本文试读内容由出版社和作者授权发布。

《AI智能体应用开发》1~6章试读-CSDN博客

目 录

第1章 智能体基础 1

当智能音箱精准响应你的语音指令，当自动驾驶汽车平稳穿梭于城市车流，当智能客服高效解决你的咨询难题，这些场景背后，都离不开“AI智能体”这一核心技术的支撑。作为人工智能领域从理论走向实用的关键载体，智能体正在重塑我们与技术的交互方式，甚至改变社会的运行逻辑。对于想要踏入AI智能体应用开发领域的读者而言，夯实智能体的基础认知，就如同掌握打开智能时代大门的第一把钥匙。本章作为技术篇的开篇，旨在从科普视角出发，为读者构建关于智能体的完整知识框架。我们将从智能体的核心定义切入，理清其与传统程序的本质区别；沿着时间脉络追溯其从理论萌芽到爆发式增长的发展历程，展现技术演进的内在逻辑；深入剖析其自主性、适应性、学习能力与交互性四大核心特点，解读其强大应用潜力的根源；最后直面智能体在技术、伦理安全及开发生态层面的现实挑战，为后续的开发实践铺垫理性认知。通过本章的学习，希望读者能够建立起对智能体的系统性理解，为进一步探索其应用开发筑牢根基。

1.1 智能体基础-CSDN博客
1.1.1 智能体的核心定义与本质 1
1.1.2 智能体与传统程序的核心差异 2
1.1.3 智能体的核心构成要素 3
1.2 智能体发展历史-CSDN博客
1.2.1 奠基期：符号主义主导的理论萌芽 4
1.2.2 黄金期：连接主义推动的学习革命 5
1.2.3 复兴期：深度学习加持的能力跃升 6
1.2.4 爆发期：大模型驱动的实用化浪潮 6
1.3 智能体的特点-CSDN博客
1.3.1 自主性 7
1.3.2 适应性 8
1.3.3 学习能力 9
1.3.4 交互性 10
1.4 智能体应用的挑战-CSDN博客
1.4.1 技术瓶颈 10
1.4.2 伦理与安全困境 11
1.4.3 开发生态与经济难题 11
1.5 本章小结 12

本章围绕智能体基础展开，系统梳理了智能体的核心概念、发展历程、核心特点及应用挑战，为读者构建了智能体认知的基础框架。在概念层面，我们明确智能体是具备环境感知、自主决策与任务执行能力的实体，其自主性与交互性是区别于传统程序的关键，智能恒温器、自动驾驶汽车等实例让这一概念更加具象。

发展历程的梳理显示，智能体从20世纪中叶的理论萌芽起步，历经符号主义主导的奠基期、连接主义推动的黄金期、强化学习与深度学习融合的复兴期，在大数据与大模型的加持下进入爆发期，每一步演进都离不开技术突破的支撑。而自主性、适应性、学习能力与交互性四大核心特点，共同赋予了智能体强大的实用价值，从智能投资助手到智能办公系统，这些特点在不同场景中得到了充分体现。

同时，我们也清醒地认识到，智能体的发展并非坦途，长链条任务规划不足、决策透明度欠缺、开发生态不完善等问题，是其从技术走向规模化应用的主要障碍。本章的内容为后续深入学习智能体的开发技术提供了理论铺垫，理解这些基础认知与现实挑战，将有助于更有针对性地探索智能体的应用落地路径。

1.6 参考文献 13

第2章 智能体感知能力 15

在智能体逐步走向通用化与自主化的技术背景下，感知能力已成为连接模型智能与真实世界的首要入口与关键基石。无论是对复杂文档的结构理解，还是对语音、图像、视频等多模态信息的综合解析，智能体都必须首先“看见”“听见”并理解环境，才能作出可靠的推理与决策。本章聚焦智能体感知能力这一核心主题，从整体架构视角出发，系统阐述感知能力在智能体体系中的定位与作用机制，并以文档感知为重点，深入拆解文档预处理的关键任务、输出形态及主流技术工具。在此基础上，进一步拓展至音频、图像与视频等其他模态感知能力，勾勒多模态协同感知的整体图景。通过本章内容，读者将建立起对智能体感知体系的系统认知，为后续理解更高层次的推理、规划与执行能力奠定坚实基础。

2.1 智能体感知能力概述-CSDN博客
2.2 文档感知任务定义与分类-CSDN博客
2.2.1 文档输入类型 16
2.2.2 文档预处理的核心任务 16
2.2.3 文档预处理的输出类型 21
2.3 主流文档预处理工具-CSDN博客
2.3.1 MinerU 21
2.3.2 PaddleOCR 23
2.3.3 PP-StructureV3 23
2.3.4 MonkeyOCR-1.5 25
2.3.5 DeepSeek-OCR 25
2.3.6 主流框架对比 26
2.4 智能体的其他模态感知能力-CSDN博客
2.4.1 音频感知 27
2.4.2 图片感知 29
2.4.3 视频感知 30
2.5 本章小结 33

本章围绕“智能体感知能力”这一核心主题，系统梳理了文档感知在智能体体系中的定位、任务结构与技术实现路径，并进一步拓展到多模态感知能力的整体框架。从总体上看，感知能力是智能体理解外部世界、获取可靠输入信息的起点，其质量直接决定了后续认知、推理与决策能力的上限。

在文档感知部分，本章首先明确了文档感知任务的定义与分类，强调文档并非单一文本形态，而是由文本、表格、图片、公式等多种异构元素共同构成的复杂信息载体。围绕这一特性，文档预处理被拆解为多个相互协同的核心任务，包括页面增强、版面分析、阅读顺序预测、文字识别、标题处理、表格理解、图片理解与公式处理等。这些环节从“视觉结构解析”到“语义结构化表达”逐层递进，共同完成文档从图像化输入到机器可理解、可检索、可问答结构化信息的转化，为下游文档问答、信息抽取与知识构建奠定坚实基础。

在工具与框架层面，本章对当前主流文档预处理工具进行了概览，涵盖MinerU、PaddleOCR、等代表性方案，并从能力覆盖、工程成熟度与适用场景等维度进行了对比分析。可以看到，不同工具在识别精度、多元素协同处理能力及扩展性方面各有侧重，实际应用中需结合业务需求与系统架构进行取舍与组合。

最后，本章将视角从文档感知扩展至音频、图像、视频等其他模态感知能力，强调多模态协同是智能体迈向更高层次理解与交互的关键趋势。总体而言，感知能力并非孤立模块，而是贯穿智能体全流程的基础能力体系，其持续演进将直接推动智能体在复杂真实场景中的应用深度与广度。

2.6 参考文献 33

第3章 智能体记忆能力 35

随着大语言模型从单轮交互工具逐步演进为具备自主逻辑的长期智能体，记忆能力已成为支撑系统健壮性与任务连贯性的核心要素。缺乏记忆机制的智能体不仅难以保持人格一致性，更无法在多轮交互中沉淀并复用经验，这直接制约了其在复杂动态场景下的实际应用价值。

从工程视角来看，智能体记忆并非简单的静态数据存储，而是一项融合了跨时间步的状态建模、实时信息调度及计算资源配比的系统化能力。尽管LLM的上下文窗口为短期推理提供了高带宽的即时信息获取，但面对长程任务及海量多模态输入，单一的窗口机制在一致性维护与资源成本上已达到瓶颈。正因为上下文窗口的限制与成本问题，记忆外挂与分层存储架构应运而生。

本章将系统拆解智能体记忆的逻辑边界与技术内涵，重点探讨分层记忆架构的演进逻辑及其在生产环境中的落地范式。通过对记忆写入、调度及反思等核心机制的剖析，为后续章节构建具备高度自主进化能力的智能体系统奠定理论与工程基础。

3.1 记忆能力的定义与内涵-CSDN博客
3.1.1 记忆的形式化定义 36
3.1.2 记忆与上下文窗口的关系 37
3.1.3 多模态记忆：表征与对齐 38
3.2 记忆支撑与技术演进-CSDN博客
3.2.1 记忆对智能体能力的系统性支撑 39
3.2.2 主流技术范式 40
3.2.3 研究挑战：从“有记忆”到“好记忆” 42
3.3 智能体三层记忆参考框架-CSDN博客
3.3.1 第一层：感知记忆 42
3.3.2 第二层：工作记忆 44
3.3.3 第三层：长期记忆 45
3.3.4 动态调度机制 47
3.3.5 工程化示例：从Hello World到生产级 47
3.4 开源框架、工具与评估指标-CSDN博客
3.4.1 记忆编排与管理框架 50
3.4.2 混合存储基础设施 50
3.4.3 记忆能力的评估指标 51
3.5 本章小结 51

本章围绕智能体记忆能力这一核心技术要素，系统梳理了其在智能体系统中的角色定位、技术演进路径以及工程实现形态。

首先，在能力定义层面，本章明确指出智能体记忆并非简单的历史记录或日志存储，而是参与智能体决策过程、支持推理链路的内部状态变量。通过将记忆形式化为跨时间演化的系统状态，本章为理解“记忆如何进入智能体计算流程”提供了技术视角。

其次，在研究现状分析中，本章将现有工作归纳为检索式记忆、基于状态或轨迹的记忆以及生成式与反思式记忆等主要技术范式，揭示了不同方法在建模假设、能力边界与系统风险上的差异，并重点讨论了多模态与视觉记忆在长时任务场景下面临的关键挑战。

在此基础上，本章提出了一种面向智能体应用开发的三层记忆参考架构，通过区分感知记忆、工作记忆与长期记忆，解决了访问效率、存储成本与信息抽象程度之间的结构性冲突，并明确了跨层读写的基本工作流（Workflow），为工程实践提供了可直接参考的架构范式。

最后，本章结合当前主流的开源记忆框架与底层存储基础设施，展示了智能体记忆能力在工程实践中的落地方式，并讨论了面向长期运行系统的评估指标体系，说明记忆能力已经从研究概念走向可部署的系统模块。

3.6 参考文献 52

第4章 智能体知识能力 54

在智能体从单纯的语言交互走向复杂任务解决的演进路径中，“知识”不仅是其认知能力的基石，更是其决策行动的依据。大语言模型提供了通用的逻辑推理引擎，结构化与非结构化的知识体系是赋予智能体专业深度、业务洞察与环境适应能力的灵魂。作为连接基础模型与垂直应用的桥梁，本章旨在深入剖析智能体的知识能力，我们将溯源知识的本质，探讨知识管理的架构哲学，理解知识赋能的能力注入。在此基础上，我们剖析知识如何转化为智能体的实际行动力—从支撑精准的语境理解，到驱动高可信的链式推理与复杂任务规划。最后，通过理论框架与主流工程工具的结合，本章将为读者奠定构建具备行业深度与专业执行力的智能体所需的认知基石，提供从理论范式到工程实践的完整指南。

4.1 知识的定义与内涵-CSDN博客
4.1.1 知识分层 55
4.1.2 知识类型 56
4.1.3 知识表示 57
4.2 知识管理(4.3节)-CSDN博客
4.2.1 知识注入与检索 60
4.2.2 非结构化数据的知识工程 61
4.2.3 结构化数据的知识工程 62
4.2.4 知识治理与质量评估 63
4.3 知识赋能（4.4节）-CSDN博客
4.3.1 知识即感知 65
4.3.2 知识即思考 66
4.3.3 知识即能力 67
4.4 开源技术栈选型-CSDN博客
4.4.1 知识存储与检索引擎 68
4.4.2 知识编排与RAG框架 69
4.5 参考文献 71

第5章 智能体情感能力 73

在通用人工智能的宏伟蓝图中，如果说大语言模型提供了强大的“计算大脑”，那么赋予智能体“心智”，则是为了让这个大脑拥有“会相处的能力”。传统的软件程序通过预设的程序与状态机实现任务处理，而具备心智的智能体更像是一个懂得分寸、理解情绪，还能长期协作的数字伙伴。智能体走进真实业务之后，“能答对”只是基本功，“能沟通”才是续航力。用户会在压力、误解、冲突、尴尬与犹豫这些场景里反复考验系统：你是不是听懂了言外之意，你是不是记得我是谁，你是不是在关键时刻不越界。所谓情感能力，作为一种较为前沿的智能体能力，不是把话说得更温柔，而是把情绪变成可计算、可追踪、可复盘的信号，让智能体在任务推进与关系维护之间作出更合适的选择。

5.1 能力定义（智能体情感能力）-CSDN博客
5.1.1 情感理解与共情 74
5.1.2 意图推断与心理理论（ToM） 75
5.1.3 社会适应与分寸 76
5.1.4 心智加持下的用户体验变化 76
5.2 情感能力如何为智能体提供支撑-CSDN博客
5.2.1 心智情绪计算闭环：从输入到行动 77
5.2.2 表示与公式：让情绪成为可计算信号 77
5.2.3 推理与决策：快思考与慢思考 80
5.2.4 用户模型与ToM：让系统读懂“言外之意” 80
5.2.5 记忆系统：让相处跨越时间 81
5.2.6 反思机制：把事故变成经验 81
5.2.7 表达控制：让策略被听见 82
5.3 研究现状与趋势 83
5.3.1 斯坦福虚拟小镇 83
5.3.2 价值对齐与“宪法AI” 84
5.3.3 多模态共情的挑战 85
5.3.4 从“会聊天”到“会相处”：长期一致性成为核心指标 85
5.3.5 评价体系缺位：我们如何知道“情感能力变强了” 86
5.3.6 现实落地的风险：心智越强，越要克制 86
5.4 情感能力相关的开源软件与工具：实践形态与代表项目-CSDN博客
5.5 本章小结 88

情感能力并不等于更会说安慰话，它更像一套面向交互的控制系统：把情绪当作状态，把关系当作长期目标，把记忆与反思当作学习机制，把边界与安全当作底线。当用户焦虑时先降低不确定性，当用户愤怒时先修复关系，当用户羞耻时先保护自尊，这些选择背后不是靠“灵光一现”，而是靠可追踪的闭环：输入被解释成情绪与风险，历史偏好被召回为语境，策略在快思与慢思之间切换，表达以语气、节奏与下一步动作，最后把结果写回，以促进下一次作出更好的处理方式。

随着大语言模型在能力上继续增强，差异会更多出现在“相处的细节”里：是否能长期保持一致的人设与承诺，是否能在不确定时主动确认，是否能在拒绝时给出体面而可执行的替代路径，是否能在犯错后减少复发概率。在评估上，单轮“像不像”远远不够，更需要观察多轮互动中的任务完成率、投诉与升级率、长期满意度、人设一致性与安全事件等长期长任务表现指标。与此同时，开源生态把这些能力拆成可复用的组件：编排框架让流程显式化，语音模型让态度可控，数据集让情绪可训练。把它们组合成闭环，才能让情感能力成为可实现、可复盘、可演进的工程能力，也让智能体从一次性演示走向长期可信的用户服务。

5.6 参考文献 89

第6章 智能体推理能力 91

随着大语言模型从单一的对话交互迈向复杂的任务执行，智能体的角色正经历从“知识引擎”到“决策大脑”的质变。推理能力作为智能体认知架构的核心枢纽，决定了系统能否在动态、非结构化的环境中有效拆解目标、规划路径并纠正偏差。本章将深入剖析智能体推理能力的计算本质，从概率生成的底层机制到类人认知的双重系统架构，系统阐述提示工程、工具调用与多智能体协同等核心增强技术，旨在为读者构建理解智能体从“言语”走向“行动”的理论与技术基石，揭示通往通用人工智能（AGI）关键路径上的技术图谱。

6.1 推理的计算本质-CSDN博客
6.1.1 概率拟合与逻辑涌现 92
6.1.2 快慢思考与双重架构 93
6.1.3 物理约束与信息边界 95
6.2 推理范式的演进-CSDN博客
6.2.1 符号主义与规则推理 97
6.2.2 联结主义与概率预测 98
6.2.3 提示工程与逻辑涌现 98
6.2.4 自主智能与动态决策 98
6.3 推理增强的核心路径-CSDN博客
6.3.1 推理时计算扩展 99
6.3.2 训练时能力内化 102
6.4 智能体推理开发框架与工具链-CSDN博客
6.4.1 推理编排与图架构 104
6.4.2 群体智能与协作 104
6.4.3 声明式提示编程 105
6.4.4 评估体系与可观测性 106
6.5 本章小结 106

随着大语言模型从单一的对话交互迈向复杂的任务执行，智能体的角色正经历从“知识引擎”到“决策大脑”的质变。推理能力作为智能体认知架构的核心枢纽，决定了系统能否在动态、非结构化环境中有效拆解目标、规划路径并纠正偏差。本章深入剖析了智能体推理能力的计算本质，从概率生成的底层机制到类人认知的双重系统架构，系统阐述了提示工程、工具调用与多智能体协同等核心增强技术。这些内容不仅理清了智能体从“言语”走向“行动”的理论基础，也构建了通往通用人工智能（AGI）关键路径上的技术图谱。我们看到，智能体推理能力的演进并非单纯依赖于模型参数的堆叠，而是算法设计、数据质量与系统架构协同进化的结果。从基于统计的概率拟合到具备逻辑连贯性的思维链涌现，再到能够自主规划与反思的系统2慢思考模式，智能体正在逐步突破“随机鹦鹉”的质疑，向具备真实认知能力的智能主体迈进。

展望未来，智能体推理技术将继续在计算效率与逻辑深度之间寻求平衡，通过更精细的显式引导与内化训练机制，实现从“知其然”到“知其所以然”的跨越。我们有理由相信，随着多模态感知与具身智能的融合，未来的智能体将不再局限于数字世界的文本推理，而是能够真正理解物理世界的因果律，在复杂的现实环境中展现出健壮的决策能力。这一进程不仅将重塑人机协作的范式，更将为人工智能赋能千行百业提供坚实的底层逻辑支撑，推动我们迈向一个人机共生、智能互联的全新时代。

6.6 参考文献 107

第7章 智能体工具能力 110
7.1 工具能力的定义与作用 110
7.1.1 工具能力的概念 110
7.1.2 工具能力在智能体中的地位 111
7.1.3 工具能力与智能体智能水平的关系 112
7.2 工具调用的核心机制 112
7.2.1 可调度能力 113
7.2.2 决策与选择机制 113
7.2.3 风险控制 114
7.3 工具类型与能力框架 114
7.3.1 数据库 114
7.3.2 数值计算 117
7.3.3 代码执行 117
7.4 工具能力实现体系 118
7.4.1 工具描述协议 119
7.4.2 IO格式设计与工具调用流程 120
7.4.3 异常处理 124
7.4.4 实现一个LangChain-Like Agent的最小原型 124
7.4.5 揭秘服务器端 130
7.5 其他工具生态 132
7.5.1 MCP 133
7.5.2 Claude Skills 134
7.6 参考文献 134

第8章 多智能体协同 137
8.1 多智能体协同的内涵与价值 137
8.1.1 核心概念 137
8.1.2 协同的核心价值与驱动力 140
8.1.3 核心协同场景 143
8.2 多智能体协同的能力支撑体系 146
8.2.1 协同架构模式设计 146
8.2.2 关键支撑技术 148
8.2.3 主流协同策略与实现路径 151
8.3 多智能体协同的研究现状与前沿 154
8.3.1 学术研究前沿方向 154
8.3.2 业界应用探索 156
8.4 开源软件与工具 159
8.5 本章小结 161
8.6 参考文献 162

第9章 智能体应用开发流程 164
9.1 从面向对象到面向智能体 164
9.1.1 复杂度的挑战与抽象的跃迁 165
9.1.2 面向智能体设计的兴起 167
9.2 问题定义与范围划定 169
9.2.1 痛点识别与价值主张 170
9.2.2 用户画像与核心场景识别 170
9.2.3 MVP边界与可行性定义 171
9.3 调研与探索 171
9.3.1 前沿技术综述与选型 171
9.3.2 关键技术原型验证 172
9.3.3 领域知识工程 173
9.4 系统设计与架构规划 174
9.4.1 智能体角色定义 174
9.4.2 协同机制与状态流转设计 175
9.4.3 记忆与知识体系设计 176
9.5 开发与实现 176
9.5.1 提示词工程 177
9.5.2 工具封装与调用 177
9.5.3 知识库 179
9.6 测试、评估与迭代优化 179
9.6.1 建立行为评估体系 179
9.6.2 系统化行为测试方法 179
9.6.3 数据驱动的迭代闭环 180
9.7 部署与持续运营 180
9.7.1 部署策略 180
9.7.2 持续运营 181
9.8 本章小结 182
9.9 参考文献 182

第10章 智能体应用参考架构 185
10.1 整体架构介绍 185
10.2 用户交互层 186
10.2.1 插件集成 186
10.2.2 命令行接口调用 187
10.2.3 Web界面 187
10.3 Agent调度层 188
10.3.1 主循环引擎 188
10.3.2 异步消息队列 189
10.3.3 会话流生成器 191
10.3.4 消息压缩器 191
10.4 工具执行与管理层介绍 192
10.4.1 工具引擎 192
10.4.2 并发控制 193
10.4.3 权限验证 194
10.4.4 可拓展工具生态系统 194
10.5 存储与持久化层 195
10.5.1 短期记忆 196
10.5.2 中期记忆 196
10.5.3 长期记忆 197
10.6 本章小结 197
10.6 参考文献 198

第11章 智能体应用设计模式 199
11.1 概述 199
11.2 流程与控制 200
11.2.1 提示链 200
11.2.2 路由 202
11.2.3 并行化 203
11.3 增强与优化 204
11.3.1 反思 204
11.3.2 规划 206
11.3.3 学习与适应 207
11.3.4 目标设定与监控 208
11.3.5 探索与发现 209
11.4 交互与协作 210
11.4.1 人机协作 210
11.4.2 多智能体协作 211
11.5 稳健性与安全 213
11.5.1 异常处理与恢复 213
11.5.2 优先级调度 213
11.5.3 安全护栏 214
11.5.4 评估与监控 215
11.6 本章小结 216
11.7 参考文献 217

第12章 深度研究智能体 219
12.1 需求分析 219
12.2 系统架构 220
12.2.1 系统功能模块 220
12.2.2 系统架构设计 221
12.3 关键技术 222
12.3.1 用户意图澄清 222
12.3.2 研究状态建模 223
12.3.3 研究子任务派遣 224
12.4 系统实现 225
12.4.1 主智能体 225
12.4.2 研究子智能体 237
12.5 本章小结 242
12.6 参考文献 243

第13章 数据分析智能体 244
13.1 需求分析 244
13.2 系统架构 245
13.2.1 业务架构 245
13.2.2 技术架构 248
13.3 关键技术 250
13.3.1 提示词工程 250
13.3.2 模式连接 253
13.3.3 代码生成与优化 254
13.3.4 高级数据分析能力 256
13.3.5 安全性和可扩展性 257
13.4 系统实现 259
13.4.1 NL2SQL数据库问答系统实现案例 259
13.4.2 NL2Code Excel电子表格问答系统实现案例 266
13.5 本章小结 273
13.6 参考文献 273

第14章 数据科学智能体 276
14.1 需求分析 276
14.2 多智能体协同的能力支撑体系 276
14.3 系统架构 278
14.3.1 技术架构 278
14.3.2 业务架构 280
14.4 关键技术 282
14.4.1 大模型智能体协同框架 282
14.4.2 大模型利用数据科学工具 283
14.4.3 开放场景下的评估与基准体系 284
14.5 系统实现 285
14.5.1 理论阐述 285
14.5.2 案例分析 293
14.6 本章小结 313
14.7 参考文献 313

第15章 决策优化智能体 316
15.1 需求分析 316
15.2 系统架构 317
15.2.1 系统功能模块 317
15.2.2 系统架构设计 319
15.3 关键技术 320
15.3.1 决策优化领域知识图谱构建技术 320
15.3.2 基于有向无环图（DAG）的异构智能体编排技术 321
15.3.3 基于抽象语法树（AST）的约束代码生成技术 322
15.3.4 约束流模板化映射技术 323
15.3.5 基于沙箱的代码自修复与验证技术 324
15.3.6 基于问题特征学习的自适应算法选择技术 324
15.3.7 求解结果的可解释性分析与归因技术 325
15.4 系统实现 326
15.4.1 领域知识图谱的存储与检索实现 326
15.4.2 异构智能体工作流（LangGraph）的实现 328
15.4.3 抽象语法树（AST）构建器的实现 330
15.4.4 约束模板库与RAG检索的实现 333
15.4.5 基于沙箱的代码自修复与验证实现 336
15.4.6 自适应算法选择实现 340
15.4.7 求解结果可解释性实现 343
15.5 本章小结 346
15.6 参考文献 346

第16章 机器视觉智能体 347
16.1 需求分析 348
16.1.1 用户需求与使用场景 348
16.1.2 系统功能需求 349
16.2 系统架构 350
16.2.1 系统模块组成 350
16.2.2 模块间的信息流与交互方式 352
16.2.3 系统运行流程 353
16.3 关键技术 353
16.3.1 任务理解与系统规划关键技术 353
16.3.2 数据与标注关键技术 358
16.3.3 模型选择与训练流水线关键技术 364
16.3.4 评估分析与闭环优化关键技术 368
16.3.5 部署交付与系统工程关键技术 371
16.4 本章小结 373
16.5 参考文献 373