📢 转载信息
原文链接：https://machinelearningmastery.com/the-machine-learning-practitioners-guide-to-agentic-ai-systems/
原文作者：Vinod Chugani
在本文中，您将学习从业者如何从传统机器学习工作流发展到设计、构建和发布面向生产的智能体AI系统。
我们将涵盖的主题包括：
- 使AI系统具有“智能体性”（agentic）的特征，以及这对从业者有何重要意义。
- 核心架构模式（ReAct、Plan-and-Execute、Reflexion）以及何时使用每种模式。
- 开发作品集级智能体技能的实用框架、项目和资源。
让我们不要再浪费时间。
机器学习从业者的智能体AI系统实践指南
图片作者提供
介绍
智能体人工智能（AI）代表了自深度学习改变该领域以来机器学习领域最重大的转变。从业者不再构建响应提示的反应式工具，而是设计能够独立规划、推理和行动以实现复杂目标的自主系统。这种转变正在重塑我们解决机器学习问题的方式，从简单的分类任务到需要战略思维和工具使用的复杂多步骤工作流。
对于机器学习和数据科学从业者而言，这种演变是建立在您现有基础之上的自然发展。您已经开发的核心技能 —— 提示工程、使用大型语言模型（LLM）、构建检索增强生成（RAG）系统 —— 现在是构建智能体系统的基石。这次转型需要学习新的架构模式和框架，但您正处于优势地位。
在本指南中，您将发现一个从传统机器学习过渡到智能体AI的分步方法。您将学习核心概念，探索最有效的框架，获取最佳学习资源，并了解如何构建能够解决实际问题的、可投入生产的智能体。本指南专为追求结果而非仅仅是理论的从业者而设计。
夯实基础知识
在深入研究智能体框架之前，您需要了解使AI具有“智能体性”的特征，以及为什么这很重要。
智能体AI指的是通过规划、推理、工具使用和记忆来独立追求目标的自主系统，而不仅仅是对提示做出反应。虽然传统的LLM是反应式的（您提问，它们回答），但智能体系统会主动分解复杂任务、做出决策、使用工具、从反馈中学习，并在没有持续人为指导的情况下调整其方法。
如果您已经在处理LLM，那么您就拥有所需的全部基础。智能体AI直接建立在提示工程、RAG系统和LLM应用之上。如果您需要复习，请查阅我们关于提示工程、RAG系列和LLM应用的指南。
从这里开始（免费）：Andrew Ng 主讲的智能体AI。这是您迈出的最佳第一步。在 Beta 期间免费，并向顶级专家学习核心设计模式。
学习核心架构模式
构建有效智能体的关键在于理解它们的思考和行动方式。每位从业者都应该了解三种基础架构。
ReAct（推理与行动）是最常见的起始模式。智能体在推理下一步该做什么、使用工具采取行动、观察结果之间交替进行，直到任务完成。它易于实现，适用于简单任务，但由于每一步都需要调用LLM，因此成本可能较高。
Plan-and-Execute（规划与执行）将规划与执行分离。智能体首先创建一个完整的、多步骤的计划，然后执行每个步骤（通常使用更小、更便宜的模型），并在需要时调整计划。对于复杂的、多步骤的工作流，这种方法通常比ReAct更快、更便宜，使其成为2025年生产系统的首选选择。
Reflexion（反思）通过语言反馈增加自我改进能力。智能体明确地批评自己的响应，维护过往尝试的记忆，并根据失败情况改进其方法。对于准确性比速度更重要的、以研究为主导和高风险的应用场景，它尤其有价值。
了解这些模式可以帮助您为用例选择正确的架构。简单的客户服务查询？ReAct效果很好。复杂的多步骤工作流，如数据分析管道？Plan-and-Execute。需要高准确性的研究智能体？Reflexion。
了解更多（免费）：参加 DeepLearning.AI 上关于 使用 AutoGen 的 AI 智能体设计模式 课程，以亲手实践这些模式的实现。
选择您的框架并深入学习
理论与实践在此交汇。您需要选择一个框架并用它来构建实际系统。在2025年，该领域有三个主要参与者：LangGraph、CrewAI和AutoGen。每个框架都服务于不同的需求。
LangGraph是生产系统的标准。它通过基于图的工作流、内置的状态管理以及LangGraph Studio和LangSmith提供的出色可观测性，提供了细粒度的控制。如果您需要具有详细监控的复杂、有状态工作流，这就是您的框架。学习曲线更陡峭，但对于专业部署来说是值得的。
CrewAI是启动多智能体系统的最快方式。其基于角色的设计使其非常直观。您可以定义具有特定角色和责任的智能体，分配任务，然后让它们协作。它非常适合内容创作、研究管道以及您可以将其视为“团队角色”的任何场景。
AutoGen（现为微软智能体框架的一部分）在对话式多智能体模式方面表现出色。它非常适合复杂的智能体协作和企业微软环境。2025年3月的更新引入了统一的SDK、智能体到智能体协议以及无缝的Azure AI Foundry集成。
选择一个框架开始。不要试图一次学习所有三个。对于大多数从业者来说，可以先从CrewAI开始快速原型设计，然后在需要生产级控制时学习LangGraph。
构建证明技能的实用项目
没有实践的理论无法为您带来机会。您需要作品集项目来证明您能够构建可投入生产的智能体。
从简单开始：构建一个研究智能体，该智能体接收一个问题，搜索多个来源，综合信息，并提供一个有引用的答案。这个项目教您工具集成（网络搜索）、内存管理（跟踪来源）和响应生成。
进阶：创建一个多智能体内容创作系统。定义具有特定角色的智能体：研究员、撰稿人、编辑、事实核查员。然后编排它们来制作经过润色的文章。这展示了对智能体协调和任务委派的理解。我们关于构建您的第一个多智能体系统：初学者指南的教程使用CrewAI对此进行了详细介绍。
高级：构建一个自主数据分析智能体，它可以连接到您的数据库，根据自然语言查询探索数据，生成见解，创建可视化，并标记异常 —— 所有这些都无需分步人为指导。这展示了RAG技术、工具使用和规划能力。
实践资源：
- 免费：微软的 面向初学者的AI智能体（GitHub上的12个结构化课程）
- 免费：500个AI智能体项目 仓库，提供行业特定的灵感
学习内存系统和高级模式
区分初级智能体开发人员和专家的在于对记忆和高级推理的理解。
内存系统对于需要在对话中保持上下文的智能体至关重要。短期记忆（会话状态）使用Redis或LangGraph内置的检查点（checkpointer）等工具来处理当前交互。长期记忆需要更精细的策略：用于语义检索的向量存储、用于结构化事实和时间跟踪的知识图谱，以及用于防止内存膨胀的摘要策略。
2025年的最佳实践是采用混合方法：用于语义检索的向量搜索、用于事实准确性和更新的知识图谱，以及用于管理增长的衰减策略。LangGraph的LangMem模块和Redis Agent Memory Server是经过生产验证的解决方案。
需要学习的高级模式包括智能体化RAG（智能体决定何时检索信息并生成目标查询）、多智能体编排（“木偶大师”模式，其中一个训练有素的编排器动态指导专家智能体）以及人在回路中的工作流（在为常规任务保持自主性的同时，将重要决策升级）。
被广泛采用的模型上下文协议（MCP）正在改变智能体的连接方式。现在学习MCP可以使您的技能面向未来，因为它正成为连接智能体与工具和数据源的标准。
深入研究资源：
- 免费：使用 LlamaIndex 构建智能体RAG (DeepLearning.AI)
- 免费：使用 DSPy 构建支持记忆的智能体
将您的学习付诸实践
您现在有了一个从基础到应用的全面路线图。当您发展这些技能时，您会在一系列职位中找到机会：AI工程师、机器学习工程师（专注于智能体）、AI架构师、MLOps工程师，以及新兴的智能体编排师职位。这些职位涵盖了从入门级到高级的各个级别，横跨各个行业，都需要您从本指南中获得的基础知识。
智能体AI领域正在迅速发展，市场规模预计将从2025年的50亿至70亿美元扩大到2030年至2034年的500亿至2000亿美元。金融服务、医疗保健、零售和专业服务等各个组织都在积极部署智能体系统。这种增长为理解智能体系统技术基础和实际实施的从业者创造了机会。现在发展这些技能的从业者正将自己定位在快速发展的领域前沿。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区