目 錄

第1章 從大語言模型到智能體的演進 1
1.1 從大語言模型到智能體 1
1.1.1 自回歸大模型核心技術的突破 1
1.1.2 大語言模型發(fā)展的里程碑 2
1.1.3 從大語言模型到智能體 3
1.2 Qwen3架構革新與性能躍遷 4
1.2.1 Qwen3核心技術解讀 4
1.2.2 Qwen3并行計算效能躍遷 6
1.2.3 Qwen3重新定義工作認知 8
1.3 本章小結 9
第2章 Agent開發(fā)環(huán)境配置 10
2.1 智能體開發(fā)環(huán)境安裝 10
2.1.1 Miniconda的下載與安裝 11
2.1.2 PyTorch的下載與安裝 13
2.1.3 PyCharm編譯器的安裝與使用 16
2.2 本地化Qwen3的下載與基礎使用 19
2.2.1 ModelScope簡介 20
2.2.2 Qwen3模型的本地化部署與使用 21
2.2.3 Qwen3中思考模式的切換 22
2.3 本章小結 24
第3章 基于陪伴Agent的大模型微調(diào) 25
3.1 大模型微調(diào) 25
3.1.1 大模型微調(diào)的作用 25
3.1.2 大模型微調(diào)技術有哪些 26
3.2 二次元風格的陪伴Agent微調(diào)實戰(zhàn) 26
3.2.1 微調(diào)模型與數(shù)據(jù)集的準備 27
3.2.2 使用TRL全量微調(diào)大模型 29
3.2.3 使用微調(diào)后的大模型進行二次元風格問答 31
3.3 本章小結 32
第4章 在線Qwen3大模型的基本使用 33
4.1 網(wǎng)頁端Qwen3大模型的基本使用 33
4.1.1 在線Qwen3的注冊與基本使用 34
4.1.2 不同提示詞對回答的影響 35
4.2 Qwen3在線API的使用 37
4.2.1 在線Qwen3注冊與基本使用 37
4.2.2 不同需求的Qwen3的API使用 38
4.2.3 在線API的工具調(diào)用與簡單RAG處理 41
4.3 本章小結 44
第5章 RAG與提示詞工程 45
5.1 RAG技術體系 46
5.1.1 RAG的定義與核心流程 46
5.1.2 數(shù)據(jù)處理與分塊策略 47
5.1.3 Rerank機制詳解 49
5.2 問題表示與提示工程 51
5.2.1 核心原則與實踐 51
5.2.2 提示工程中的思維鏈詳解 52
5.3 結合RAG與思維鏈的任務拆解實戰(zhàn) 54
5.3.1 加載思維鏈的查詢處理 54
5.3.2 思維鏈的查詢處理 55
5.3.3 結合RAG的思維鏈任務規(guī)劃 57
5.4 本章小結 61
第6章 Agent架構設計 62
6.1 智能體技術演進路徑 62
6.1.1 從大模型到自主智能體的能力躍遷 63
6.1.2 LLM、Workflow與Graph技術路線對比分析 64
6.1.3 交互范式變革：從工具調(diào)用到意圖理解 65
6.2 智能體架構設計 66
6.2.1 感知-決策-執(zhí)行閉環(huán)架構設計 67
6.2.2 記憶模塊與上下文管理機制 67
6.2.3 工具調(diào)用與外部系統(tǒng)集成策略 68
6.3 本章小結 69
第7章 多Agent跨境電商智能客服實戰(zhàn) 70
7.1 分層Agent跨境電商智能客服基本架構設計 70
7.1.1 DTC模式的崛起與智能客服的新要求 71
7.1.2 跨境電商智能客服架構設計 72
7.1.3 用于復雜任務分配、解決與匯總的分層Agent架構 73
7.2 搭建具備商業(yè)問答能力的交流客服Agent 74
7.2.1 基于Qwen3的多語種智能客服基座模型簡介 75
7.2.2 真實客服數(shù)據(jù)集介紹與使用詳解 76
7.2.3 使用LoRA微調(diào)基座模型 77
7.2.4 使用微調(diào)后的智能客服基座模型完成推理 81
7.2.5 原生Qwen3多語種支持與跨境電商智能客服語言設置 82
7.3 給交流客服Agent注入垂直領域知識 85
7.3.1 給客服大模型直接添加知識的方法 86
7.3.2 更高精度的RAG詳解與使用示例 88
7.3.3 基于BM25算法的RAG實戰(zhàn) 90
7.3.4 基于Embedding向量排序的RAG實戰(zhàn) 94
7.3.5 補充講解1：智能客服模型垂直領域知識注入 100
7.3.6 補充講解2：用Qwen3開展向量計算 102
7.4 搭建基于Qwen3的調(diào)度Agent 104
7.4.1 使用MCP構建適配智能客服的工具集 104
7.4.2 基于在線Qwen3的客戶意圖識別與工具調(diào)度Agent 108
7.5 本章小結 112
第8章 多智能體協(xié)作的原生A2A協(xié)議詳解 114
8.1 A2A架構詳解 115
8.1.1 A2A的功能與定義 115
8.1.2 A2A通信與交互模塊詳解 116
8.2 Hello Agent：A2A多智能體交互實戰(zhàn) 119
8.2.1 定義模塊組件的實現(xiàn)與查看 119
8.2.2 服務模塊組件的實現(xiàn)與啟動 122
8.2.3 執(zhí)行模塊組件的實現(xiàn)與運行 125
8.3 本章小結 127
第9章 MCP與應用詳解 128
9.1 工具調(diào)用詳解 128
9.1.1 Python調(diào)用工具的基本原理 129
9.1.2 使用Qwen3演示大模型工具調(diào)用方法 130
9.2 MCP協(xié)議詳解 133
9.2.1 MCP功能與架構詳解 134
9.2.2 單機MCP服務端的搭建 137
9.2.3 單機MCP客戶端的搭建與使用 138
9.3 本章小結 143
第10章 云上MCP服務的部署與使用 144
10.1 多種MCP連接協(xié)議詳解 144
10.1.1 stdio與SSE傳輸協(xié)議 144
10.1.2 基于SSE傳輸協(xié)議的MCP服務端 146
10.1.3 可視化驗證基于SSE協(xié)議的MCP服務 146
10.2 局域網(wǎng)MCP服務器的搭建與使用實戰(zhàn) 150
10.2.1 局域網(wǎng)MCP服務端的搭建 150
10.2.2 局域網(wǎng)MCP客戶端連接MCP服務 152
10.3 基于騰訊云的MCP服務架設與使用 154
10.3.1 高效便捷的MCP云服務平臺 154
10.3.2 騰訊云MCP服務部署代碼的編寫 157
10.3.3 騰訊云端口的開啟以及在線MCP服務的驗證 158
10.3.4 騰訊云的持久化服務的開啟 160
10.4 本章小結 161
第11章 高德地圖MCP服務智能調(diào)用實戰(zhàn) 162
11.1 MCP驗證工具與高德地圖剖析 162
11.1.1 MCP Inspector使用演示 162
11.1.2 FastMCP用法講解 166
11.1.3 高德地圖MCP服務剖析與測試 171
11.2 高德MCP服務的解析與應用重構 181
11.2.1 基于URL的高德MCP服務的解析 182
11.2.2 原生高德MCP服務的解析 187
11.2.3 解析基于高德MCP工具調(diào)用的示例 191
11.3 智能化自定義高德MCP服務實戰(zhàn) 196
11.3.1 在線Qwen3大模型的使用 196
11.3.2 高德MCP函數(shù)工具的解析與格式轉換 198
11.3.3 在線Qwen3的工具格式、函數(shù)體與轉換函數(shù) 200
11.3.4 結合Qwen3智能化自定義高德MCP應用實戰(zhàn) 208
11.4 本章小結 214
第12章 構建個性化的arXiv科研論文MCP服務實戰(zhàn) 215
12.1 將arXiv MCP服務拆解為API應用 215
12.1.1 基礎arXiv MCP服務的安裝與拆解運行 216
12.1.2 使用大模型實現(xiàn)輔助工具函數(shù)設置 217
12.1.3 對查詢結果的個性化排序處理 222
12.1.4 適配閱讀習慣的可視化操作 225
12.2 設計個性化的科研論文查詢函數(shù)設計 226
12.2.1 FastAPI用法講解 226
12.2.2 基于Flow過程的科研論文查詢 229
12.2.3 將查詢服務重新包裝成API服務 233
12.3 將arXiv API包裝為MCP服務 236
12.3.1 重構原有的arXiv API服務 237
12.3.2 將arXiv API重新包裝為定制的MCP服務 240
12.4 本章小結 244
第13章 基于gradio的云上MCP服務發(fā)布 245
13.1 gradio的基本使用詳解 245
13.1.1 從gradio的Interface開始 245
13.1.2 gradio輸入與輸出組件 248
13.1.3 啟動gradio的launch 252
13.1.4 gradio中多樣化的輸入/輸出組件 253
13.1.5 gradio中常用的幾個組件 256
13.2 基于gradio的MCP服務 268
13.2.1 基于gradio本地實現(xiàn)MCP服務程序 269
13.2.2 基于gradio免費部署云端MCP服務 271
13.3 本章小結 274
第14章 基于MCP的旅游規(guī)劃智能體開發(fā)實戰(zhàn) 275
14.1 基礎智能體組件 276
14.1.1 智能體的基本模塊 276
14.1.2 智能體的System Prompt 277
14.1.3 對MCP服務的加載和處理 280
14.2 智能體整合與單一MCP實戰(zhàn) 282
14.2.1 完整的智能體整合 282
14.2.2 智能體整合高德MCP服務實戰(zhàn) 291
14.3 智能體引導的尋味之旅 292
14.3.1 規(guī)劃與文件處理MCP詳解 292
14.3.2 饗攬杭城：智能體引導的尋味之旅 301
14.4 本章小結 312
第15章 多智能體框架LangGraph與聊天助手實戰(zhàn) 313
15.1 初識LangGraph與工作流搭建 313
15.1.1 用LangGraph把大象裝進冰箱 314
15.1.2 LangGraph特性與技術原理 319
15.1.3 LangGraph組件詳解 319
15.1.4 LangGraph中的StateGraph 320
15.1.5 LangGraph中的節(jié)點 321
15.1.6 LangGraph中的邊 323
15.2 基于LangGraph的聊天助手搭建 324
15.2.1 LangGraph構建的聊天助手 325
15.2.2 原生LangGraph接口對Qwen3的調(diào)用 327
15.2.3 一般智能體運行范式詳解 328
15.2.4 基于LangGraph與Qwen3完成聊天助手 331
15.2.5 進階智能體構建 333
15.3 本章小結 337
第16章 基于LangGraph的高品質住宅投研智能體開發(fā)實戰(zhàn) 338
16.1 搭建投研助手的知識維度 339
16.1.1 負公攤深析：解構高品質住宅的價值基底 339
16.1.2 搭建全域知識架構的投研認知體系 340
16.1.3 智居范式躍遷：重構技術驅動的居住品質生態(tài) 341
16.2 基于Qwen3的高品質住宅投研助手實戰(zhàn) 342
16.2.1 智能體流程功能的定義 343
16.2.2 智能體流程角色的設定 344
16.2.3 投研智能體不同角色的組合與實現(xiàn) 346
16.2.4 完整投研智能體的搭建與運行 351
16.2.5 在騰訊云上部署高品質住宅投研助手 354
16.3 本章小結 356