網站過程,延慶網站制作,wordpress 頁面顯示文章,廣州網站建設論壇如何把 Agent 推向生產#xff1f;2025 年 12 月#xff0c;LangChain 發(fā)布了一篇博客#xff1a;Agent Engineering: A New Discipline。 這不是又一個新框架#xff0c;而是對過去三年 Agent 開發(fā)經驗的總結。LangChain 團隊觀察了數(shù)千個團隊構建 Agent 的過程#xff…如何把 Agent 推向生產2025 年 12 月LangChain 發(fā)布了一篇博客Agent Engineering: A New Discipline。這不是又一個新框架而是對過去三年 Agent 開發(fā)經驗的總結。LangChain 團隊觀察了數(shù)千個團隊構建 Agent 的過程發(fā)現(xiàn)成功把 Agent 推向生產的團隊——Clay、Vanta、LinkedIn、Cloudflare——都在做一件相似的事。他們稱之為Agent Engineering。Prompt Engineering 教我們寫好提示詞。Context Engineering 教我們系統(tǒng)性地管理上下文。 而Agent Engineering 教我們如何把 Agent 真正推向生產。這是LLM 應用開發(fā)方法論的第三次演進。這篇文章帶你拆解這套方法論。0. 新學科誕生 — 什么是 Agent Engineering根據(jù) LangChain 的定義Agent Engineering 是將非確定性的 LLM 系統(tǒng)打磨成可靠生產體驗的迭代過程。其中關鍵詞非確定性、迭代、生產體驗。傳統(tǒng)軟件是確定性的。給定輸入輸出可預測。你可以寫單元測試覆蓋所有邊界情況。Agent 是非確定性的。同樣的輸入可能有不同的輸出。你永遠無法在上線前覆蓋所有場景。所以 Agent Engineering 的核心循環(huán)是Build → Test → Ship → Observe → Refine → Repeat注意順序Ship 在 Observe 之前。傳統(tǒng)開發(fā)思路先完善再上線。而 Agent 開發(fā)思路先上線再完善。上線不是終點而是獲取洞察、改進 Agent 的起點。1. 三種技能 — Agent Engineer 需要什么能力Agent Engineering 融合了三種技能產品思維定義 Agent 的邊界能做什么不能做什么寫 Prompt可能是幾百甚至上千行的系統(tǒng)提示詞設計評估標準什么叫好什么叫不好Agent 不是在回答問題而是在完成任務。這需要深入理解用戶的job to be done。工程能力寫工具Agent 需要調用的 API、數(shù)據(jù)庫、外部服務做 UI/UX流式輸出、中斷處理、人機協(xié)作界面構建運行時持久執(zhí)行、檢查點、內存管理Agent 的可靠性很大程度上取決于基礎設施的可靠性。數(shù)據(jù)科學建立評估系統(tǒng)自動化測試、A/B 測試、監(jiān)控分析使用模式用戶在問什么Agent 在哪里出錯錯誤分析Agent 的行為空間比傳統(tǒng)軟件大得多你不能靠直覺改進 Agent你需要數(shù)據(jù)。2. 本質區(qū)別 — 為什么傳統(tǒng)方法論不夠用Agent 和傳統(tǒng)軟件有三個本質區(qū)別每個輸入都是邊緣情況傳統(tǒng)軟件有正常輸入和邊緣情況的區(qū)分。Agent 沒有。用戶可以用自然語言說任何話。“讓它更好看一點”、“像上次那樣但不一樣”——這些模糊指令Agent 也得處理。傳統(tǒng)調試方法失效傳統(tǒng)軟件出 bug你可以打斷點、看日志、復現(xiàn)問題。Agent 出問題大部分邏輯在模型里。你需要檢查每一步決策、每一次工具調用。小小的 Prompt 改動可能導致行為巨變。能用不是二元的傳統(tǒng)軟件要么能用要么不能用。99.99% uptime 意味著系統(tǒng)健康。Agent 可以 100% uptime但完全跑偏。它在回答問題但答案是錯的。它在調用工具但方式不對。它在遵循指令但理解錯了意圖。Agent 的可靠性不能用傳統(tǒng)指標衡量。3. 實踐方法 — 六步迭代循環(huán)LangChain 觀察成功團隊后總結出一套實踐方法第一步搭建基礎設計 Agent 架構。簡單的 LLM 工具循環(huán)還是多 Agent 系統(tǒng)需要多少 workflow確定性流程多少 agencyLLM 決策第二步測試能想到的場景用示例場景測試發(fā)現(xiàn) Prompt、工具定義、流程的明顯問題。心態(tài)轉變不是測完再上而是測得差不多就上上了再看。第三步上線看真實行為一上線你就會看到各種沒想到的輸入。每一條生產 trace 都在告訴你Agent 真正需要處理什么。第四步觀察追蹤每一次交互完整對話、每次工具調用、每個決策的上下文。在生產數(shù)據(jù)上跑評估。第五步優(yōu)化找到失敗模式后改 Prompt、改工具定義。把問題案例加回測試集做回歸測試。第六步重復上線改進觀察變化。每一輪循環(huán)都讓你更了解用戶如何使用 Agent。4. 你的角色 — 如何參與 Agent EngineeringAgent Engineering 不是一個新崗位而是現(xiàn)有角色的能力延伸。不同背景的人分工不同如果你是工程師重點關注工具和運行時。寫好 Agent 調用的 API構建可靠的執(zhí)行環(huán)境實現(xiàn)檢查點和持久執(zhí)行。同時也要參與 Prompt 編寫、追蹤 Agent 決策鏈路。如果你是產品經理重點關注邊界定義。Agent 能做什么、不能做什么這是產品決策。你會發(fā)現(xiàn)自己在寫 Prompt——Prompt 本質上是產品需求的另一種表達。如果你是數(shù)據(jù)科學家重點關注評估和分析。建立評估體系衡量 Agent 可靠性從生產數(shù)據(jù)中發(fā)現(xiàn)改進機會。Agent 的行為空間比傳統(tǒng)軟件大得多需要更系統(tǒng)的分析方法。如果你是平臺工程師重點關注基礎設施。Agent 需要持久執(zhí)行、人機協(xié)作、流式輸出——這些都是平臺能力。關鍵洞察Agent Engineering 是跨職能的。工程師追蹤到錯誤可能需要 PM 調整 Prompt。PM 發(fā)現(xiàn)邊界問題需要工程師開發(fā)新工具。沒有人能獨自完成。這也對項目管理者提出更高的要求要打破職能邊界讓工程師、PM、數(shù)據(jù)科學家圍繞同一個 Agent 緊密協(xié)作。迭代周期要短反饋循環(huán)要快。5. 演進脈絡 — 從 Prompt 到 Context 到 AgentAgent Engineering 是 LLM 應用開發(fā)方法論的第三次演進階段核心問題關注點Prompt Engineering如何寫好提示詞單次 LLM 調用的質量Context Engineering如何提供正確的上下文Agent 的能力邊界Agent Engineering如何讓 Agent 可靠運行生產環(huán)境的可靠性Prompt Engineering 教我們手工打磨 token。Context Engineering 教我們系統(tǒng)性管理輸入——RAG、Tools、Skills。Context Engineering 解決Agent 能做什么。Agent Engineering 解決Agent 如何可靠地做。Agent Engineering Prompt Engineering Context Engineering 生產化方法論為什么是現(xiàn)在 — 兩個根本性轉變轉變一LLM 足夠強大LLM 現(xiàn)在能處理復雜的多步驟工作流。Agent 在接管整個工作而不只是任務。Clay 用 Agent 處理從潛客研究到個性化外聯(lián)到 CRM 更新的全流程。LinkedIn 用 Agent 掃描海量人才庫即時呈現(xiàn)最佳匹配。轉變二能力帶來不可預測性讓 Agent 強大的特性也讓它們行為異常?？缍嗖酵评?、調用工具、根據(jù)上下文適應——這些能力意味著每個輸入都是邊緣情況。Agent 在運行真正有影響力的工作流但行為方式傳統(tǒng)軟件無法解決。7. 總結 — 一門新學科成功把 Agent 推向生產的團隊有一個共同點他們不再追求上線前完美而是把生產環(huán)境當作主要的老師。追蹤每個決策。大規(guī)模評估。以天為單位迭代而不是以季度為單位。正如 LangChain 文章標題所說Agent Engineering 是一門新學科。模型能力在提升交互模式在進化越來越多項目從 POC 走向生產。Agent 開發(fā)的方法論也必然隨之演進這不會是一套固定標準而是在實踐中不斷完善。如何學習大模型 AI 由于新崗位的生產效率要優(yōu)于被取代崗位的生產效率所以實際上整個社會的生產效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優(yōu)勢”。這句話放在計算機、互聯(lián)網、移動互聯(lián)網的開局時期都是一樣的道理。我在一線互聯(lián)網企業(yè)工作十余年里指導過不少同行后輩。幫助很多人得到了學習和成長。我意識到有很多經驗和知識值得分享給大家也可以通過我們的能力和經驗解答大家在人工智能學習中的很多困惑所以在工作繁忙的情況下還是堅持各種整理和分享。但苦于知識傳播途徑有限很多互聯(lián)網行業(yè)朋友無法獲得正確的資料得到學習提升故此將并將重要的AI大模型資料包括AI大模型入門學習思維導圖、精品AI大模型學習書籍手冊、視頻教程、實戰(zhàn)學習等錄播視頻免費分享出來。第一階段10天初階應用該階段讓大家對大模型 AI有一個最前沿的認識對大模型 AI 的理解超過 95% 的人可以在相關討論時發(fā)表高級、不跟風、又接地氣的見解別人只會和 AI 聊天而你能調教 AI并能用代碼將大模型和業(yè)務銜接。大模型 AI 能干什么大模型是怎樣獲得「智能」的用好 AI 的核心心法大模型應用業(yè)務架構大模型應用技術架構代碼示例向 GPT-3.5 灌入新知識提示工程的意義和核心思想Prompt 典型構成指令調優(yōu)方法論思維鏈和思維樹Prompt 攻擊和防范…第二階段30天高階應用該階段我們正式進入大模型 AI 進階實戰(zhàn)學習學會構造私有知識庫擴展 AI 的能力?？焖匍_發(fā)一個完整的基于 agent 對話機器人。掌握功能最強的大模型開發(fā)框架抓住最新的技術進展適合 Python 和 JavaScript 程序員。為什么要做 RAG搭建一個簡單的 ChatPDF檢索的基礎概念什么是向量表示Embeddings向量數(shù)據(jù)庫與向量檢索基于向量檢索的 RAG搭建 RAG 系統(tǒng)的擴展知識混合檢索與 RAG-Fusion 簡介向量模型本地部署…第三階段30天模型訓練恭喜你如果學到這里你基本可以找到一份大模型 AI相關的工作自己也能訓練 GPT 了通過微調訓練自己的垂直大模型能獨立訓練開源多模態(tài)大模型掌握更多技術方案。到此為止大概2個月的時間。你已經成為了一名“AI小子”。那么你還想往下探索嗎為什么要做 RAG什么是模型什么是模型訓練求解器 損失函數(shù)簡介小實驗2手寫一個簡單的神經網絡并訓練它什么是訓練/預訓練/微調/輕量化微調Transformer結構簡介輕量化微調實驗數(shù)據(jù)集的構建…第四階段20天商業(yè)閉環(huán)對全球大模型從性能、吞吐量、成本等方面有一定的認知可以在云端和本地等多種環(huán)境下部署大模型找到適合自己的項目/創(chuàng)業(yè)方向做一名被 AI 武裝的產品經理。硬件選型帶你了解全球大模型使用國產大模型服務搭建 OpenAI 代理熱身基于阿里云 PAI 部署 Stable Diffusion在本地計算機運行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何優(yōu)雅地在阿里云私有部署開源大模型部署一套開源 LLM 項目內容安全互聯(lián)網信息服務算法備案…學習是一個過程只要學習就會有挑戰(zhàn)。天道酬勤你越努力就會成為越優(yōu)秀的自己。如果你能在15天內完成所有的任務那你堪稱天才。然而如果你能完成 60-70% 的內容你就已經開始具備成為一名大模型 AI 的正確特征了。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】