目录

前言

关于人工智能相关文件

关于《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》

编辑推荐

内容简介

作者简介

图书目录

《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》全书速览

结束语

---

前言

2025年8月14日，国务院新闻办公室在北京举行“高质量完成‘十四五’规划”系列主题新闻发布会。国家发展改革委党组成员、国家数据局局长刘烈宏答记者问时表示：“2024年初，我国日均Token的消耗量为1千亿，截至今年6月底，日均Token消耗量已经突破30万亿，1年半时间增长了300多倍，这反映了我国人工智能应用规模的快速增长。”同年8月26日，国务院发布《关于深入实施“人工智能+”行动的意见》（后称“意见”），对提升模型基础能力、加强数据供给创新、强化智能算力统筹等方面提出要求，这为AI Agent的发展构建了全方位、多层次的支撑体系。那么接下来就来深度介绍一下。

关于人工智能相关文件

“意见”中“人工智能 +”在各个领域的重点行动，为AI Agent提供了广阔的发展空间。

• “人工智能 +”科学技术：在科研领域，AI Agent可作为科研助手，加速科学发现进程，例如加快探索人工智能驱动的新型科研范式，推动科学大模型建设应用等；驱动技术研发模式创新，实现技术研发、工程实现、产品落地一体化协同发展。
• “人工智能 +”产业发展：在产业发展方面，AI Agent能够融入产业全要素智能化发展，助力传统产业改造升级，培育智能原生新模式、新业态，推进工业、农业、服务业等各领域智能化发展，开辟新赛道。
• “人工智能 +”消费提质：在消费提质领域，AI Agent可拓展服务消费和产品消费新场景，培育覆盖更广、内容更丰富的智能服务业态，推动智能终端“万物智联”，为用户提供更便捷、更智能的消费体验。
• “人工智能 +”民生福祉：在个人生活方面，AI Agent 能够创造更智能的工作方式，探索人机协同新型组织架构；推行更富成效的学习方式，融入教育教学全要素、全过程；打造更有品质的美好生活，在医疗健康、文化生产传播、人际关系织密等多方面发挥重要作用，协助个人打造更有品质的美好生活。

这些丰富的应用场景为AI Agent开发提供了明确的方向和目标，促使相关企业和个人不断优化和改进AI Agent的功能和性能，以满足不同领域的需求。由此可见，在当下经济结构加速调整、科技迭代日新月异的时代，学习AI Agent开发极为重要。AI Agent作为融合多种先进技术的“智慧载体”，具备感知环境、分析决策与执行任务的能力，能精准适配不同场景需求。

关于《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》

接下来给大家推荐一本关于AI Agent开发的书籍《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》，这是一本聚焦AI Agent全流程开发的干货图书，凭借对MCP、A2A、LangGraph等核心技术的深度解析与实战指导，一经上市便在技术读者群体中获得广泛关注。本书从AI Agent的核心原理剖析讲起，逐步延伸至MCP架构设计、A2A交互机制落地、LangGraph流程编排等实战技巧，助开发者在智能体开发的实际工作中理清思路、少走弯路，高效实现从技术选型到项目落地的全流程突破！另外，关注本文博主，点赞+收藏本文，且在本文评论区评论“AI Agent开发”，将选取三名幸运读者送出纸质版《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》一本，截止时间：2025.11.16。入手《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》传送门：https://item.jd.com/15182058.html 或者https://product.dangdang.com/29953766.html ，个人觉得这本书非常不错，既有技术深度又兼具实践价值，是AI Agent开发领域不可多得的好书，值得开发者入手学习，为掌握智能体开发核心能力筑牢基础。

编辑推荐

适读人群 ：本书既适合希望向AI应用开发领域转型的传统软件工程师阅读，也适合有一定AI开发经验并希望提升实战能力的技术人员阅读。

1. 拒绝 “空谈理论”：所有技术点都有实操步骤，比如 Ollama 安装、Kubernetes容器编排、MCP Server 代码实现，保证学习效果。

2. 聚焦 “落地能力”：不仅讲技术原理，更讲企业怎么用，帮你理解技术在业务中的价值，提升职场竞争力。

3. 覆盖 “最新标准”：MCP/A2A 协议是 2025 年行业关注重点，提前掌握能让你在项目中快速落地，避免 “踩坑”。

4. 通俗易懂：配套400+张图、代码操作步骤和180+分钟视频，兼顾新手理解（如 “零框架入门”）和专业深度（如 LangGraph 节点流转逻辑），不同基础读者都能受益。

内容简介

本书从基础理论到工程实践系统讲解AI Agent的开发，内容涵盖Function Calling、AI智能体设计模式、MCP、RAG、多模态、LangGraph、A2A等主流技术与工具的实战应用，共7章。 第1～3章介绍AI Agent开发需要具备的基础知识，包括AI应用开发快速入门、大模型私有化部署的3种常见方案，以及模型微调与蒸馏的技术原理与实践。第4～7章涵盖4个AI Agent开发项目：基于MCP打造求职助手；基于平台化开发思想构建AI版“作业帮”；基于LangGraph打造智能编程助手；基于A2A协议打造多智能体AI金融项目，每章均配有代码示例与实操步骤。 本书既适合希望向AI应用开发领域转型的传统软件工程师阅读，也适合有一定AI开发经验并希望提升实战能力的技术人员阅读。

作者简介

邢云阳，联通云AI与容器技术专家、架构师，主要负责云原生Serverless产品、传统大数据与中间件上云、AI Agent、RAG等产品的设计研发工作，带领团队自研了容器化大数据平台、Serverless Kubernetes产品，并参与推动了本地存储服务器的云灾备项目。在极客时间开设了“DeepSeek应用开发实战”“AI重塑云原生应用开发实战”两个专栏，分别介绍AI Agent开发实践和如何将AI大模型应用于云原生，备受好评。

图书目录

第 1章 AI应用开发快速入门 1

1．1 “应用级”程序员入局AI应用开发领域的捷径 1

1．1．1 DeepSeek的使用 1

1．1．2 DeepSeek的能力边界 5

1．1．3 DeepSeek开源的价值 6

1．2 零开发框架实现Function Calling 6

1．2．1 Function Calling诞生的背景 7

1．2．2 开发环境准备 7

1．2．3 Function Calling实践演示 8

1．3 Agent常用设计模式 15

1．3．1 CoT模式 15

1．3．2 ReAct模式 16

1．3．3 Reflexion模式 18

1．3．4 ReWOO模式 19

1．4 零开发框架实现ReAct Agent 21

1．4．1 LangChain Hub与ReAct提示词模板 22

1．4．2 Agent工具实现逻辑 25

1．4．3 Agent多轮对话核心逻辑 26

第 2章 大模型私有化部署的3种主流方案 29

2．1 基于Ollama、AI网关和LobeChat构建高可用大模型集群 29

2．1．1 Ollama简介 29

2．1．2 GPU环境准备与Ollama安装 30

2．1．3 实战：使用Ollama单点部署DeepSeek R1 32

2．1．4 高可用大模型集群架构设计 36

2．1．5 AI时代给网关带来的挑战 37

2．1．6 实战：利用Higress和Ollama搭建高可用集群 38

2．1．7 实战：利用LobeChat实现可视化对话 44

2．2 非量化版DeepSeek分布式部署方案 46

2．2．1 快速理解Kubernetes 46

2．2．2 Kubernetes安装 49

2．2．3 容器编排与服务暴露 52

2．2．4 分布式部署与推理 55

2．2．5 使用vLLM部署DeepSeek R1 57

2．2．6 分布式计算与Ray入门 60

2．2．7 基于Kubernetes、vLLM和Ray分布式部署DeepSeek R1 61

2．3 llama．cpp：在无GPU的服务器上部署DeepSeek 70

2．3．1 llama．cpp与量化技术 71

2．3．2 基于CPU服务器和llama．cpp部署DeepSeek R1 72

2．3．3 HTTP服务发布 75

第3章 模型微调与蒸馏 78

3．1 模型微调 78

3．1．1 微调的基本概念 78

3．1．2 一站式微调平台LLaMA-Factory 79

3．1．3 将DeepSeek-R1-Distill-Qwen-7B微调为新闻分类器 88

3．2 模型蒸馏 93

3．2．1 蒸馏的流程 93

3．2．2 生成教学数据 95

3．2．3 蒸馏出一个新闻分类型Qwen2．5-7B模型 97

第4章 基于MCP打造AI求职助手 99

4．1 AI求职助手的设计 99

4．1．1 传统求职模式的基本流程 99

4．1．2 AI求职助手架构设计与技术选型 100

4．2 MCP原理与实践 101

4．2．1 MCP原理 101

4．2．2 使用MCP实现Text2SQL数据库查询 103

4．3 实现员工绩效系统MCP Server 110

4．3．1 UV与MCP项目初始化 111

4．3．2 员工绩效系统MCP Server代码实现 113

4．4 实现MCP Client 122

4．4．1 MCP通信方式 122

4．4．2 使用stdio通信方式 123

4．4．3 使用HTTP+SSE通信方式 126

4．4．4 使用Streamable HTTP通信方式 130

4．5 使用无头浏览器抓取岗位数据 132

4．5．1 岗位数据获取方法 133

4．5．2 无头浏览器实践 133

4．5．3 使用代理IP 142

4．6 人岗智能匹配 144

4．6．1 MCP Server项目管理 144

4．6．2 MCP Server的代码实现 146

4．6．3 MCP Host与MCP Client的代码实现 151

4．7 使用RAG技术对复杂简历进行浓缩 157

4．7．1 简历浓缩与RAG技术 157

4．7．2 使用RAG技术浓缩简历 159

4．8 借助AI根据岗位要求完善简历 165

4．8．1 根据岗位详情完善简历 165

4．8．2 使用模板辅助AI完善简历 168

第5章 基于平台化开发思想实现AI版“作业帮” 170

5．1 AI版“作业帮”的设计 170

5．1．1 AI应用开发中的平台化开发思想 170

5．1．2 项目流程设计 171

5．2 零代码Agent和工作流开发 171

5．2．1 零代码实现AI Agent 172

5．2．2 通过拖曳实现AI工作流 176

5．3 API工具开发套路 182

5．3．1 基于Dify配置自定义工具 183

5．3．2 基于FastAPI开发符合标准的工具 189

5．4 视觉识别技术：识别试卷题目并分析解答 193

5．4．1 OCR识别技术 193

5．4．2 使用豆包大模型 196

5．4．3 搭建“作业帮”工作流 202

5．5 RAG技术：借助题库提升答题准确率 204

5．5．1 基于RAG实现题库 204

5．5．2 将知识库问答助手加入工作流 217

5．6 引入校验机制提升答题准确率 223

5．6．1 QwQ模型简介 223

5．6．2 添加校验机制 223

5．6．3 通过飞书通知相关人员 225

第6章 基于LangGraph打造智能编程助手 230

6．1 基于LangGraph的代码生成 230

6．1．1 LangGraph诞生的背景 231

6．1．2 项目整体设计 232

6．2 LangGraph快速上手 233

6．2．1 节点与边 233

6．2．2 普通边与多节点 235

6．2．3 状态在节点间的流转 236

6．3 定制编写Web后端项目 239

6．3．1 生成简单的Golang Web后端代码 239

6．3．2 生成实体类代码 243

6．4 根据数据字典文档自动生成实体类 247

6．4．1 实现LangGraph Agent 247

6．4．2 根据数据字典生成实体类 250

6．5 复用代码库历史代码 254

6．5．1 历史代码复用思路 254

6．5．2 基于RAG实现历史代码复用 254

6．6 使用GraphRAG分析代码结构 259

6．6．1 从传统RAG到GraphRAG 260

6．6．2 GraphRAG原理 260

6．6．3 GraphRAG实战 261

第7章 基于A2A打造多Agent金融项目 268

7．1 基于LangGraph与A2A的AI金融项目 268

7．1．1 AI金融项目的背景 268

7．1．2 项目简介 268

7．2 量化分析师的金融数据抓取“神器” 269

7．2．1 AKShare与日K数据相关概念 269

7．2．2 历史日K数据的抓取与排序 272

7．3 用自然语言查询股票名称与代码 275

7．3．1 实现股票信息查询工具 275

7．3．2 LangGraph进阶 277

7．4 抓取沪深A股全部股票的日K数据 282

7．4．1 日K数据并发抓取技巧 282

7．4．2 抓取过去两年的沪深A股日K数据 285

7．4．3 增量抓取技巧 288

7．5 计划模式：让Agent有计划地分析股票数据 289

7．5．1 抓取财报数据 289

7．5．2 实现指标计算工具与财报工具 291

7．5．3 全新的Agent设计模式—计划模式 293

7．6 简易金融量化策略分析 297

7．6．1 量化策略之量能策略 297

7．6．2 量化分析Agent实战 298

7．7 A2A协议 303

7．7．1 A2A与MCP 303

7．7．2 A2A协议详解 305

7．7．3 实现基于A2A的多Agent金融助手 307

《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》全书速览

结束语

通过本文的介绍可以看到AI Agent拥有广阔的发展空间和明确的方向目标，能精准适配不同场景需求，掌握其开发技能是适应未来多元化工作需求的必学技能。个人觉得《AI Agent 开发实战：MCP+A2A+LangGraph 驱动的智能体全流程开发》为读者学习AI Agent开发技能提供了良好指引：从夯实理论基础，阐释基本概念、发展历程及应用场景，到掌握关键技术，每项技术均结合原理、代码与实战以降低学习难度，再到多领域AI Agent开发项目实战演练，涵盖多个关键领域并提供智能化解决方案。感兴趣的小伙伴可以下手了，立即下单，掌握AI Agent开发技能，提升新时代核心竞争力！