第一章

先介绍了agent的概念、历史。
然后写了一个简易agent的实现：prompt，输入大模型，模型输出（拼接到prompt中），执行模型的输出（拼接到prompt中）。循环5次。需要注意的是，除了用户自己的问题prompt，还定义了一个system_prompt。这个system_prompt中定义了大模型可以使用的工具、回答规范等。
之后介绍了智能体的协作模式，以及workflow和agent的差异

第二章

介绍智能体的发展史，比如符号主义、强化学习、大语言模型训练等，偏概念

第三章

介绍大语言模型的基本原理：建立假设模型、到神经网络、Transformer。
之后介绍了与大语言模型的交互方式，包括提示词工程、文本分词、模型选择。
最后介绍了大语言模型的“缩放法则”与“模型幻觉”。“缩放法则”的大致意思是模型不一定是参数越多越好，在某一参数量级下，有一个最优的训练数据量。以及模型规模达到一定阈值，会涌现出一些全新的能力，比如链式思考、代码生成等。“模型幻觉”是指模型输出一些明显不正确的编造信息。解决方式包括：高质量的数据清洗、探索新的模型架构、推理时引入RAG、采用多步推理验证、引入外部工具等。

第四章

介绍了如何开发一个简单的智能体，以及智能体开发的三种范式：ReAct、Plan-and-Solve、Reflection。本章按照以下步骤介绍：
1、编写实例代码，只执行一次的最简单智能体
2、使用ReAct范式：
让智能体能够按照思考-执行-观察的步骤循环执行。
先根据prompt和tools输出action，决定调用哪一个tool。再执行action，得到observation。将observation放入历史上下文中，跟随下一次执行输入到大模型中。直到智能体认为已经得到最终结果，才结束。
3、使用Plan-and-Solve范式：
先plan：prompt是这一步骤的核心，需要在prompt中要求大模型输出解决问题的计划和步骤，而不是直接要求输出结果
再execute：将prompt、上一步得到的完整计划、当前步骤、以及历史对话（之前步骤的结果）输入大模型中执行，得到最终结果
4、Reflection范式
分为三步：执行 -> 反思 -> 优化。为了实现，需要通过prompt构建两个不同的角色：执行器和评估器。为了迭代，也需要构建一个短期记忆模块。
但本节的实例中，构建了3个角色：初步执行器、评估器、优化器（实际也是执行，执行评估器的反馈）。初步执行器只在最开始执行一次。之后便是评估器和优化器循环迭代。
该范式的结果质量高，但消耗token偏多。

第五章

介绍了三种用于搭建智能体的低代码平台：COZE、Dify、n8n。并手把手指导如何分别在这三个平台上搭建出自己的智能体。
COZE：“每日AI简报”助手
Dify：超级个人助手
n8n：智能邮件助手
这三个平台，COZE门槛最低，适合快速搭建，但不支持MCP；Dify工具丰富、但有一定的门槛；n8n更像一个通用的自动化工作流平台，功能强大，但如果工作流变得复杂，出现问题后定位会困难。

第六章

介绍了四种智能体框架：AutoGen、AgentScope、CAMEL、LangGraph
目前整体看下来这四个框架，个人理解还是有点困难。比如这四个框架究竟各自为了解决什么问题才出现。还需要再思考思考。