-Controller-Planner)：适合复杂工程化系统，模块职责清晰，便于维护。
• A2A (Agent-to-Agent)：多智能体协作，模拟组织分工，适合超复杂任务。

3.2 学习路径建议

掌握Agent开发需循序渐进，结合理论与实践：

graph LR
A[基础入门] --> B[进阶深化]
B --> C[高级实践]
C --> D[专家领域]

subgraph A[阶段一：基础入门]
    A1[无代码平台体验<br>Dify/Coze]
    A2[理解RAG原理与实践]
end

subgraph B[阶段二：进阶深化]
    B1[掌握核心API<br>OpenAI Function Calling]
    B2[学习框架LangChain/LlamaIndex]
end

subgraph C[阶段三：高级实践]
    C1[构建自主智能体<br>ReAct/规划/记忆]
    C2[探索多智能体协作]
end

subgraph D[阶段四：专家领域]
    D1[私有化部署与安全]
    D2[深耕垂直行业应用]
end

1. 阶段一：基础入门

   • 目标：建立直观认知，了解Agent能做什么。
   • 行动：
     • 体验无代码平台（如Dify、Coze），快速搭建一个客服机器人或数据库查询Agent，理解工作流概念。
     • 学习RAG基础知识，解决“模型知识过时和幻觉”问题。
   • 资源：Udemy《n8n Crash Course》、Coze官方文档。

2. 阶段二：进阶深化

   • 目标：掌握核心模块的开发能力。
   • 行动：
     • 深入LLM API：必学Function Calling，这是工具调用的基石。
     • 学习开发框架：从LangChain或LangGraph入手，学习其Tools、Chains、Agents等核心概念，实现复杂工作流。
     • 集成记忆系统：尝试用Chroma等向量数据库为Agent添加长期记忆。
   • 资源：OpenAI Function Calling文档、LangChain官方教程、《基于DeepSeek大模型的Agent技术应用开发实践》课程。

3. 阶段三：高级实践

   • 目标：设计并实现可落地的复杂Agent系统。
   • 行动：
     • 构建自主智能体：尝试实现ReAct循环，集成规划与反思能力。
     • 探索多智能体协作：使用CrewAI等框架，模拟多角色协作（如PM、Dev、QA）完成项目。
     • 参与真实项目：参考GitHub开源项目（如Agentic RAG、多智能体航班查询），克隆代码并学习。
   • 资源：Avi Chawla《2025年AI Agent全景报告》、GitHub热门Agent项目。

4. 阶段四：专家与领域深耕

   • 目标：解决企业级落地挑战，成为领域专家。
   • 行动：
     • 关注安全与部署：学习私有化部署、数据安全、信创环境适配。
     • 深耕垂直行业：选择1-2个感兴趣的方向（如金融、制造、营销），深入研究行业知识和痛点，打造专家级解决方案。

总结与行动建议

Agent领域的发展日新月异，但万变不离其宗：以扎实的核心技术栈为基石，以解决真实业务问题为导向。

• 如果你刚开始接触：别被纷繁的概念迷惑，从“用”开始，亲手搭一个最简单的Agent，感受其价值。
• 如果你志在开发：深度掌握Function Calling和至少一个主流框架（如LangChain），这是你构建一切复杂应用的基础。
• 如果你关注企业落地：在技术之外，务必深刻理解业务场景，并始终将可靠性、安全性和成本效益放在重要位置。

下一步行动：立即选择一项技术或一个产品，深入体验或构建一个迷你项目吧！

推荐学习资源（鲁力老师亲荐，含金量高）

1. 官方文档：OpenAI函数调用指南（https://platform.openai.com/docs/guides/function-calling）——搞懂工具调用的基础；
2. 经典论文：Lilian Weng《LLM Powered Autonomous Agents》（https://lilianweng.github.io/posts/2023-06-23-agent/）——自主Agent的技术框架奠基文；
3. 框架文档：LangChain《What is an AI agent?》（https://blog.langchain.dev/what-is-an-agent/）、毕昇官网（https://bisheng.ai.com/）——实战必备；
4. 实践项目：用Dify搭一个“个人助手”（查天气+搜新闻），用LangChain做一个“多文档总结Agent”——动手比看文档快10倍。

Agent开发现在还是“快速迭代期”，没有“标准答案”，但鲁力老师的分享给了我们一个“落地框架”——从定义到工具，从架构到实践，每一步都有明确的指引。后续我会基于这些知识点，以赛促学，动手做一个“Agent”，守护银发：老年生活有点AI创新挑战赛
跳出传统“养老"思维，设计辅助型AI解决方案或通
过轻量AI工具，帮助老年人保持独立、融入社会。
到时再跟大家分享实战细节～也期待与大家交流学习