行业名家力荐

《Agentic 多智能体架构模式》内容紧凑、好读易上手。全书摒弃深奥的理论，将多智能体系统设计拆解为清晰可复用的架构模式，条理分明、层层递进。配合真实业务场景与框架代码，从基础概念到生产落地，即便是入门读者也能顺畅阅读，快速掌握多智能体开发的核心方法。

朱征宇 | 上海流程智造科技创新研究院常务副院长

在多元的技术选型中，如何设计高可控、可扩展的复杂业务流，是当前大模型工程化落地的心腹难题。本书的核心价值，恰恰在于对系统底层架构的深度剖析。

作者以清晰的工程思维为主线，将复杂的流转逻辑抽丝剥茧。书中结合LangGraph的状态管理实践，不仅展示了具体工具的落地细节，更透视了现代应用架构的设计本质。

尽管各类框架各有千秋，但书中沉淀的架构方法论具有很好的普适性。对于正在攻克复杂工程或寻找系统演进方案的技术人员来说，这是一份严谨且务实的架构指南。

张海立 | LangChain 社区官方大使，《LangGraph实战》《LangChain实战》作者

大模型和Agent站在技术浪潮之巅，常被过度包装与神化。我们必须秉持清醒的认知，回归工程本质，Agentic工程与经典的软件工程并无本质不同，核心还是数据流与控制流，从工程角度来看，大模型和数据库、缓存、消息队列这些伟大的技术一样，都是工程中的能力组件，只不过带来了新的能力边界和架构定位，而要在工程中驾驭这个新能力，就需要系统化考虑各项细节。本书就是对这些细节的全面盘点与指引，唯有充分掌握并理解这些细节，才能通过精巧、严谨的工程设计创造“展现出智能”的生产级Agent应用。

梁博 博士 | 上海东方屹腾科技有限公司·副总裁·创始合伙人

这些年有幸在大厂深度参与大规模 Agent 的架构与落地，一个越发清晰的体悟是：我们往往高估了让 Agent 跑起来的难度，却低估了让它稳定可控的难度。

能跑通的是 Demo，稳定扛住业务的才是系统。横亘其间的，不是更聪明的模型，而是更可靠的架构。本书的难得之处，正在于把这件“看不见却最致命”的事讲透了，将散落的工程经验提炼为一套可复用、经得起推敲的架构模式。身处Agentic时代，模式即护栏：它决定系统能走多远，也决定它在临界处能否守住边界。

若你正被层出不穷的框架与概念所困，本书会助你拨云见日，认识那些更本质的东西。无论你是构建者、架构师还是技术决策者，都能从中找到从“搭得起来”到“扛得住生产”的那块关键拼图。诚挚推荐。

张栋 | 腾讯研发&安全专家 悟空研发安全负责人  

作为 Agent 应用开发框架 DeerFlow 的核心开发者，我深知在生成式人工智能快速演进的今天，开发者面临的挑战已不只是如何调用大模型，而是如何构建稳定、可控、可扩展的智能体系统。《Agentic多智能体架构模式》为开发者提供了一套系统化指南，覆盖大模型选择与适配、RAG 与微调、多智能体协作、可解释性、容错、人机协同以及生产级部署等关键主题，并通过实践案例展示了从单智能体到多智能体系统的演进路径。对于正在从传统 AI 应用开发迈向 Agentic AI 应用开发的读者而言，本书具有重要的参考价值。

姜宁 | DeerFlow核心开发者

拒绝漫无目的的试错，走向深思熟虑的工程；破译单智能体跃迁密码，重塑多智能体架构范式。终结盲目试错。本书严谨推演多智能体架构演进，提供最具成本效益的工程降本指南。

尹会生 | 极客邦科技集团副总裁 极客时间总经理

从原型到生产，Agent落地需要架构的底气

收到炳晟发来的《Agentic多智能体架构模式》译稿时，我刚结束一场关于企业级Agent落地的闭门研讨。会上讨论最焦灼的话题，恰恰是这本书的核心：当Agent从概念原型走向生产系统，当单智能体演进到多智能体协作，我们真正缺的，到底是更强的模型，还是更成熟的架构方法论？

我和炳晟相识多年，在不少技术峰会与产业项目中有过深度交流。他在企业级软件架构、AI工程化落地领域的沉淀，一直让我印象深刻——他是少有的既能站在架构高度拆解系统本质，又能沉到代码细节里解决实际问题的技术专家。记得前两年在一场产业AI论坛上同台分享，他聊到企业级AI系统的“工程化负债”，说很多团队做Agent只追求Demo效果，却忽视了容错、合规、可观测性这些生产硬指标，最后项目都卡在落地的“最后一公里”。当时我就深以为然。所以当他告诉我要牵头翻译这本阿里·阿尔桑贾尼博士等人的著作时，我立刻觉得，这件事做在了行业的点子上。

做了这么多年知识图谱与知识增强大模型研究，牵头OpenKG的工作也让我始终在观察产业落地的真实脉搏。过去两年，Agentic AI的热度有目共睹：从ReAct到思维树，从CrewAI到LangGraph，各类框架与范式层出不穷，开发者花一下午就能搭出一个能跑通流程的智能体。但热闹背后是尴尬的现实：真正能跑进企业核心业务、经得起高并发与复杂场景考验的生产级Agent系统，寥寥无几。

问题出在哪？我想核心在于，行业还没完成从“手工作坊”到“工程化体系”的跃迁。就像早年软件工程从零散代码走向设计模式，Agent开发如今也正处在一个关键的转折点——我们不缺能写Demo的人，缺的是能把Agent做成稳定、可治理、可扩展系统的架构方法论。很多团队一上来就堆框架、拼Prompt，一遇到异常就崩，一涉及合规就慌，本质上是缺少经过验证的架构模式做支撑。

而这本书，恰恰给行业补上了这一块关键的拼图。

通读全稿，有三点最让我觉得切中要害。 首先是它的成熟度视角，给了企业一张清晰的“能力地图”。书中提出的生成式AI成熟度模型，从第0级的数据基础到第1级的模型与提示词，再到第5、6级的单智能体与多智能体系统，把Agent落地的路径拆解得非常务实。现在很多团队一上来就做多智能体协作，最后发现连基础的上下文管理、工具调用稳定性都没做扎实。这套分级体系最大的意义，是帮企业戒掉“追新焦虑”——先看清自己在哪，再明确下一步该补什么，一步一个脚印地往生产级走，比什么都重要。

其次是它的模式体系足够“接地气”，全是生产环境的硬功夫。市面上讲Agent的书不少，但大多把篇幅放在推理、规划这些“智能”部分，一到容错、合规、人机交互这些“工程”部分就一笔带过。这本书恰恰相反：它用整整几章的篇幅，把多智能体系统的核心问题拆解成了可复用的设计模式——协作层面有路由、委派、黑板、合同网等模式，解决“怎么让多个智能体好好配合”的问题；合规层面有指令忠实度审计、分形思维链嵌入等模式，解决“怎么让智能体听话、可审计”的问题；稳健性层面有自适应重试、熔断器、沙箱隔离、金丝雀测试等模式，解决“怎么让系统出错了也能稳住”的问题。这些模式不是凭空想出来的，是作者在Google服务全球企业客户的真实项目里沉淀下来的最佳实践，每一条都对应着生产环境里踩过的坑。

再者是它不唯框架论，打通了理论到实践的闭环。现在很多人有种误区：觉得选了某个Agent框架，就等于搞定了架构。这本书里讲得很明白：框架加速设计，但不能替代设计。书中从单智能体的贷款处理案例讲起，一步步演进到多智能体系统，最后再用CrewAI、LangGraph等主流框架分别重新实现同一场景，对比不同抽象模型的优劣。这种从架构思想到代码落地、从单体到分布式的递进，非常符合工程师的学习逻辑——先懂“为什么这么设计”，再思考“工具怎么实现”，而不是反过来被工具牵着走。

说到中文版，炳晟和几位译者的工作，让这本书对国内从业者的价值又多了一层。他们本身都奋战在国内AI工程化的一线，深知国内企业在数据合规、遗留系统集成、技术栈适配上的特殊性。翻译没有走生硬直译的路子，而是把很多架构概念转化成了国内工程师更易理解的表达，同时完整保留了原著的严谨性与工程细节。我知道翻译技术书是件苦差事，尤其这种架构类的著作，既要准确传达专业内涵，又要让读者读得进去，背后是大量的打磨与推敲。

我和炳晟都认同一个判断：Agentic AI的下一个十年，一定是学术与产业双向奔赴的十年。学术界往前探，探索更聪明的推理、规划与学习机制；产业界往下沉，打磨更稳的架构、工程与治理体系。两者结合，才能让Agent真正从概念走向生产力。这本书就是两者结合的一个很好的样本——它有前沿的视野，更有落地的骨架。

如果你是软件架构师、AI工程师，或是正在推动企业Agent落地的技术管理者，我真心推荐你读一读这本书。它不会教你怎么用三行代码写出第一个智能体Demo，但它会帮你避开从原型到生产路上的绝大多数坑，帮你建立起一套体系化的多智能体架构思维。 

期待这本书能帮到更多同行，也期待我们能一起，让Agentic AI真正走进千行百业的核心业务。 

王昊奋

同济大学长聘教授

OpenKG 轮值主席

当 Agent 不再只有一个，架构就成了第一问题

今天，写出一个能跑起来的 Agent，门槛已经低了很多。模型会调用工具，框架能保存状态，检索、记忆、规划、代码执行也都有了相当成熟的组件。于是，团队开始面对一个新的问题：当一个业务流程里同时出现十个、几十个 Agent 时，它们谁先行动，谁来接手，谁保留上下文，谁有权限修改数据，谁又对失败负责？

当Agent 成为系统里的执行单元，一群 Agent 放在一起，就接近一种新的分布式系统。只是这些节点会推理，会生成，会消耗Token，也会以一种看似“有道理”的方式出错。工程师面对的核心问题随之改变：怎样让一群概率智能体协同工作，并且让整体结果足够稳定、可追踪、可恢复？

由茹炳晟老师翻译，Ali Arsanjani 与 Juan Pablo Bustos 合著的《Agentic 多智能体架构模式》，正是围绕这个关键问题展开。它把注意力放在多智能体系统从原型走向生产时绕不过去的结构选择上：编排、委派、交接、容错、可观测、合规、人机协同，以及 RAG、LLMOps、AgentOps 等能力如何嵌入一条可运行的工作流。书中使用 ADK、LangGraph、CrewAI 等框架和示例，但框架只是载体。更有价值的是，作者把“模式”重新放回企业级系统建设的语境中来讨论。

我在Designing AI Agents一书中提出了Agent 设计的双轴框架。一条是认知功能轴，关心单个Agent 如何感知、记忆、推理、行动、反思。另一条是执行拓扑轴，关心多个Agent 如何组织起来：顺序、并行、分层、路由、协作，或者更复杂的图结构。

多数Agent 著作主要回答第一条轴上的问题，讨论一个Agent 内部怎样获得更强的能力。《Agentic多智能体架构模式》的重心则明显落在第二条轴上。它追问的是：多个Agent 怎样被组织成一个能干活、能纠错、能交付的系统？从这个视角看，这本书把“执行拓扑”这条轴讲深、讲细，也讲到了可以落地的程度，补上了许多单体Agent 讨论中容易被轻轻带过的架构部分。

软件工程的模式语言，一直跟着协作对象的变化向前演化。1994 年的 GoF 模式，主要回答对象之间如何协作。SOA、微服务和云原生时代，我们开始关心服务边界、契约、治理、弹性和故障隔离。到了Agent时代，协作对象变成了带有不确定性的执行者。它们既像服务，又不像服务，因为它们会解释任务、选择工具、改写计划，也会把错误包装成流畅的文字。

本书的作者和译者长期从事企业架构、软件质效和成熟度模型相关工作，这一背景在书中十分明显。书中的追问始终指向生产系统：谁负责调度？失败怎样恢复？过程怎样观测？成本怎样控制？结果怎样审计？这些问题，决定着一个多智能体系统能不能真正进入企业现场。

阅读这本书时，我建议特别关注两条清晰的脉络。

第一条线，是拓扑。书中每出现一种多Agent结构，都可以停下来问自己：这里是顺序执行、并行分工、中心调度、层级委派，还是Agent之间的交接？如果换一种拓扑，延迟、成本、上下文隔离、失败恢复会怎样变化？这些问题会把书里的模式从章节名称，变成你手中的一张工程地图。

第二条线，是实践。最好挑一个你真的打算放进生产环境的系统，用书里的模式反推它的架构。先画出当前的Agent拓扑，再标出上下文边界、权限边界、失败恢复点、观测指标和人工介入位置。多智能体系统的难点通常不在Demo，而在这些生产约束里。能把这些约束理清楚，你将会获得巨大的收获，也会形成真实的架构体感。

书中描述的协作结构、生产约束和落地路径，对于正在把Agent做进真实业务系统的工程师、架构师和技术管理者来说，会是一套值得反复翻看的脚手架。

茹炳晟老师此前译过 Antonio Gullí 的《Agentic 智能体设计模式》，这次又把“多智能体架构”带到中文读者面前。两本书一前一后，正好覆盖了Agent 设计模式从“给单个模式命名”到“把模式组织成系统”的两个阶段。

因此，在茹炳晟、姜宁、梁博和我一起发起 ADPS(Agent Design Patterns Society)之际，炳晟老师邀请我为他的最新译作写序，真可谓风云际会。

ADPS 希望做的事情，是把中国工程师在Agent落地一线积累的真实经验，沉淀成全球工程社区可以阅读、引用、复用，甚至批评的架构语言。因为Agent正在从令人兴奋的概念，进入企业系统建设的主战场；而设计模式作为一套团队之间共享判断的语言，能让我们少一点只靠经验拍脑袋，多一点可复用、可争论、可演进的工程纪律。

我也真心而热情地希望，更多工程师和架构师能够加入 ADPS(https://adpsagent.com)，共同在Agent设计模式和架构设计领域，沉淀出越来越多既属于我们自己，又可以为世界所用的模式组件和架构语言。

黄佳

A*STAR Singapore 资深研究员

Designing AI Agents作者

ADPS · Agent Design Patterns Society 联合创始人

译 者 序

从独奏到交响：多智能体时代的架构觉醒

我之前翻译的《Agentic智能体设计模式》中文版问世时，我曾说那只是一段旅程的开始。如今，牵头翻译这本《Agentic多智能体架构模式》，更像是为那段旅程铺下了真正意义上的路轨，它不再只关乎单个智能体如何思考与行动，而是直面一个更根本的命题：当数十、数百个专业智能体协同编织成一张认知网络时，企业的运行逻辑、软件的架构范式，乃至人类与自主系统的关系，都将被重新书写。

生成式AI正在经历一次静水流深的蜕变。大语言模型已从令人惊叹的“超级文本预测器”演变为分布式推理引擎，而Agentic AI正迅速成为现代企业技术的核心范式。在这个范式中，智能体能够感知环境、规划任务、调用工具并执行行动，以共同实现明确的目标。然而，单智能体的能力终究有限，真正的企业级系统，必然涉及复杂工作流的分解、专业能力的复用、多方的协商与约束、人在回路的精准干预。这正是多智能体架构所要解决的关键挑战。

本书并非一本单纯的工具手册，而是一部极具雄心的“模式语言”。它从企业生成式AI的现状与成熟度模型出发，逐步揭开智能体就绪型大语言模型的选择与适配、智能体架构的核心组件，进而深入多智能体协作、可解释性与合规性、容错与健壮性、人机交互等系统级设计模式。尤为珍贵的是，它将抽象的模式落到了具体的实现上：从利用Google Gemini模型与ADK，到CrewAI和LangGraph等流行框架的对比实践，再到金融贷款处理的完整单智能体与多智能体系统案例，形成了一条从理论到代码的清晰路径。

作为译者，也作为Agent Design Patterns Society(ADPS)的创始成员之一，我对这样系统的模式语言有一种天然的共鸣。ADPS的使命正是提炼、传播和演进Agentic AI的设计模式，而本书几乎囊括了我们社区长期关注的绝大多数核心议题：从智能体的路由与委派(监督者模式与群体模式的博弈)，到确保指令忠实度的分形思维链审计；从自适应重试与熔断器构筑的容错边界，到人在回路中无缝升级的决策架构，再到让多智能体实现共同进化的合成数据生成与“飞轮”效应。每一个模式都直面生产环境的严苛要求，而不是停留在演示原型的温室里。

本书的作者阿里·阿尔桑贾尼博士，是一位在全球企业架构与AI工程化领域都留下深深印记的领军人物。他被誉为“面向服务架构之父”，如今担任Google云应用人工智能工程总监，领导“生成式AI黑带”卓越中心，推动着生成式AI和Agentic AI在产业界的深度落地。他既具备将架构原则抽象为可复用模式的独特思维，又拥有管理数千人团队、操盘大规模系统转型的实战视野。书中提出的智能体间协议、伦理治理、透明可审计的自主系统等理念，正是他从服务架构时代一路延续至今的结构性思考，在智能体时代焕发了新的生命力。

正因如此，这本书的翻译对我们而言是一种持续的震撼。它不只教你“如何构建一个能工作的多智能体系统”，更在深层追问：当专业智能体如同数字劳动力一样被编排、治理、审计和持续进化时，我们的组织形态、责任边界和工程文化需要经历怎样的重塑？书中给出的成熟度模型和逐步落地的路线图，就像一张穿越不确定性地带的地图，你可以选择从哪个阶段进入，但目标始终清晰。

我们正站在一个临界点上：未来的企业软件将不再是一堆静态的微服务与API，而是一个由专业智能体组成的可动态编排的认知系统。这些智能体将携带领域知识、记忆、推理轨迹和行为准则，在人的监督与协作下共同完成过去需要庞大团队才能胜任的复杂工作。而本书所提供的模式语言，正是构建这种未来系统的语法和词汇。

翻译过程中，我们尽力保留原著的严谨与前瞻，同时力求让中文读者感受到概念背后的工程直觉。这本书适合软件架构师、技术领导者和AI工程师，也适合任何不愿停留在聊天机器人原型阶段、决心将Agentic AI推向生产级深水区的实践者。它和《Agentic智能体设计模式》互为表里：后者奠定了单智能体的设计根基，本书则拉开了多智能体协同演化的帷幕。

感谢阿里·阿尔桑贾尼博士将如此厚重的经验凝练成书，也感谢清华大学出版社的信任与支持，更要感谢并肩翻译的伙伴们，在无数个深夜讨论模式命名与术语的取舍，只为了让每一处表达都尽可能准确、通达。最后，向所有在Agentic AI无人区中探索的先行者致敬，愿这本书成为你手中趁手的地图，也期待它与ADPS社区的未来工作一起，激发出更多属于中文世界的设计模式创新。

智能体时代的大门刚刚敞开，而多智能体架构的协奏曲，正等待我们去谱写。

茹炳晟 

腾讯研究院特约研究员、产业研究顾问

复旦大学CodeWisdom团队首席技术专家

中国计算机学会TF多智能体系统SIG副主席

谨以此书献给我的家人，是他们赋予了我源源不断的灵感。

——阿里·阿尔桑贾尼博士 

谨以此书献给我的妻子辛西娅，以及我的孩子佩妮和安德鲁—你们是我前进的动力。

——胡安·巴勃罗·布斯托斯

序 言

生成式AI(GenAI)的初期阶段展现了模型在综合信息和生成内容方面的卓越能力。然而，对企业而言，这项技术的真正价值不仅在于其对话能力，更在于其执行能力。我们现在正从具备知识问答能力的智能助手系统转向能够执行复杂工作流并创造实际商业价值的智能体系统。

从“思考”转向“行动”对系统的可靠性、安全性和治理提出了新的要求。组织必须能够确信，智能体将在严格的合规范围内运行，遵守安全协议，并在规模化应用中保持表现的一致性。

在《Agentic多智能体架构模式》一书中，阿里·阿尔桑贾尼博士和胡安·巴勃罗·布斯托斯以企业级部署所需的严谨工程方法应对了这些挑战。

本书弥合了理论与实际落地之间的鸿沟，重点关注构建持久、生产级系统所需的架构规范。作者通过引入可复用的设计和架构模式(如针对健壮性、容错性、指令执行准确度及合规性监控的模式)，提出了一种管理多智能体环境固有复杂性的结构化方法。

书中概述的框架为领导者评估组织的就绪程度及指导战略投资提供了清晰的路线图，也为希望将Agentic AI整合到核心业务中的组织提供宝贵的指南。

随着我们进入人工智能驱动的数字化转型新阶段，成功将取决于构建不仅智能，而且可问责、更安全的系统的能力。本书为这一旅程提供了实用的行动路线图。

托马斯·库里安

谷歌云CEO

前  言

生成式AI，特别是Agentic AI，正迅速成为现代企业技术的核心范式。Agentic AI所构建的系统中，大语言模型(LLM)不再仅仅是单一的文本生成器，而是分布式推理引擎，每个引擎都能感知环境、做出决策并采取行动，从而共同实现特定目标。此外，Agentic AI还支持复杂认知工作流的自动化，这减少了多步流程中对人工干预的需求，有助于创建自适应的自主系统。这些系统可以在整个组织内复用专业能力，同时在最关键的流程中保留人工审批机制。

在该领域的各类新兴技术中，存在许多框架及抽象模式，这些框架和模式支持创建此类智能体。本书构建的多智能体系统架构模式是侧重于支撑稳健智能体系统的通用架构模式，同时利用了谷歌的 Gemini 模型、ADK等强大工具，以及 LangGraph 和 CrewAI 等流行框架进行实践。这些工具之所以重要，不仅因为它们处于行业前沿，还因为他们具有以下优势：

支持创建能够进行推理、规划并使用工具与现实世界互动的智能体；

支持多智能体之间的复杂协调，并兼顾依赖关系和共享上下文；

为生产环境中的自主系统提供治理、安全和可观测性所需的基础设施。

在这本著作中，专门介绍了如何设计和构建渐进式复杂Agentic AI。首先阐述企业级生成式人工智能的现状、“智能体就绪型”大语言模型的选择与适配、智能体架构设计，以及如何利用成熟度模型对这些系统进行治理和集成。

介绍完基础概念和智能体架构后，将探讨构建多智能体协作系统的实际设计模式，内容涵盖如何协调多个智能体、确保可解释性与合规性、实现容错机制，以及设计高效的人机交互。

最后，本书将以高级实现和真实应用案例结尾，包括构建自我改进系统、详尽的企业落地路线图，以及使用现代框架为金融工作流构建单智能体和多智能体系统的实际代码示例。

本书将引导读者学习用于设计和构建智能体系统的全面模式语言，并涵盖如何利用 Google ADK、CrewAI 和 LangGraph 等工具集成与实现这些模式的实用方案。

书中描述的大多数智能体配置均使用谷歌的 Gemini 模型和 Python 进行演示，但这些架构模式同样适用于其他大语言模型和框架。

本书旨在分享作者在与企业合作以及参与全球人工智能社区互动的过程中，所遇到的真实且实用的Agentic AI场景经验。

本书读者对象

本书面向软件架构师、高级开发人员、人工智能工程师以及技术领导者，旨在帮助其跨越简单的聊天机器人原型，构建稳健的生产级智能体系统。为了充分利用这本关于Agentic AI的书籍，读者需要具备 Python 编程经验、基本的机器学习概念，并熟悉基于 API 的开发。

本书主要内容

第1章，企业中的生成式AI：现状、成熟度与智能体焦点，详细介绍了生成式人工智能的变革潜力，引入了智能体系统的核心概念，并提出了生成式人工智能成熟度模型，将其作为落地应用的战略路线图。

第2章，智能体就绪型大语言模型：选择、部署与适配，介绍了选择合适基础模型的标准、高效部署与服务的策略，以及用于管理智能体生命周期的AgentOps准则。

第3章，智能体的大语言模型适配谱系：从检索增强生成到微调，探讨了大语言模型专业化关键技术，涵盖从动态上下文检索和上下文学习到参数高效微调的各种方法。

第4章，Agentic AI架构：组件与交互，剖析了智能体的基本构造—感知、推理、规划、行动，并研究了智能体智能化运行所需的架构特征和数据上下文。

第5章，多智能体协作模式，涵盖了管理智能体间协作的策略，包括智能体路由、任务委派框架(监督者模式与群体模式的对比)，以及协商与共识模式。

第6章，可解释性与合规性智能体模式，详细介绍了确保问责制的模式，例如指令忠实度审计和分形思维链嵌入，旨在创建透明且可审计的推理轨迹。

第7章，稳健性与容错模式，引入了架构保护措施，如自适应重试、熔断器和并行执行共识，以确保智能体在面对错误和不确定性时保持可靠。

第8章，人机交互模式，研究了人工智能与人类之间的界面，涵盖了委派、无缝移交以及针对高风险决策的人在回路上报策略。

第9章，智能体级模式，侧重于单个智能体的内部能力，探讨了管理特定智能体记忆、结构化推理和多模态感知的模式。

第10章，生产就绪的系统级模式，讨论了企业部署所需的整体基础设施，包括安全、发现注册表和事件驱动的响应机制等模式。

第11章，高级适配：构建具有学习能力的智能体，探讨了自我改进系统的前沿技术，涵盖合成数据生成、自动评分以及协同进化智能体训练的“飞轮”效应。

第12章，实践路线图：按成熟度等级实施智能体模式，提供了逐步采用这些模式的综合指南，并将这些模式映射到从基础到高级的组织成熟度特定阶段。

第13章，应用案例：用于贷款处理的单智能体，演示了处理复杂金融工作流的单体智能体的具体实现，并通过代码展示了分形思维链的应用及工具调用。

第14章，应用案例：用于贷款处理的多智能体系统，将前述案例演进为分布式多智能体系统，展示了专业化智能体如何协作处理准入、风险和合规事务。

第15章，智能体框架—应用案例：使用CrewAI和LangGraph构建的贷款处理多智能体系统，通过重新实现贷款处理场景，对比并分析了行业流行框架，突出了不同抽象模型的优势。

第16章，结语：规划Agentic AI之旅，总结了核心架构原则，为从业者提供了循序渐进的路线图和行动计划，并对智能体工作力的未来提供了展望。

学习建议

应具备 Python 编程和面向对象设计原则的基础知识。

应熟悉基础的生成式 AI 概念，如大语言模型的定义和提示词工程。

建议准备好 Python 开发环境(如 Jupyter Notebook 或 Google Colab)以运行代码示例。

在执行各章节的具体实现示例时，需要获取 Google Gemini 的 API 密钥(通过 Google AI Studio 或 Vertex AI)。

下载示例代码文件

本书的代码包托管在 GitHub 上，地址为https://github.com/PacktPublishing/Agentic-Architectural-Patterns-for-Building-Multi-Agent-Systems。也可扫描右侧二维码下载。

本书约定

本书通篇使用了多种文本约定。

(1) 正文中的代码：用于表示正文中的代码词汇、数据库表名、文件夹名、文件名、文件扩展名、路径名、虚拟 URL、用户输入以及社交媒体账号。例如，“每个子智能体都是一个 LLMAgent 实例，经过设计和适配，使其成为处理特定复合任务或特定领域内的专家。”

(2) 代码块的排版格式如下。

class LoanApprovalAgent:

    CONFIDENCE_THRESHOLD = 0.95

    def process_application(self, application_data):

        # …… 初始处理步骤 ……

        # 分析房产评估情况

        property_analysis = self.analyze_property(application_data.appraisal)

    if property_analysis['confidence'] < self.CONFIDENCE_THRESHOLD:

        # 1. 为人工审核整理上下文信息

        review_package = {

            "application_id": application_data.id,

            "issue": "Property data discrepancy",

            "details": property_analysis['details']

        }

(3) 命令行输入或输出的书写格式如图0.1所示。

图0.1 命令行输入或输出的书写格式

(4) 粗体：表示新术语、重要词汇或屏幕上显示的文字。例如，菜单或对话框中的词汇在正文中会以此种形式呈现。示例：“生成式人工智能是人工智能的一个领域，它使系统能够通过学习海量数据集中的潜在模式，来创作新的或合成的内容、进行推理、理解上下文并提供建议。”

警告或重要说明以此种形式呈现。

提示与技巧以此种形式呈现。

作者简介

阿里·阿尔桑贾尼博士是一位卓越的技术高管，他将严谨的架构设计、大规模组织战略与产业化落地的执行力完美结合。作为公认的“面向服务架构之父”，他曾领导多个组织的转型项目。目前，他担任 Google 云应用人工智能的工程总监，领导“生成式人工智能黑带”卓越中心，该中心致力于打通研究、前沿部署工程与企业级落地。

在这一职位上，他推动了与 Google 核心客户及合作伙伴的战略协同工程项目，加速了企业对生成式人工智能和Agentic AI的采纳。阿里·阿尔桑贾尼博士曾任亚马逊云科技机器学习负责人及 IBM 分析业务首席技术官，管理过超过 6000 人的全球专业团队。作为 IBM 首席发明家，他拥有多项核心专利，在服务拆分和上下文感知路由方面做出了开创性贡献。

如今，他正致力于生成式人工智能和Agentic AI的开拓，引入了最佳实践和协议(如智能体间协议)，以确保自主系统保持透明、可审计并符合伦理治理规范。作为一名热心的教育家，他在玛赫西国际大学、加州大学圣地亚哥分校和圣何塞州立大学担任兼职教授，影响了数千名学生。他的学术成果被引用超过 4800 次，涵盖企业架构、分布式系统和神经机器交互等领域。

阿里·阿尔桑贾尼博士始终将深厚的技术造诣与战略眼光相结合，是引领智能体时代的核心力量。

我谨向我的祖父母表达最深切的谢意，感谢他们的悉心指导、关爱与智慧；感谢我的父亲；感谢我的母亲，她是许多人的榜样，并激励我不断追求卓越；还要感谢我的妻子和儿子，他们是我精神进阶之路上的伙伴，并给予了我无私的支持。

胡安·巴勃罗·布斯托斯是一位处于生成式人工智能革命最前沿且富有远见的技术领袖。他曾供职于 Google、Stripe 和亚马逊云科技等行业巨头，专长于推动企业级人工智能的工程化落地。目前他任职于 Google，担任多家《财富》50 强企业及全球机构的战略合作伙伴，指导这些组织引入Agentic AI的复杂全生命周期—从识别高价值用例到大规模部署多智能体系统。胡安具备一种独特的能力，能够敏锐洞察复杂挑战的宏观全局与微观细节，将高层业务战略无缝转化为严谨的技术架构。他致力于赋能各类组织，使其跨越技术实验阶段，通过前沿技术实现变革性价值。

谨以此书献给辛西娅、佩妮和安德鲁。你们是我的动力源泉。与阿里·阿尔桑贾尼博士共同撰写本书是我职业生涯的高光时刻；阿里，感谢与你的合作。

同时，感谢生成式人工智能工具—Gemini、Claude和ChatGPT—它们协助我们实现了更快速的迭代，并助力我们构思出更宏伟的蓝图。

译者简介

茹炳晟，腾讯研究院高级技术顾问、特约研究员，复旦大学CodeWisdom团队首席技术专家，中国计算机学会TF多智能体系统SIG副主席，中国商业联合会互联网应用技术委员会智库专家，中国通信标准化协会TC608云计算标准和开源推进委员会云上软件工程工作组副组长，腾讯云架构师技术同盟入会成长主席，年度IT图书最具影响力作者，二十余本技术畅销书的作者和译者，国内外各大技术峰会的联席主席、出品人和Keynote演讲嘉宾，公众号“茹炳晟聊软件研发”的主理人。

曹洪伟，零一万物技术专家、前百度DuerOS首席布道师、原渡鸦科技CTO，曾服务于美国高通等500强企业，后连续创业；拥有近30年的软硬件研发和管理经验，全栈工匠一枚，腾讯云TVP，拥有50+国内外专利，中国专利局技术评审外聘专家，中国通信工业协会人工智能首席专家；著有《MCP极简入门》《性能之道》《一书读懂物联网》等书籍，译著包括《基于混合方法的自然语言处理》《深度学习黑箱》《语音优先》《架构现代化》《持续架构》等；维护公众号wireless_com和同名CSDN博客。

殷海英，计算机科学与技术硕士、博士，工商管理硕士MBA，联合国教科文组织认证教师，多本SCI期刊审稿人；长期从事数据科学、具身智能、人工智能医学应用、大模型系统与智能计算中心等方向的研究与实践；先后在耶鲁大学医学院、斯坦福大学医学院、杜克大学医学院、北卡罗莱纳大学研究生院、卫斯理大学等机构进修人体解剖学、人类生理学、医学神经科学、公共卫生与社会心理学，具备临床医学知识、医学人工智能交叉研究能力和多学科融合背景；已出版和参与出版四十余部数据科学、人工智能、云计算、高性能计算、机器学习工程、大语言模型、智能体系统与知识图谱等领域的技术著作和译著，主持并参与多项面向智能计算中心、大语言模型推理优化、算力调度、机器学习模型生命周期管理和多模态数据计算的发明专利项目。

关于审校者

里根·罗萨里奥(Reagan Rosario)目前担任亚马逊云科技公司的全球高级生成式人工智能专家。他因通过工作流自动化、应用人工智能和云原生架构推动全球企业实现遗留系统现代化转型而广受认可。他的工作成果包括：通过个性化技术将用户参与度提升高达 63% 的人工智能系统，通过自学习决策模型实现 99.97% 准确率的工作流引擎，将成本降低 60% 的无服务器批处理架构，以及创建了现已成为行业标准的云迁移方法论。他的技术出版物广为引用，也深刻影响了企业级人工智能和云架构的发展。

阿肖克·辛加马内尼(Ashok Singamaneni)是一位首席数据工程师和开源创新者，因推动大规模数据平台、人工智能辅助工程和分布式系统的发展而备受赞誉。他是 Brickflow 和 Spark Expectations 的共同开发者，这两个框架已被广泛采用，累计下载量超过 1300 万次，为湖仓一体团队实现了任务编排和数据质量的现代化。阿肖克曾在 Databricks 人工智能峰会发表演讲，并受邀参加“数据工程秀”播客。他以指导工程师、制定平台战略以及交付可靠且可扩展的数据系统而著称。