高级工程实践——打造 AI 级 Agent 架构
- 课程时长：8-12 学时（建议作为进阶课程）
- 课程目标：从"使用 AI 助手"转向"构建 AI 代理"，学习设计能够自主完成复杂开发任务的 Agent 系统
3.1 智能体架构设计（Agent Architecture Design）
教学重点：深入理解 Agent 的核心组件，掌握如何将 LLM 从一个"聊天机器人"转化为一个"具备执行能力的软件代理"。
核心内容
感知层（Perception）—— 认知边界的扩展
- 多模态输入处理：如何让 Agent "读懂"代码结构（AST 抽象语法树）、读懂架构图（Vision 模型应用）以及读懂日志。
- 上下文窗口管理（Context Window Management）：RAG（检索增强生成）在 Agent 中的应用——如何通过向量数据库让 Agent 检索庞大的代码库。
决策层（Reasoning / Brain）—— 逻辑推理的核心
- 推理模式：深入研究 CoT（Chain of Thought）、ToT（Tree of Thoughts）以及 ReAct（Reasoning and Acting）模式。
- 规划能力（Planning）：如何实现任务分解（Task Decomposition）与子目标设定。
行动层（Action / Tool Use）—— 物理世界的接口
- 工具调用（Function Calling）：如何定义标准的 JSON Schema 供 LLM 调用外部 API。
- 环境交互：为 Agent 提供文件系统操作、终端命令执行、浏览器自动化（Playwright / Selenium）的能力。
3.2 自动化工作流构建（Agentic Workflow Engineering）
教学重点：掌握如何设计"闭环"的工程链路，确保 Agent 在执行任务时具备自我纠错与验证的能力。
核心内容
任务拆解引擎（Task Decomposition Engine）
- 从需求到 Issue：如何利用 LLM 将模糊的 PRD（产品需求文档）拆解为可执行的 GitHub Issues。
- 依赖关系建模：使用 DAG（有向无环图）管理任务间的先后顺序。
闭环执行链路（Closed-loop Execution Loop）
- OODA Loop 在软件工程中的应用：将"观察-判断-决策-行动"循环引入 Agent 工作流。
- 自我修正机制（Self-Correction / Reflexion）：当测试失败时，如何引导 Agent 读取错误日志并重新规划方案。
- 验证环节（Verification）：引入"评测者"角色（Critic Agent），对"执行者"角色（Actor Agent）生成的代码进行 Code Review。
工程化落地与评估
- Agent 性能指标：成功率（Success Rate）、任务完成耗时（Latency）、Token 消耗成本（Cost-efficiency）。
- 安全性与护栏（Guardrails）：如何防止 Agent 执行恶意命令（如
rm -rf /）或泄露敏感信息。
3.3 案例实战：构建一个"自动修复 Bug"的 Agent
实验项目目标：开发一个能够监听 GitHub Issue，自动拉取代码、编写修复方案、运行测试并提交 Pull Request 的机器人。
实验步骤
| 步骤 | 内容 | 说明 |
|---|---|---|
| 环境搭建 | 配置 GitHub Webhook 与本地/服务器化运行环境 | 打通事件监听通道 |
| 工具集成 | 为 Agent 编写read_file、edit_file、run_command三个核心工具 | 定义 Agent 的基本能力边界 |
| 逻辑开发 | 实现 ReAct 框架，使 Agent 能够观察错误 → 思考 → 修改代码 → 运行测试 | 构建闭环执行链路 |
| 测试与验证 | 人为创建一个带有 Bug 的仓库，观察 Agent 是否能自主完成修复并提交 PR | 验证 Agent 的实际效果 |
🎓 课程总结与学习路径
| 层级 | 核心关键词 | 推荐学习路径 |
|---|---|---|
| 入门级 | Prompt Engineering, Copilot | 学习如何使用 GitHub Copilot、Cursor 提高日常编码效率 |
| 进阶级 | RAG, Function Calling | 学习 LangChain 或 LlamaIndex，掌握如何连接私有数据 |
| 专家级 | Agentic Workflow, Multi-Agent Systems | 学习 AutoGPT、BabyAGI 思想，以及如何设计多智能体协作系统（如 MetaGPT） |
📚 推荐学习资源
| 类别 | 推荐内容 | 说明 |
|---|---|---|
| 框架类 | LangChain、LangGraph、Microsoft AutoGen | LangGraph 用于构建循环 Agent，AutoGen 用于多智能体对话 |
| 论文类 | ReAct: Synergizing Reasoning and Acting in Language Models | Agent 推理范式的奠基之作 |
| 实践类 | OpenDevin、Devin | 研究前沿 Agent 系统实现思路 |
💡 教师寄语
在 AI 时代，程序员的价值正在从"编写代码的工匠"转向"设计自动化系统的架构师"。学习如何构建 Agent，就是学习如何定义未来的生产力。
