agentic-design-patterns

GitHub
3.5k 477 非常简单 1 次阅读 今天语言模型Agent
AI 解读 由 AI 自动生成,仅供参考

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

GPU

未说明

内存

未说明

依赖
notes本项目为《Agentic Design Patterns》一书的中文翻译文档仓库,并非可执行的 AI 软件工具。项目内容主要为 Markdown 格式的文本文件,托管于 GitHub Pages 供在线阅读,无需安装任何运行环境、GPU、特定内存或 Python 依赖库。
python未说明
agentic-design-patterns hero image

快速开始

封面图

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

  • GitHub: xindoo
  • 个人网站: zxs.io
  • 博客xindoo
  • 个人简介: 热衷于技术分享和开源贡献的开发者,专注于 AI 技术、系统架构、职业发展。

📚 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

  1. 第1章:提示链(Prompt Chaining)
  2. 第2章:路由(Routing)
  3. 第3章:并行化(Parallelization)
  4. 第4章:反思(Reflection)
  5. 第5章:工具使用(Tool Use)
  6. 第6章:规划(Planning)
  7. 第7章:多智能体协作(Multi-Agent Collaboration)
  8. 第8章:记忆管理(Memory Management)
  9. 第9章:学习与适应(Learning and Adaptation)
  10. 第10章:模型上下文协议(Model Context Protocol)
  11. 第11章:目标设定与监控(Goal Setting and Monitoring)
  12. 第12章:异常处理与恢复(Exception Handling and Recovery)
  13. 第13章:人机协同(Human-in-the-Loop)
  14. 第14章:知识检索(Knowledge Retrieval - RAG)
  15. 第15章:智能体间通信(Inter-Agent Communication - A2A)
  16. 第16章:资源感知优化(Resource-Aware Optimization)
  17. 第17章:推理技术(Reasoning Techniques)
  18. 第18章:安全防护模式(Guardrails/Safety Patterns)
  19. 第19章:评估与监控(Evaluation and Monitoring)
  20. 第20章:优先级排序(Prioritization)
  21. 第21章:探索与发现(Exploration and Discovery)

附录章节

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:

  1. Fork 本仓库
  2. 创建特性分支 (git checkout -b feature/translate-chapter-xx)
  3. 提交更改 (git commit -am '完成第XX章翻译')
  4. 推送分支 (git push origin feature/translate-chapter-xx)
  5. 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

Star History

Star History Chart

📄 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

v722026/04/04
v712026/03/23
v702026/03/17
v692026/03/17
v682026/03/15
v662026/03/11
v652026/03/10
v632026/03/03
v622026/03/01
v612026/02/25
v602026/02/24
v592026/02/20
v562026/02/19
v542026/02/18
v532026/02/06
v522026/02/06
v512026/02/06
v502026/02/06
v472025/12/22
v452025/12/14

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

349.3k|★★★☆☆|1周前
Agent开发框架图像

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。

162.1k|★★★☆☆|1周前
开发框架图像Agent

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

152.6k|★★☆☆☆|今天
开发框架Agent语言模型

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。

108.3k|★★☆☆☆|3天前
开发框架图像Agent

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。

100.8k|★★☆☆☆|3天前
插件Agent图像

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

90.1k|★★★☆☆|1周前
语言模型图像Agent