项目简介
全面讲解 AI Agent 设计与工程实践的书籍，涵盖从基础到多智能体协作的十章内容。仓库提供全书正文、多语言编译版 PDF 以及按章配套的示例代码。
README 预览
# 深入理解 AI Agent：设计原理与工程实践\n\n**[English](README.en.md) | 中文 | [Tiếng Việt](README.vi.md) | [தமிழ்](README.ta.md)**\n\n本仓库是《深入理解 AI Agent：设计原理与工程实践》一书的开源主仓库，包含**全书正文**与**配套示例代码**。全书正文、配图与配套实验代码全部开源，欢迎把实验亲手跑一遍、提 issue 和 PR。\n\n## 📖 电子书\n\n全书提供多种语言版本：\n\n- **中文 PDF（原版）**：[`book/深入理解-AI-Agent-李博杰-v1.2.pdf`](book/深入理解-AI-Agent-李博杰-v1.2.pdf)\n- **英文 PDF**（社区贡献翻译，by [@nsdevaraj](https://github.com/nsdevaraj)）：[`book-en/AI-Agents-in-Depth-Bojie-Li-v1.2.pdf`](book-en/AI-Agents-in-Depth-Bojie-Li-v1.2.pdf)\n- **泰米尔语 PDF**（社区贡献翻译，by [@nsdevaraj](https://github.com/nsdevaraj)）：[`book-ta/AI-Agents-in-Depth-Bojie-Li-v1.2-ta.pdf`](book-ta/AI-Agents-in-Depth-Bojie-Li-v1.2-ta.pdf)\n- **越南语 PDF**（社区贡献翻译，by [@toanalien](https://github.com/toanalien)）：[`book-vi/AI-Agents-in-Depth-Bojie-Li-v1.1-vi.pdf`](book-vi/AI-Agents-in-Depth-Bojie-Li-v1.1-vi.pdf)\n\n中文正文与编译好的 PDF 位于 [`book/`](book/) 目录；英文、泰米尔语与越南语翻译为**社区贡献**，分别位于 [`book-en/`](book-en/)、[`book-ta/`](book-ta/) 与 [`book-vi/`](book-vi/) 目录，内容可能滞后于中文原版：\n\n- **正文源码**：`book/introduction.md`（引言）、`book/chapter1.md` ~ `book/chapter10.md`（第一至第十章）、`book/afterword.md`（后记）\n- **自行编译**：安装 pandoc、xelatex、ElegantBook 文档类与相关字体后，运行\n\n ```bash\n cd book && bash build_pdf.sh\n ```\n\n 图表由 `book/gen_*_figs.py` 生成、存于 `book/images/`，排版细节见 `book/preamble.tex` 与 `book/*.lua`。\n\n## 📑 内容速览（第 1–10 章）\n\n全书围绕核心公式 **Agent = LLM + 上下文 + 工具** 展开，十章内容如下：\n\n- **第 1 章 · Agent 基础知识**：从“模型即 Agent”的新范式出发，建立 **Agent = LLM + 上下文 + 工具** 的核心公式，并引入 Harness 工程——模型之外的一切工程能力，才是真正的竞争力所在。\n- **第 2 章 · 上下文工程**：上下文决定 Agent 的能力上限。深入大模型 API 的上下文结构、KV Cache 友好设计、提示工程、动态提示词与 Agent Skills、状态栏元信息，以及上下文压缩策略。\n- **第 3 章 · 用户记忆和知识库**：让 Agent 跨会话记住用户、并接入外部知识。涵盖用户记忆系统、RAG 基础管道，以及超越扁平文本的知识组织与检索（结构化索引、知识图谱等）。\n- **第 4 章 · 工具**：工具是 Agent 的双手。讲工具分类与通用设计原则、MCP 协议与工具选择的挑战、感知/执行/协作三类工具，以及事件驱动的异步 Agent。\n- **第 5 章 · Coding Agent 与代码生成**：代码是“能创造新工具的工具”，是通用 Agent 的元能力。以生产级 Coding Agent 为例，展示这一最强通用工具的完整实现。\n- **第 6 章 · Agent 的评估**：把 Agent 的表现变成可比较的信号。从评估环境、数据集设计、指标体系，到统计显著性、可观测性、评估驱动选型，直至生产级内部评
常见问题 (5)
故障排除如何修复当加粗文本以中文引号开头时 Markdown 加粗无法渲染的问题？
GitHub/CommonMark 不会将开头的 ** 视为强调分隔符，如果它前面是普通的中文文本，并且紧跟在中文标点符号（如 “）之前。在 book/chapter1.md 中，将：
因此它是**“构建”这一部分内部的一个观察视角**，而不是覆盖全书十章的目录。
替换为修复后的改写版本：
因此，它是**构建部分内部的一个观察视角**，而不是覆盖全书十章的目录。
如果必须保留引号，则改用 HTML：
因此它是<strong>“构建”这一部分内部的一个观察视角</strong>，而不是覆盖全书十章的目录。
然后重新加载 GitHub 预览或已发布的页面，验证该短语是否显示为粗体。
informational当概念感觉很抽象、而且我总是忘记前面章节的内容时，我应该如何学习一本内容密集的 AI 智能体书籍？
采用主动的、基于项目的学习方法，而不是线性地从头读到尾。1）自己动手重新实现每一章的实验，而不是只阅读书中提供的代码；编程智能体可以提供帮助，但代码要亲自编写并运行。2）仔细观察实验输出，并调试各种失败情况，例如 API 无法访问或结果不符合预期——这些问题能加深理解。3）将书中的思想应用到真实的或个人的 AI 智能体项目中。4）利用每章的思考题进行自我检验。5）遵循"先把书读薄，再读厚，最后再读薄"的循环：提炼核心思想，通过笔记和实验将其扩展充实，然后将其凝练为自己简洁的原则。维护者还将这些建议添加到了 README 的 FAQ 中；更多与阅读相关的问题可以在仓库的 Discussions 区域讨论。
informational为什么在末尾追加 token 不会使 Transformer 的 KV cache 失效？
该描述需要更正。对于每个 token，K_i = x_i @ W_k 和 V_i = x_i @ W_v 仅取决于该 token 的输入和投影权重；因果注意力并不会使 K_i 或 V_i 依赖于之前的 token。因果掩码仅决定一个 token 可以关注哪些键/值。当追加新的 token 时，已有的前缀及其缓存的 K/V 保持不变，因此缓存仍然有效。新 token 利用缓存的前缀及其新条目，按 z_i = softmax(Q_i · K_{0..i}^T / sqrt(d)) @ V_{0..i} 计算注意力。如果前缀中较早的 token 发生变化，则必须重新计算受影响的缓存条目。
故障排除如何修复 MkDocs 首页章节卡片显示过时标题、与侧边栏或实际章节页面不一致的问题？
不一致问题是由项目根目录 index.md 中硬编码的章节卡片引起的。当手稿标题或章节顺序发生变化时，主页的 章节速览 卡片并未更新，因此尽管 book/chapter8.md 的标题是 模型后训练，第 8 章仍显示为 Agent 的持续进化。
永久修复：应用/合并 PR fix(site): generate homepage chapter index from manuscripts。在每次 MkDocs 构建时，根据当前手稿标题生成主页章节卡片，使用配置的导航顺序以及每个版本的 URL 前缀和文件名。然后重新构建并重新部署站点。
临时手动变通方法：编辑 index.md 中硬编码的 <span class="exp-title"> 条目，使其与实际的章节标题和链接相匹配。对于第 8 章，将卡片标题更改为 第 8 章 · 模型后训练。同时验证第 5–9 章，因为它们的标题/顺序似乎发生了偏移。重新生成或更新所有本地化主页文件（index.he.md、index.ko.md、index.ptbr.md 等），而不是仅修复默认主页。
informational我需要理解 AI Agent 书中实验的每一行代码吗？
不需要。在继续之前，你无需理解每一行代码。首先理解实验的目标、架构以及每个核心组件的作用。阅读章节内容和伪代码，然后使用 coding agent 从零开始实现该实验，直到它产出预期的结果。只有当你需要对行为进行细粒度控制，或者想学习底层语言/框架时，才去研究实现细节。专注于清晰地描述需求和设计；让 AI 处理重复性的实现代码。实验的 README 和新增的伪代码可以帮助阐明设计。