agentic-design-patterns
agentic-design-patterns 是谷歌新书《Agentic Design Patterns》的开源中文翻译项目,旨在为中文开发者提供一套系统化的 AI 智能体(Agent)构建指南。随着大模型应用从简单对话转向复杂任务执行,如何设计稳定、高效且具备自主能力的智能体成为技术难点。本书通过拆解 21 个核心设计模式,从基础的提示链、路由、并行化,到进阶的反思、规划、工具使用,再到多智能体协作、记忆管理及安全防护等高级议题,全方位覆盖了智能体系统的关键架构要素。
该项目不仅提供了高质量的中文译文,还附带在线阅读及多种电子书格式下载,极大降低了国内技术人员的学习门槛。无论是希望深入理解 Agent 底层逻辑的算法研究人员,还是需要落地复杂 AI 应用的软件工程师,亦或是关注人机协同与系统评估的产品设计师,都能从中获得极具价值的实践参考。其独特的亮点在于将抽象的理论转化为具体的工程模式,并补充了关于模型上下文协议(MCP)、异常恢复及资源优化等前沿实战内容,帮助开发者避开常见陷阱,构建更可靠的智能系统。
使用场景
某电商公司的技术团队正致力于构建一个能自动处理复杂客诉(如物流延误叠加商品破损)的智能客服系统。
没有 agentic-design-patterns 时
- 逻辑混乱且易出错:开发人员仅靠简单的提示词堆砌,导致 AI 在面对多步骤问题时经常“幻觉”或遗漏关键信息,无法有效执行规划(Planning)和反思(Reflection)。
- 协作能力缺失:试图让单个模型同时承担查询订单、联系物流、判定赔偿等所有任务,结果因上下文过载导致响应缓慢且准确率极低,缺乏多智能体协作(Multi-Agent Collaboration)架构。
- 维护成本高昂:由于缺乏统一的设计模式参考,团队成员各自为战,代码风格迥异,且在遇到异常流程时不知道如何实现标准的异常处理与恢复(Exception Handling and Recovery)。
- 安全隐患难控:系统上线后频繁出现越权操作或输出不当内容,因为团队未系统性地应用安全防护模式(Guardrails/Safety Patterns)。
使用 agentic-design-patterns 后
- 架构清晰稳健:团队依据书中的“规划”与“反思”模式重构了核心逻辑,AI 能自主拆解复杂客诉为子任务并自我纠错,问题解决率提升了 40%。
- 高效分工协作:采用“多智能体协作”模式,将系统拆分为专门的“查询代理”、“谈判代理”和“审批代理”,各司其职并通过标准通信协议(A2A)高效配合,响应速度显著加快。
- 开发标准化:参照书中提供的 21 种核心模式,团队建立了统一的开发规范,特别是引入了标准的异常处理机制,使得新功能的迭代周期缩短了一半。
- 安全可控:通过落地“安全防护模式”和“评估监控”章节的方法,系统在源头拦截了 99% 的潜在风险指令,并具备了可量化的性能监控指标。
agentic-design-patterns 将零散的 AI 开发经验转化为标准化的工程蓝图,帮助团队从“写提示词”进阶到“构建可靠的智能体系统”。
运行环境要求
未说明
未说明

快速开始

Agentic Design Patterns(中文翻译项目)
👨💻 关于xindoo
xindoo - 本翻译项目的发起者和主要维护者
📚 项目简介
本项目是《Agentic Design Patterns》一书的中文翻译项目。该书系统介绍了 AI Agent 系统的各种设计模式,涵盖从基础到高级的 21 个核心模式,以及多个附录章节。
🎯 关于本书
《Agentic Design Patterns》探讨了构建智能 AI Agent 系统的核心设计模式,包括:
- 提示链、路由、并行化等基础模式
- 反思、工具使用、规划等进阶模式
- 多智能体协作、记忆管理、知识检索等高级模式
- 安全防护、评估监控等实践模式
📖 目录结构
核心章节
- 第1章:提示链(Prompt Chaining)
- 第2章:路由(Routing)
- 第3章:并行化(Parallelization)
- 第4章:反思(Reflection)
- 第5章:工具使用(Tool Use)
- 第6章:规划(Planning)
- 第7章:多智能体协作(Multi-Agent Collaboration)
- 第8章:记忆管理(Memory Management)
- 第9章:学习与适应(Learning and Adaptation)
- 第10章:模型上下文协议(Model Context Protocol)
- 第11章:目标设定与监控(Goal Setting and Monitoring)
- 第12章:异常处理与恢复(Exception Handling and Recovery)
- 第13章:人机协同(Human-in-the-Loop)
- 第14章:知识检索(Knowledge Retrieval - RAG)
- 第15章:智能体间通信(Inter-Agent Communication - A2A)
- 第16章:资源感知优化(Resource-Aware Optimization)
- 第17章:推理技术(Reasoning Techniques)
- 第18章:安全防护模式(Guardrails/Safety Patterns)
- 第19章:评估与监控(Evaluation and Monitoring)
- 第20章:优先级排序(Prioritization)
- 第21章:探索与发现(Exploration and Discovery)
附录章节
- 附录A:高级提示技术
- 附录B:AI 智能体交互:从 GUI 到真实世界环境
- 附录C:智能体框架快速概览
- 附录D:使用 AgentSpace 构建智能体(仅在线)
- 附录E:命令行上的 AI 智能体
- 附录F:深入探究:智能体推理引擎内部机制
- 附录G:编程智能体
其他内容
📁 项目结构
agentic-design-patterns/
├── README.md # 项目说明文档(本文件)
├── SUMMARY.md # GitBook 目录文件
├── CONTRIBUTING.md # 贡献指南
├── translation-guide.md # 翻译规范指南
├── progress.md # 翻译进度追踪
├── glossary.md # 术语对照表
├── PROJECT_STRUCTURE.md # 项目结构说明
├── _config.yml # Jekyll 配置文件
├── Gemfile # Ruby 依赖管理
├── CNAME # 自定义域名配置
├── chapters/ # 翻译后的章节目录
│ ├── README.md # 章节说明
│ ├── Agentic Design Patterns.md
│ ├── Chapter 1_ Prompt Chaining.md
│ ├── Chapter 2_ Routing.md
│ └ой ... # 其他章节和附录
├── original/ # 原文备份目录
│ ├── Agentic Design Patterns.md
│ ├── Chapter 1_ Prompt Chaining.md
│ ├── Chapter 2_ Routing.md
│ └ой ... # 其他原文章节
├── images/ # 图片资源目录
│ ├── README.md # 图片目录说明
│ ├── cover.png # 封面图片
│ ├── chapter-1/ # 第1章图片
│ ├── chapter-2/ # 第2章图片
│ └ой ... # 其他章节图片
├── _includes/ # Jekyll 包含文件
│ ├── navigation.html # 导航菜单
│ └oy navigation-en.html # 英文导航菜单
└oy _layouts/ # Jekyll 布局文件
└ой default.html # 默认布局模板
🌐 在线访问
本项目已部署到 GitHub Pages,可以在线阅读:
访问地址: https://adp.xindoo.xyz/
📊 翻译进度
根据 progress.md 的统计,所有 32 个文件(21个核心章节 + 7个附录 + 4个其他内容)已经完成初步翻译,目前处于待审核状态。
当前状态:
- ✅ 已完成翻译:32/32
- 🔄 待审核:32/32
- 📝 已审核完成:0/32
查看详细翻译进度请参考 progress.md
🤝 如何贡献
我们欢迎任何形式的贡献!参与方式:
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/translate-chapter-xx) - 提交更改 (
git commit -am '完成第XX章翻译') - 推送分支 (
git push origin feature/translate-chapter-xx) - 创建 Pull Request
详细贡献指南请参阅 CONTRIBUTING.md
📝 翻译规范
在开始翻译前,请仔细阅读 translation-guide.md,主要规范包括:
- 保持原文结构:段落、标题层级保持一致
- 术语统一:参考 glossary.md 中的术语对照表
- 代码保持原样:代码示例、命令行等保持英文
- 图片路径:确保图片引用路径正确指向
images/目录 - 格式规范:遵循 Markdown 格式规范
- 校对审核:提交前进行自我校对
注意:所有翻译文件已初步完成,当前主要任务是进行二次审核和质量检查。
📚 相关资源
- 术语对照表 - 统一的技术术语翻译
- 翻译指南 - 详细的翻译规范和注意事项
- 项目结构说明 - 项目文件组织说明
- GitBook 目录 - 在线书籍的完整目录结构
- Jekyll 配置 - GitHub Pages 网站配置
- 翻译进度追踪 - 实时更新翻译状态
Star History
📄 许可证
本翻译项目遵循原书的许可证条款。翻译内容仅供学习交流使用。
联系我们
邮箱: ixindoo@gmail.com
个人网站: https://zxs.io/
注意:本项目为学习交流目的的翻译项目,如有版权问题请联系处理。
版本历史
v722026/04/04v712026/03/23v702026/03/17v692026/03/17v682026/03/15v662026/03/11v652026/03/10v632026/03/03v622026/03/01v612026/02/25v602026/02/24v592026/02/20v562026/02/19v542026/02/18v532026/02/06v522026/02/06v512026/02/06v502026/02/06v472025/12/22v452025/12/14常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
