AI大模型开发实战 课件 5智能体开发全景：从架构到协同

智能体开发全景：从架构到协同汇报人：汇报时间：2025/08/05目录CONTENTS智能体演进与内核任务编排框架多智能体协作边缘轻量化MCP协议与生态行业落地与展望智能体演进与内核01从感知到行动：智能体概念溯源智能体概念最早源于20世纪50年代“感知-行动”模型，随后经历规则驱动、BDI信念-愿望-意图、计划式与反射式架构等阶段。早期模型(50s-70s)“感知-行动”模型，自动程序执行任务。架构演进(90s-00s)BDI架构、感知-计划-行动模型，强调自主性与目标驱动。LLM驱动(2020s-至今)以“语言即接口”重塑智能体，实现通用语义理解与工具调用。感知-思考-行动循环解构感知(Perception)将多模输入转化为统一表征，如文本解析、图像识别。→思考(Thinking)基于大模型完成理解、规划与决策，取代传统规则。→行动(Action)将决策转换为实际行为，如调用API、生成回复。大模型作为思考核心，显著降低环境建模成本，实现“一套架构、千种场景”的通用性。通用性与扩展性双轮驱动通用性(Generality)任务通用：同一模型无需微调即可处理摘要、问答、编程。用户适配：通过个性化记忆，动态调整风格与专业深度。语言接口：以自然语言统一交互、指令、知识与推理。扩展性(Scalability)AgentSociety：检索、代码等子智能体分工协作，故障互备。多模态融合：整合CLIP、Whisper等模型，处理异构数据。模型即服务：通过统一接口动态集成新模块，持续进化。任务编排框架02CrewAI：基于角色的任务协作CrewAI将任务执行拆分为“角色-任务-流程”三层，通过CollaborativeProcess按依赖顺序调度角色，降低多智能体耦合度。角色(Role):封装专业capability，如研究员、策划师、编写专家。任务(Task):定义输入输出规范，明确职责边界。流程(Process):自动调度与重试，开发者只需实现execute_task。LangGraph：基于状态图的任务流构建LangGraph用有向状态图描述任务流，节点代表步骤，边描述依赖与条件分支，支持动态重构，突破传统线性DAG限制。物料准备设备准备零部件加工通过add_edge声明依赖，框架自动调度Agent执行，并在共享状态中沉淀结果，实现可视化调试与断点续跑。编排三原理：协同、分解与控制Agent协同通过标准化消息格式实现跨角色数据交换，确保信息高效流动。任务分解将复杂目标拆为可并行执行的原子任务，提升系统灵活性与扩展性。流程控制管理任务顺序、依赖、重试与异常，保障系统在部分失效时仍能稳定推进。多智能体协作03通信：信息流动的基础设施通信是MAS的前提，涵盖点对点、广播与共享数据库三种模式。每个Agent封装标准化消息接口，确保数据高效、可靠交换。去中心化总线：避免单点瓶颈，支持自适应带宽调节。可靠传输：提供失败重发与幂等校验，确保数据一致性。统一格式：消息体包含任务ID、时间戳、载荷与签名，便于路由与验证。协调：目标一致的行为对齐集中式协调由中央控制器统一分配任务，决策易于全局最优，但存在单点瓶颈风险。分布式协调各Agent基于局部信息自主决策，通过共识算法协商，灵活鲁棒但实现复杂。实际系统常采用混合模式：路由Agent粗粒度分流，执行Agent局部细粒度协商，实现负载均衡。合作：超越零和的利益共享合作通过博弈论激励设计实现，将个体理性与系统整体最优对齐，实现1+1>2的群体智能。贡献度评分：Agent完成任务获得代币奖励，用于竞拍资源，形成正反馈。声誉机制：引入重复博弈，违约记录降低未来中标概率，鼓励长期合作。资源共享：提供模型、数据、缓存共享接口，通过互利机制实现共赢。边缘轻量化04端侧部署的三重驱动力实时性要求降低通信延迟，满足自动驾驶、智能制造等领域的毫秒级响应需求。成本考量利用本地算力替代高溢价云GPU，降低长期运营成本。安全合规敏感数据留在本地，满足医疗、工业等场景的保密需求。模型压缩三板斧知识蒸馏教师-学生网络迁移知识，保留90%性能，体积缩小十倍。→模型量化权重从32位降至8/4位，显著减少内存与计算量。→模型剪枝移除冗余神经元与连接，降低推理路径长度。三技术通常串联使用，形成端到端轻量化流水线，使云端大模型在边缘设备上实时推理。端云协同持续进化边缘端(Edge)实时感知、快速决策、本地响应三流协同数据流·模型流·任务流云端(Cloud)复杂推理、模型更新、大数据存储通过“云学边用”实现知识持续进化，双向容错机制确保服务不中断，兼具本地毫秒响应与全局持续学习能力。MCP协议与生态05MCP：大模型的USB接口MCP将LLM应用从封闭问答扩展为可插拔工具生态，任何数据源、API或本地服务只需按协议实现一次Server，即可被所有兼容Client调用。协议定义Tools、Resources、Prompts三类标准原语，覆盖工具调用、上下文注入与提示模板共享场景，显著降低企业级集成复杂度，促进AI生态互操作。MCPHost(App)ToolServerDataServerAPIServerClient-Server架构全景MCPHost(e.g.,ClaudeDesktop,IDE)提供LLM应用运行环境MCPClient路由工具调用、注入上下文、收集性能数据MCPServerA提供Tools/Resources/PromptsMCPServerB提供Tools/Resources/Prompts通过JSON-RPCoverstdio/HTTPS通信，支持加密与双向认证，实现关注点分离与热插拔扩展。实战：可搜索的问答智能体1.用户提问"今天杭州天气？"2.模型决策判断需实时信息3.工具调用执行web_search4.生成答案返回最终结果通过SystemPrompt、获取工具列表、执行call_tool、拼接messages四步，即可让模型具备主动上网能力，展现MCP的工程便捷性。行业落地与展望06案例：电商客服多Agent协作查询、分流、退款、满意度四角色Agent通过共享任务队列协作，高峰弹性扩容，故障互相接管。-18%人工转接率-35%平均响应时间该案例展现了多智能体在真实高并发场景中的稳定性与商业价值，为客服领域提供可复制模板。安全隐私与容错新挑战安全与隐私采用TLS加密、零信任认证、模型加密与可信执行环境，防范攻击与数据泄露。数据一致性通过区块链或Raft共识存储关键状态，实现不可篡改与故障恢复。分布式决策设计拜占庭容错机制，确保在部分节点失效或作恶时，系统仍能达成一致。合规与审计敏感数据本地脱敏，完整记录决策日志，构建可信、可控、可审计的系统。行动路线：从原型到生产1搭建原型用CrewAI/LangGraph验证单场景可行性。2