Agentic AI 智能体系统构建实战：MCP、A2A、Agent 循环、Harness 框架工程与云端部...

melon

Agentic AI 智能体系统构建实战：MCP、A2A、Agent 循环、Harness 框架工程与云端部署（第2版）英文版  共440页  可以AI翻译阅读


超越独立的智能体架构，利用MCP、A2A、智能体循环等技术构建具备互操作性的、可投入实际使用的智能体系统，同时实现工程化开发、性能评估、监控功能、安全保障以及企业级云部署。

主要特点：

●第二版新增内容：将智能体与MCP、A2A以及现代多智能体框架相连接
●设计可靠的代理循环与机制，用于管理内存、工具、上下文、重试操作以及各种约束条件。
●在Kubernetes及托管型AI平台上对代理进行评估、保护、监控与部署。

《构建自主智能系统》的第一版介绍了自主智能体如何进行推理、规划、反思、使用工具以及进行协作。第二版则着眼于下一个挑战：如何将不同的智能体连接在各种工具、框架和平台之上，进而构建出能够实现稳定运行的相关机制与基础设施。

你可以通过内存管理、上下文处理机制、推理功能以及恢复机制来增强智能体的功能，进而运用相关工程技术，从而重塑智能体人工智能的架构。应使用模型上下文协议来实现工具与数据的访问；利用A2A机制来实现功能发现与智能体间的协作；同时还要了解该机制在异步智能体通信中的作用。

新的功能将这些标准与LangGraph、CrewAI、Google ADK以及Strands结合在了一起。用户可以利用Kubernetes、Amazon Bedrock AgentCore和Google Vertex AI Agent Engine来设计多智能体工作流程并部署分布式系统，同时还能解决追踪、调试、成本控制、可靠性以及信任度等方面的问题。

您还将使用AgentBench、GAIA、SWE-bench以及各种实际性能指标来评估各种智能体；同时会采用人工干预机制与治理策略，进而判断小型语言模型在降低延迟和成本方面的作用。最终，您将构建出具备互操作性、可观测性、安全性、可衡量性，并且能够实现扩展的智能体系统。

你将学到的内容：

●利用MCP和A2A设计可互操作的多智能体系统
●用于推理、反思、工具使用及恢复的工程师代理循环
●构建用于上下文管理、内存控制、工具访问以及约束机制的支撑系统。
●整合LangGraph、CrewAI、ADK、Strands以及智能体框架
●在Kubernetes及托管型AI平台上部署分布式代理。
●使用AgentBench、GAIA、SWE-bench以及追踪工具来评估智能体。
●应用HITL、治理机制、安全控制措施以及信任边界。
●使用SLM可降低延迟、实现边缘部署，并控制成本。