AI Agents 开发实践--掘金小册课程推荐/优惠

作者介绍

CookieBoty，AI全栈工程师，近十年专注于研发效能提升相关的工程化与低代码领域。同时，也是掘金小册《基于 Node 的 DevOps 实战》与 《NestJs 实战》的作者。

小册介绍

AI 会写代码，但它不知道该做什么。

这本书要解决的，就是 “知道该做什么” 这件事。

我们正身处一个奇特的转折点。模型能力每隔几个月就跃升一次，工具链按周迭代，新框架、新协议、新范式层出不穷。多数开发者的应对方式，是追着新东西跑——今天学 LangChain，明天试 AutoGPT，后天又在看某个 Agent 框架，或者最新的 hermes。文章看了很多，东西也学了不少，却始终没能建立起属于自己的判断体系。

? 这本书想做的事，是帮你停下来，把地基打扎实。

你将经历什么？

全书将从一次普通的 API 调用出发，每章产品都往前走一步，每个概念都有代码落地，一步步构建一个真实的 AI 产品：

?️ 第一阶段（第 1–5 章）：从模型调用到工程底座

• 把大模型从“随机发挥的黑盒”变成“稳定可控的软件模块”
• 用 Bun + Turbo + Next.js + NestJS 搭建可扩展的 monorepo 工程骨架
• 在 LangChain 中串通模型调用、提示模板、结构化输出、工具调用的完整链路
• 引入 Memory、Embeddings、Multi-Agent，让系统能记住用户、读懂文件、拆解复杂任务
• 把一切从 Mock 推进到 PostgreSQL + pgvector 的生产级数据层

? 第二阶段（第 6–13 章）：核心能力的深度建设

• 让 AI 做更懂你的交互，掌握 Agent 推理的三种姿势
• 用 LangGraph 状态机编排复杂工作流，实战 Multi-Agent 协作拓扑
• 深入 Token 经济学——上下文窗口是稀缺资源，你需要学会管理它
• 搭建生产级 RAG 全链路，让产品真正读懂你的业务
• 通过 MCP 协议标准化接入外部能力，用 Skills 把团队经验封装成可复用资产

? 第三阶段（第 14–20 章）：从能跑到能上线

• DeepAgent 渐进式教程：长链任务与自主规划
• LangSmith 全链路可观测与评估体系——你不能优化你看不见的东西
• 给 Agent 装质检线：评估流水线的系统化构建
• 安全、沙箱与权限隔离——Prompt 注入是真实的攻击面
• AI 应用的 CI/CD 工程化交付
• 满血版链路：所有能力汇聚，完成最终交付

? 阅读建议

• 不要手抄代码示例。文中会提供 prompt，你可以直接借助 AI 生成代码。
• 遇到少量报错，也优先交给 AI 协助排查，而不是自己重复踩坑。
• 文章中展示关键代码片段的目的，是帮助你理解必要细节，而不是让你做低价值的重复劳动。
• 全书会把迭代过程控制在可预期的范围内。你需要学习的是系统架构，而不是按部就班地把代码抄一遍。
• 虽然你仍然需要理解其中的细节、具体的方法，以及 API 的使用方式，但不要再把时间耗在具体的编码细节上。

这本书不是什么？

• ❌ 不是"如何用 AI 提效"的泛泛而谈
• ❌ 不是 LangChain 的 API 使用手册
• ❌ 不是一堆零散 Demo 的拼凑

它是一份完整的建造记录。

你会在书里看到一个产品是怎么从第一行代码长成一个完整系统的——架构怎么决策，抽象在哪里引入，性能瓶颈在哪里出现，安全边界在哪里划定，多个 Agent 怎么分工又怎么协调。

这些判断背后的思考过程，才是这本书真正想传递的东西。

技术全景

你会接触到当下 AI 工程领域最核心的技术栈——不是逐一罗列介绍，而是在同一个产品里，按照真实的工程需求，一件一件装进去：

⚠️ 这本书也不回避复杂性

• 上下文窗口是稀缺资源，你需要知道怎么管理它。
• 记忆系统不是存数据库那么简单，你需要理解四种记忆类型的工程映射。
• 多智能体协作会带来新的通信开销和一致性问题，你需要在设计时就把这些考虑进去。
• 代码在沙箱里执行，权限需要隔离，Prompt 注入是真实的攻击面——安全不是上线前才想的事。

这些内容，大多数 AI 教程会跳过，因为它们不够“酷”。但它们是一个产品能不能真正跑起来的关键。

项目部分截图

代码仓库：Autix

读完之后，你会拥有什么？

• ? 一个跑得起来的产品——具备生产级骨架，可以真正对外运行的类 V0 代码生成平台
• ? 一套可复用的工程节奏——从调用到交付的完整技术图谱
• ? 一种新的思维方式——不再把 AI 当成聪明的补全工具，而是真正意义上的系统组件，可以被设计、被编排、被约束、被评估

? 这个转变，比学会任何一个框架都更值得。

适宜人群

• 有后端或全栈基础，想系统性进入 AI 应用开发领域，而不是零散拼凑式学习的工程师
• 已经在用 Cursor、Copilot 写代码，但感觉只是“让 AI 补全”，想真正理解 Agent 如何工作的开发者
• 想独立做出 AI 原生产品的技术人，不满足于 CRUD，想了解“从想法到上线”的完整路径
• 对 LangChain、LangGraph、RAG、MCP、Multi-Agent 等概念有印象，但缺少系统实践，想一次打通的人
• 技术 Leader 或架构师，正在思考 AI 如何重塑研发流程，想建立第一手判断，而不是只听他人转述

• 序章：站在范式之变的十字路口

• 第五章：从 Mock 到生产——数据库设计与向量化落库

• 第一章：把模型变成能力

• 第三章：LangChain 渐进式教学

• 第二章：搭建智能体的工程底座

• 第八章：LangGraph 渐进式教程

• 第四章：进击的Langchain

• 第六章：让 AI 做更懂你的交互

• 第七章：Agent 推理的三种姿势

• 第十一章：RAG——让产品读懂你的业务

• 第九章：LangGraph Multi-Agent 实战

• 第十二章：MCP——工具调用的操作系统

• 第十章：上下文是稀缺资源——Token 经济学

• 第十三章：Skills——能力不是代码，是资产

• 第十六章：可观测性——你不能优化你看不见的东西

• 第十四章：DeepAgent 渐进式教程

• 第十五章：DeepAgent——长链任务与自主规划

• 第十八章：安全、沙箱与权限隔离

• 第十七章：评估流水线——给 Agent 装质检线

• 第十九章：工程化交付——AI 应用的 CI/CD

• 第二十章：满血版链路

• 终章：复盘与前瞻

• 附录：……