不只會用Agent LangGraph自己動手設計代理人

▍第 1 章 初識代理
1.1 從大型語言模型到代理
1.1.1 代理的誕生
1.1.2 代理的核心能力與技術支柱
1.2 代理革新日常應用
1.2.1 代理重塑應用
1.2.2 代理建構過程
1.3 LangGraph 1.0 開發框架全面解析
1.3.1 LangGraph 新技術底座
1.3.2 LangGraph 讓Agent 開發更快、更靈活
1.4 本章小結
▍第 2 章 Agent 環境安裝與大型語言模型設定
2.1 Python 環境的安裝與設定
2.1.1 Miniconda 的下載與安裝
2.1.2 PyTorch 的下載與安裝
2.1.3 PyCharm 的安裝與使用
2.2 網頁版Qwen3 的使用
2.2.1 網頁版Qwen3 的註冊與基本使用
2.2.2 不同提示（Prompt）對回答的影響
2.3 Qwen3 線上API 的使用
2.3.1 線上Qwen3 註冊與基本使用
2.3.2 不同API 呼叫Qwen3 的範例
2.4 Hello Agent 實戰
2.4.1 透過API 呼叫Qwen3
2.4.2 基於LangGraph 建構Agent
2.5 本章小結
▍第 3 章 LangGraph 程式設計基礎
3.1 LangGraph 與工作流程建立
3.1.1 LangGraph 基礎介紹
3.1.2 LangGraph 元件
3.1.3 LangGraph 中的State
3.1.4 LangGraph 中的Node
3.1.5 LangGraph 中的Edges
3.2 LangGraph 中的基本輸入及工具呼叫範式
3.2.1 LangGraph 中的提示詞
3.2.2 LangGraph 中的工具定義與呼叫
3.2.3 基於LangGraph 實作的工具使用代理
3.3 LangGraph 中的Map 與Reducer
3.3.1 LangGraph 中的Map
3.3.2 LangGraph 中的Reducer
3.3.3 各司其職的Map 與Reducer
3.3.4 State 中的輔助參數BaseModel、Annotated 與Literal 詳解
3.4 LangGraph 中的輸出範式
3.4.1 LangGraph 中的格式化輸出1：StrOutputParser
3.4.2 LangGraph 中的格式化輸出2：JSON 格式
3.4.3 LangGraph 中的格式化輸出3：可控的JSON 格式
3.5 代理設計模式1：反應式代理與自動導航案例
3.5.1 初識反應式代理
3.5.2 反應式室內清掃代理設計
3.5.3 反應式室內清掃代理的實作
3.5.4 模擬場景下的清掃代理視覺化示範
3.6 本章小結
▍第 4 章 建構圖的多條件分支
4.1 多場景條件分支
4.1.1 多條件分支實戰
4.1.2 LangGraph 的串流輸出
4.1.3 Command 命令完成節點內部的跳轉
4.2 LangGraph 節點的平行化處理
4.2.1 LangGraph 中的平行化實戰
4.2.2 平行化實戰中Reducer 的妙用
4.3 本章小結
▍第 5 章 代理設計模式 2：ReAct
5.1 ToolNode 詳解與重新包裝
5.1.1 ToolNode 詳解
5.1.2 ToolNode 中的工具呼叫
5.2 ReAct 設計範式
5.2.1 初識ReAct 與實作
5.2.2 基於大型語言模型的ReAct 詳解
5.3 替代ReAct 的預建構create_agent 模組詳解
5.3.1 create_agent 的基礎使用
5.3.2 使用create_agent 建構ReAct
5.4 create_agent 的結構化輸出與輸入
5.4.1 create_agent 中的結構化輸出格式
5.4.2 create_agent 中的輸入重構
5.5 create_agent 中介軟體middleware 詳解
5.5.1 中介軟體的使用
5.5.2 中介軟體裝飾器詳解
5.5.3 使用中介軟體裝飾器動態重構輸入格式
5.6 本章小結
▍第 6 章 代理設計模式 3：記憶系統
6.1 LangGraph 中的記憶儲存
6.1.1 基於記憶體的短期記憶
6.1.2 基於持久化儲存的長期記憶儲存
6.2 LangGraph 中的長期記憶載入與整理
6.2.1 基於持久化儲存的長期記憶預載入1：拼接提示詞
6.2.2 基於持久化儲存的長期記憶預載入2：before_agent 中介軟體的使用
6.2.3 基於持久化儲存的長期記憶預載入3：before_model 與檢索整理
6.2.4 before_agent 與before_model 的使用差異
6.3 本章小結
▍第 7 章 代理設計模式 4：規劃與執行
7.1 網路搜尋工具tavily 詳解
7.1.1 tavily 搜尋引擎註冊
7.1.2 tavily 使用詳解
7.2 結合tavily 搜尋的代理實戰
7.2.1 基於create_agent 的多工具呼叫實戰
7.2.2 完整建立的LangGraph 多工具呼叫代理
7.3 LangGraph 中TypedDict 與BaseModel 的共通與巢狀結構
7.3.1 LangGraph 中TypedDict 與BaseModel 的共通點
7.3.2 LangGraph 的狀態空間進階：多類型資料巢狀結構
7.4 基於代理規劃的成長指導
7.4.1 目標抽象：從「經驗驅動」到「目標驅動」
7.4.2 步驟明確：從「模糊願景」到「清晰藍圖」
7.4.3 執行實踐：從「靜態邏輯」到「動態循環」
7.5 本章小結
▍第 8 章 代理設計模式 5：上下文工程
8.1 上下文工程中的提示詞
8.1.1 提示詞範本PromptTemplate
8.1.2 提示詞設計規範
8.1.3 帶有人格描述的提示詞範本
8.2 上下文污染與上下文卸載
8.2.1 上下文污染
8.2.2 上下文卸載
8.3 本章小結
▍第 9 章 多代理實戰
9.1 初識多代理
9.1.1 單代理與多代理
9.1.2 多代理的應用場景
9.2 多代理基礎設計模式實戰
9.2.1 多代理設計模式6：管線式
9.2.2 多代理設計模式7：反思
9.3 本章小結
▍第 10 章 案例實戰：結合長短期目標的新能源車文案設計
10.1 文案設計的基礎知識
10.1.1 基於業務要求的背景和歷史文案蒐集
10.1.2 Embedding 編碼與歷史文字查詢
10.1.3 文案目標定義與生成
10.2 文案設計的代理實戰
10.2.1 文案生成中不同角色的定義與抽象
10.2.2 角色的動態生成函式
10.2.3 結合長短期目標的新能源車文案
10.2.4 多代理設計模式8：Swarm
10.3 本章小結
▍第 11 章 案例實戰：共用空間驅動的多代理
11.1 多代理的共用空間驅動
11.2 多代理的共用空間驅動實戰
11.2.1 基於共用空間驅動的多代理實戰
11.2.2 管控全域的共用空間詳解
11.3 本章小結
▍第 12 章 案例實戰：主代理驅動的多代理
12.1 多代理角色的定義與實作
12.1.1 主狀態空間的定義
12.1.2 多代理「專家」角色設定
12.1.3 多代理「主管」角色設定
12.2 多代理設計模式9：Supervisor
12.2.1 角色建構與路由分析
12.2.2 Supervisor 模式的多代理實戰
12.3 本章小結

王曉華
高校計算機專業講師，研究方向為雲計算、大數據與人工智慧。其著作包括
《AI Agent 智能體與MCP開發實踐：基於Qwen3大模型》
《DeepSeek原生應用與智能體開發實踐》
《LLM 開源大物 - DeepSeek 深入技術多模態開發》
《深入探索Mamba模型架構與應用》
《PyTorch深度學習與計算機視覺實踐》
《PyTorch語音識別實踐》
《ChatGLM大模型本地部署、應用開發與微調》
《新範式來臨 - 用 PyTorch 了解 LLM 開發微調 ChatGLM 全過程》
《PyTorch 2.0深度學習從零開始》