AugurSoft深入理解 AI Agent奧微軟體出品
奧微官網

台灣版

深入理解 AI Agent設計原理與工程實踐

本書共十章：從 Agent 的基本構成出發，談上下文、記憶與知識庫、工具與 Coding Agent，再到評估、模型後訓練、持續進化與多 Agent 協作。台灣版照原書的章節、論述、實驗與思考題呈現，改用台灣用語與舉例，並在關鍵觀念旁放了有旁白、字幕的講解動畫。

從引言開始讀 看全書地圖

BOOK MAP

全書地圖

本書共十章，圍繞兩個相互銜接的問題組織：先談如何建構 Agent，再談如何提升 Agent 能力。點任一章直接開始讀。

START

開始

  1. 引言

PART 1 · 6 章

如何建構 Agent

  1. 01AI Agent 入門
  2. 02上下文工程
  3. 03使用者記憶和知識庫
  4. 04工具
  5. 05Coding Agent 與通用 Agent
  6. 06互動：觀察與動作空間的擴展

PART 2 · 4 章

如何提升 Agent 能力

  1. 07Agent 的評估
  2. 08模型後訓練
  3. 09Agent 的持續進化
  4. 10多 Agent 協作

MORE

延伸

  1. 後記：回到 Agent = LLM + 上下文 + 工具
  2. 思考題參考答案
  • 從引言出發
  • 第二章：全書最關鍵的一章
  • 第七章：評估是模型訓練的前提
  • 每章附實驗與思考題，參考答案集中在最後

HOW TO READ

怎麼讀：依你的需求選路線

本書的各章節相對獨立，你可以根據自己的需求選擇不同的閱讀路徑。

Agent 開發者建議按順序閱讀全書：第一至六章建立完整的 Agent 建構方法，第七至十章則從評估、模型後訓練、持續進化和多 Agent 協作四個方向討論能力提升。第一章
時間有限優先閱讀第一章（建立全域性認知）和第二章（掌握最關鍵的上下文工程）。第二章中 KV Cache 的底層原理較為技術化，初次閱讀可先跳過原理部分、只記住開頭給出的三條核心結論，不影響後續理解。第一章第二章
關注模型訓練可以直接閱讀第八章（模型後訓練）；其中評估方法（第七章）是訓練的前提，建議一併閱讀，並先讀第一至二章以建立整體認知。第八章第七章

EXPLAINERS

講解動畫：按播放，看懂關鍵觀念

10 支講解動畫放在各章講完觀念的地方；按播放，旁白配字幕一步步演給你看，可暫停、可拖時間軸。點一個直接跳到書裡那一段。

ReAct 迴圈：每輪重送整條軌跡模型沒有狀態：每次呼叫 LLM，框架都要把「靜態前綴＋到目前為止的整條軌跡」整份重送；軌跡一輪比一輪長，這份清單得靠框架管理好。第一章・1.1.5 節KV Cache：改動越靠前，作廢越多快取只認「從頭開始逐字相同」的前綴：改動越靠前，後面作廢越多；時間戳這類會變的資訊，只能追加在最後。第二章・2.3 節混合檢索：RRF 合併與重排序稠密與稀疏兩路的分數尺度不同、不能直接比，要看排名：RRF 只用名次合併；重排序再換成更強的比對，讓跨編碼器把查詢和文件拼在一起逐一打分。第三章・3.2.4 節工具太多時的漸進式披露工具一多，完整定義會先吃掉一大塊上下文，模型也更容易選錯；做法是漸進式披露：平常只給名稱索引，用到哪個工具才載入它的完整 schema。第四章・4.4 節錯誤恢復：分類、計數、上限每條恢復路徑都要有分類、計數和上限：先分類判斷值不值得重試，再為每條路徑記連續失敗次數，到上限就熔斷；錯誤路徑上不能再呼叫模型，否則恢復邏輯自己會掉進死亡螺旋。第五章・5.1.5 節新事件來了：排隊、取消或並行三種策略的差別只在何時製造安全點：排隊讓事件等到下一個自然出現的安全點，取消是當下提前製造一個安全點，並行則另起一個迴圈、不必等主迴圈的安全點。第六章・6.2.6 節Pass@k 與 Pass^k「偶爾做得到」和「每次都做得到」是兩種產品：同一個單次成功率，多試幾次的 Pass@k 往上走，要求次次都過的 Pass^k 往下走。第七章・7.2 節GRPO：從同一組的差異中學RL 只從同一組的差異中學：每條 rollout 的獎勵減去組平均，高於平均的被強化、低於平均的被抑制；16 條全對或全錯時，差全為 0，這一題就學不到東西。第八章・8.9 節三層驗證：先找出哪一層出錯先定位哪一層出錯，才知道要改哪裡：只看結果或只給一個總分，分不出「事情沒辦成」「用不允許的方式辦成」「辦成了但使用者不舒服」這三種問題。第九章・9.1 節多 Agent：辯論與真實回饋多 Agent 的價值來自新證據，不在人數：同一個模型多開幾個 Agent 辯論，只是多花計算量；真的跑程式、看畫面、用工具查證，才帶進模型原本拿不到的資訊。第十章・10.2 節

CHAPTERS

各章內容

十章分成兩部分。點章名從頭讀，點小節直接跳到那一段。

PART 1 · 6 章

如何建構 Agent

從基本概念出發，依次討論上下文、記憶與知識、工具、Coding Agent，以及觀察與動作空間的擴展。

序
引言全書結構、閱讀路線與前置知識都在這裡。
01
AI Agent 入門從多個真實 Agent 產品出發，建立對 Agent 的直觀理解。
  1. 1.1現代 Agent = LLM + 上下文 + 工具
  2. 1.2Harness 工程：模型之外的競爭力
  3. 1.3貫穿全書的設計模式
  4. 1.4本章小結
  5. 1.5思考題
02
上下文工程全書最關鍵的一章，系統講解上下文，也就是 Agent 的「眼睛」。
  1. 2.1上下文：決定 Agent 能力上限的關鍵
  2. 2.2Agent 如何呼叫大語言模型：理解 API 的上下文結構
  3. 2.3KV Cache 友好的上下文設計
  4. 2.4提示工程：最佳化系統提示詞
  5. 2.5動態提示詞與 Agent Skills
  6. 2.6Agent 狀態列：透過元資訊增強 Agent 軌跡管理
  7. 2.7上下文壓縮策略
  8. 2.8本章小結
  9. 2.9思考題
03
使用者記憶和知識庫將上下文管理延伸到跨工作階段的持久化知識體系，讓 Agent 不僅能記住目前對話的內容，還能在多次對話間積累和呼叫知識。
  1. 3.1使用者記憶系統
  2. 3.2RAG 基礎：建構 Agent 的知識獲取管道
  3. 3.3超越扁平文字：知識的組織與檢索
  4. 3.4本章小結
  5. 3.5思考題
04
工具探討 Agent 與外部世界互動的橋樑：工具就像是 Agent 的「手腳」，讓它能夠搜尋網頁、呼叫 API、操作資料庫等。
  1. 4.1工具的分類
  2. 4.2工具設計的通用原則
  3. 4.3工具生態：MCP 與 Skill Hub
  4. 4.4工具太多怎麼辦：層次化組織與主動工具發現
  5. 4.5感知工具
  6. 4.6執行工具
  7. 4.7協作工具
  8. 4.8本章小結
  9. 4.9思考題
05
Coding Agent 與通用 Agent Coding Agent 加上檔案系統，是所有通用 Agent 最核心的技術基礎。
  1. 5.1Coding Agent
  2. 5.2程式碼：通用 Agent 的元能力
  3. 5.3本章小結
  4. 5.4思考題
06
互動：觀察與動作空間的擴展從模態與時序兩個維度研究 Agent 與環境的互動機制。
  1. 6.1模態與觸發時機的擴展
  2. 6.2非同步與事件驅動：當世界主動找上門
  3. 6.3語音：最自然的人機介面
  4. 6.4Computer Use：GUI 自動化 Agent
  5. 6.5機器人操作：以 XLeRobot 整理桌面為例
  6. 6.6本章小結
  7. 6.7思考題

PART 2 · 4 章

如何提升 Agent 能力

先用評估建立可度量的回饋，再透過模型後訓練、基於執行經驗的持續進化和多 Agent 協作，分別從模型參數、單體系統和群體系統三個層面擴展能力。

07
Agent 的評估建構一套科學的評估方法論。
  1. 7.1一條評估任務的解剖：τ²-bench 的 telecom 領域
  2. 7.2評估指標：成功的定義
  3. 7.3評估環境
  4. 7.4評估資料集的設計
  5. 7.5自動化評估方法
  6. 7.6評估驅動的模型選型
  7. 7.7評估結果的統計顯著性
  8. 7.8Agent 的可觀測性
  9. 7.9從 Benchmark 報告到系統改進
  10. 7.10從外部評估到內部評估：生產級 Agent 的評估基礎設施
  11. 7.11模擬環境：從評估到後訓練的橋樑
  12. 7.12本章小結
  13. 7.13思考題
08
模型後訓練深入 SFT（監督微調，即用標註資料教模型「照樣學樣」）與 RL（強化學習，即讓模型透過試錯和獎勵回饋自主提升）這兩種後訓練技術。
  1. 8.1從預訓練到 RL：四階段全景
  2. 8.2從經典 RL Agent 到現代 Agent [可選閱讀]
  3. 8.3模型預訓練基礎 [可選閱讀]
  4. 8.4Mid-training：補知識與基礎能力
  5. 8.5SFT（監督微調）
  6. 8.6SFT 資料合成：從示範到可訓練軌跡
  7. 8.7何時選擇 Mid-training、SFT 與 RL
  8. 8.8單輪強化學習：記憶與泛化的對照
  9. 8.9RL 演算法：從 16 次 rollout 到一次參數更新
  10. 8.10RL 環境：從評估到模擬
  11. 8.11從單輪到多輪：任務場景與信用分配
  12. 8.12獎勵設計：如何把任務目標變成學習訊號
  13. 8.13蒸餾：提升樣本效率
  14. 8.14從問題案例到後訓練
  15. 8.15後訓練實踐要點
  16. 8.16本章小結
  17. 8.17思考題
09
Agent 的持續進化研究如何把 Agent 的執行經驗轉化為下一版本的能力。
  1. 9.1從執行軌跡中獲得學習訊號
  2. 9.2Agent 持續進化的四種方法
  3. 9.3建構可長期執行的持續進化閉環
  4. 9.4本章小結
  5. 9.5思考題
10
多 Agent 協作從單體能力擴展到系統級協同，討論多個 Agent 如何分工合作。
  1. 10.1多 Agent 協作的分類框架
  2. 10.2多 Agent 何時真正優於單 Agent
  3. 10.3共享上下文的多 Agent 協作
  4. 10.4不共享上下文的多 Agent 協作
  5. 10.5多 Agent 協作的失敗模式
  6. 10.6Agent 社會
  7. 10.7本章小結
  8. 10.8思考題
後
後記：回到 Agent = LLM + 上下文 + 工具
答
思考題參考答案各章思考題的參考答案，集中在這一頁。

FAQ

常見問題

這是什麼版本？

《深入理解 AI Agent：設計原理與工程實踐》的台灣繁體中文版：以原書目前版本的簡體中文原文轉為台灣繁體，在這裡直接線上閱讀。

跟原書差在哪？

改為台灣用語與舉例場景，刪改提及中國 AI 的內容，並在關鍵觀念旁加入講解動畫；原書的實驗數據、研究引用與案例未改動。逐項說明見修改說明。

需要什麼背景？

原書列的必需背景是：Python 程式設計、LLM 的基本使用經驗、一款 AI 輔助程式設計工具、軟體工程常識。除第八章後訓練以外，全書對數學和機器學習的要求很低，完全可以作為起點。

實驗程式碼在哪？

配套程式碼在原書的 GitHub 程式庫，實驗按章節放在 chapter1/ 至 chapter10/；要找「實驗 X-Y」，先開對應的 chapterX/README.md。書裡的實驗框預設收合，展開後有連到原書實驗程式的連結。

思考題有答案嗎？

每章都有實驗和思考題，標題用 ★ 標出難度；參考答案集中在思考題參考答案。

授權是什麼？

原書採 Apache-2.0 授權，授權全文與修改說明都附在網站上。

START READING

從引言開始，一章一章讀。

時間有限的話，建議先讀第一章和第二章。

從引言開始讀