building-agentic-ai

当 AI 不再只是"回答问题"

想象这样一个场景：你对着一款 AI 助手说"帮我找出去年Q3销售额排名前十的客户，并把报告发到运营群里"。AI 不仅理解了你的意图，还自动连接了数据库、执行了查询、生成图表、写好邮件并发送了出去——整个过程没有任何人工干预。

这不是科幻，而是 Agentic AI（智能体 AI） 的现实。

Sinan Ozdemir 的这本《Applied AI》及其配套代码库，正是为了回答一个核心问题：如何从"AI 回答问题"跨越到"AI 自动完成任务"？Ozdemir 既是斯坦福兼职教授、KALAI 创始人，也曾在谷歌担任产品经理，他将自己多年在 AI 工程一线的实战经验，浓缩成了这本被 O'Reilly 出版、被 Pearson 收录为官方教材的实用指南。

三幕结构：从理解到行动到优化

代码库按照书籍的"三幕结构"组织，分为 17 个真实可运行的案例研究：

第一幕：基础（Foundations） 覆盖 LLMs 工作原理、Embedding 向量化检索、RAG 工作流设计，以及如何构建可靠、低成本、可扩展的 AI 系统。即使是有一定经验的开发者，也往往低估了 Embedding 质量和检索策略对最终效果的影响——第一幕就用代码让你亲眼看到这些细节的威力。

第二幕：智能体（Agents） 是本书的核心。这里从 ReAct 模式开始，逐步扩展到 LangGraph 多节点工作流、MCP（Model Context Protocol）服务器架构、Deep Research 深度研究工作流、浏览器自动化（Computer Use）等。17 个案例中有超过 10 个集中在这一部分，每一个都对应一个真实的工程挑战：如何让 Agent 做决策而非只是调用函数、如何评估 Agent 工具选择的准确性（工具顺序不同甚至可以让准确率相差 40%！）、如何用 MCP 协议连接外部系统。

第三幕：优化（Optimization） 深入微调、量化、蒸馏等高级主题。包括使用 Qwen 进行领域适配微调、Matryoshka 变长 Embedding 训练、投石解码（Speculative Decoding）加速推理等前沿实践。

核心技术栈与工程细节

这个代码库几乎全部基于 Python + Jupyter Notebook 运行，核心依赖包括：

• LangChain / LangGraph：几乎所有 Agent 实现的核心框架。LangGraph 的状态图模型是构建复杂决策流程的基础。
• Streamlit / Flask：提供交互式 Web 界面。deep_research 案例的 Streamlit 应用可以直接运行，text_to_sql 案例则提供了 Flask API。
• Playwright / Chrome DevTools Protocol：Computer Use 案例通过截图+视觉模型实现浏览器自动化，不需要 DOM 接口也能操控任意网页。
• ChromaDB：作为向量数据库支撑 RAG 和 Embedding 检索场景。
• Docker Compose：sdr_multi_agent 案例提供了完整的容器化方案（RabbitMQ + Celery + Flask + MCP 服务器），multi-modal/twilio 案例则用 Docker 快速启动实时语音 Bot。

值得注意的是，仓库整体没有根目录级别的 Dockerfile，这反映了该项目的本质——它不是要交付一个统一的产品，而是作为一本书的配套代码集，每个案例都是独立可运行的实验环境。开发者需要按案例分别配置依赖。

工程亮点：那些"踩坑"后的发现

位置偏见（Positional Bias） 是代码库中反复出现的核心议题。在 Case Study 4 中，Ozdemir 用实验证明：LLM 在处理 RAG 检索结果时，显著偏好开头和结尾的内容，中间的信息容易被忽略——这直接导致了许多 RAG 系统效果不稳定。在 Case Study 10 中，工具在提示词中的顺序不同，可以导致 Agent 工具选择的准确率相差 40%。这些不是理论推断，而是代码库中可以直接运行的实验代码。

Deep Research 工作流 展示了从"固定工作流"到"智能体重规划"的工程路径。规划器（Planner）生成研究计划，执行器（Step Executor）逐项执行，遇到困难时重新规划——这是一个典型的 LangGraph 状态机实现，涉及流式输出（Streaming Events）和实时反馈。

Computer Use 案例则代表了 2024 年最具突破性的 Agent 能力：让 AI 直接操控 GUI——通过截图理解界面、通过坐标点击按钮——不再需要网页提供 API 接口。这在代码库中通过 Playwright Chrome 扩展 + Electron 截图应用实现，是目前最具可复现性的 Computer Use 方案之一。

上手门槛与体验

对于普通爱好者，所有代码均可在 Google Colab 中直接运行（书中附有大量 Colab 链接），无需本地 GPU。只需准备 OpenAI API Key 或 OpenRouter Key，即可体验大多数案例。

对于开发者，建议从 Case Study 5（从 RAG 到 Agent） 或 Case Study 9（Deep Research） 开始——这两个案例代码结构最完整，README 文档最详细，且提供了完整的 Streamlit/Flask UI。sdr_multi_agent 案例的 Docker Compose 方案适合想体验完整多 Agent 系统的用户。

需要注意的主要门槛是：几乎所有案例都依赖外部 API（OpenAI、OpenRouter、Groq 等），部分案例（如 Deep Research）还需要 SerpAPI、Firecrawl 等额外付费服务。此外，Fine-tuning 相关案例（Case Study 13-14）确实需要 GPU 环境。

局限与争议

这个项目最明显的局限在于没有统一的入口和安装方式。作为一个书籍配套代码库，每个案例都是独立的项目，需要分别安装依赖。这对想快速探索全貌的开发者来说不够友好。此外，仓库中的案例完成度参差不齐——Case Study 15（Speculative Decoding）和 Case Study 17（Matryoshka Embeddings）目前只有占位符，实际内容尚未发布。

另一个值得注意的点是许可证缺失：仓库没有明确的开源许可证，这意味着代码的复用需要谨慎，建议联系作者确认使用范围。

行业意义

2024-2025 年，Agentic AI 从概念走向落地。Anthropic 的 Computer Use、OpenAI 的 Agents SDK、OpenRouter 的多模型路由……行业正在快速标准化 Agent 的构建范式。Ozdemir 的代码库恰好站在这个转折点上——它不绑定任何一个框架或平台，而是用代码展示了 Agent 工程的核心挑战：状态管理、工具选择、评估体系、成本控制。

对于正在构建 AI 产品的团队，这个代码库更像一本"避坑手册"：每一个实验背后都是一个真实工程问题的解决方案。当你发现自己的 Agent 效果不稳定时，先来这里跑一遍"位置偏见"实验——很可能，答案就藏在你忽略的那个中间位置。