嘿，大家好！这里是一个专注于AI智能体的频道~

你是否也曾好奇，那些能自主执行任务、调用工具的 AI “agent” 是如何运作的？ 2024 年，我们见证了 AI 技术从简单的聊天机器人向更复杂的智能体转变。但当我们深入研究这些 agent 时，会发现它们背后的技术栈与我们熟悉的 LLM 技术栈截然不同。

今天，我们就来揭开 AI agent 技术的神秘面纱，为你梳理这个快速发展的领域，让你不再雾里看花。

从 LLM 到 Agent：一场深刻的进化

在 2022 和 2023 年，我们见证了 LLM 框架和 SDK 的爆发，如 LangChain 和 LlamaIndex。与此同时，LLM 的使用也变得更加方便，无论是通过 API 调用还是自行部署（比如 vLLM 和 Ollama）。

然而，到了 2024 年，大家的目光开始转向更高级的 AI “agent”。这个概念虽然早在 AI 领域就存在，但在 ChatGPT 时代，它有了新的内涵：能够自主行动、执行任务，并与外部工具交互的 LLM。

这种转变意味着，我们需要一套全新的技术栈来支撑 agent 的发展。

agent 技术栈：核心差异在哪里？

Agent 不仅仅是一个会聊天的大模型，它们更像是具备一定自主性的智能体。它们需要管理自己的状态（例如，对话历史和记忆）、调用各种工具，并且安全执行。这使得 agent 的技术栈和传统的 LLM 技术栈有很大的不同。

让我们从底层到顶层，逐一剖析 agent 技术栈的关键组成部分：

1. 模型服务：AI 的大脑

• 核心： LLM。这是 AI agent 的核心动力。

• 服务方式： 通过推理引擎提供服务，通常是付费/自己部署 API。

• 主要玩家：

• 闭源模型： OpenAI 和 Anthropic 领跑。

• 开源模型： Together.AI、Fireworks 和 Groq 等提供商开始崭露头角，提供基于 Llama 3 等模型的服务。

• 本地部署： vLLM 成为生产级 GPU 服务的主流选择，而 Ollama 和 LM Studio 则深受个人爱好者的喜爱。

2. 存储：记忆的基石

• 核心： 持久化状态，如对话历史、记忆和外部数据。

• 关键技术：

• 向量数据库： Chroma、Weaviate、Pinecone、Qdrant 和 Milvus 等用于存储 agent 的“外部记忆”，应对大容量数据。

• 传统数据库： Postgres 通过 pgvector 扩展也开始支持向量搜索。

• 为何重要？ Agent 是有状态的，需要长期存储和检索信息。

3. 工具与库：能力的扩展

• 核心： 使 agent 能够执行各种任务的“工具”（或“函数”）。

• 调用方式： 通过 LLM 生成的结构化输出（例如，JSON 对象）指定要调用的函数和参数。

• 安全执行： 使用沙箱（如 Modal 和 E2B）来确保工具执行的安全性。

• 工具生态：

• 通用工具库： Composio 等。

• 专用工具： Browserbase（网页浏览）、Exa（网页搜索）等。

• 为何重要？ 工具扩展了 agent 的能力边界，让它们能够完成更复杂的任务。

4. Agent 框架：编排智能的指挥中心

• 核心： 负责编排 LLM 调用，管理 agent 状态。

• 关键特性：

• 状态管理： 如何保存和加载 agent 状态，例如对话历史和记忆。

• 上下文窗口： 如何将状态信息“编译”到 LLM 的上下文窗口中。

• 跨 agent 通信： 如何实现多 agent 之间的协作。

• 内存管理： 如何应对 LLM 有限的上下文窗口，管理长期记忆。

• 开源模型支持： 如何让 agent 更好地利用开源模型。

• 热门框架： Llama Index、CrewAI、AutoGen、Letta、LangGraph 等。

• 为何重要？ 框架决定了 agent 的运行方式和效率。

5. Agent 托管与服务：未来趋势

• 核心： 将 agent 作为服务进行部署，通过 API 进行访问。

• 当前痛点： 状态管理、安全工具执行以及规模化部署是难题。

• 未来展望： 未来将会出现标准化的 Agents API，让 agent 的部署更加便捷。

• 为何重要？ 这将使 agent 从原型走向真正的应用。

未来已来：agent 技术栈正在高速发展

Agent 技术栈整体仍然非常年轻，但它正在以惊人的速度发展。未来的 agent 将会更加智能、更加自主，它们将会在各行各业发挥重要的作用。

好了，这就是我今天想分享的内容。如果你对构建AI智能体感兴趣，别忘了点赞、关注噢~

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓