目 录
第1章 智能体工程概述 1
大语言模型（Large Language Model，LLM）的爆发式发展，将人工智能带入了前所未有的普及阶段。然而，当产业界试图将大模型能力深度融入真实业务流程时，传统“一问一答”式的被动交互模式逐渐显露出根本性局限。原生大模型缺乏长期目标导向、无法自主拆解复杂任务、难以与外部系统进行可靠交互，这些短板使其难以独立完成需要多步骤、长周期、跨系统协作的实际工作。在此背景下，能够自主感知环境、制定规划、调用工具并根据反馈迭代决策的智能体，成为人工智能技术从“能力展示”走向“价值创造”的核心载体。
而智能体工程作为一门新兴的工程学科，超越了单纯的大模型API调用范畴，致力于构建标准化、可扩展、高可靠的智能体系统。它以大语言模型为认知核心，系统整合任务分解、状态追踪、多层记忆、工具编排、错误处理等关键技术模块，解决智能体在工业级场景中面临的稳定性、可观测性与可维护性挑战。
1.1.1 人工智能的发展脉络 2
1.1.2 Agent Loop奠定智能体基础范式 4
1.1.3 从提示词工程到驾驭工程 6
1.2.1 工程视角下的智能体组件 8
1.2.2 智能体工程技术栈全景图 10
1.2.3 智能体工程的生命周期与方法论 13
1.2.4 典型应用场景与本书导读 15
1.3 本章小结 15
第2章 Agent环境安装与大模型基础使用 17
构建智能Agent的第一步，是搭建稳定的运行环境与适配的大模型配置。本章将带你从零开始，完成从环境依赖部署到模型调用的全流程，为后续Agent开发奠定基础。
在环境准备部分，我们会聚焦Python生态：推荐使用3.12+版本，通过miniconda安装核心的配置，并详解pip安装命令。之后将讲解大模型配置，覆盖阿里Qwen及智谱大模型的API调用方式，帮助读者快速开始第一个交互大模型。最后，通过简单的对话示例来验证环境有效性，以确保模型能正常响应指令。学好本章，你将具备Agent开发的“基础设施”搭建能力，为复杂功能的开发实现扫清障碍。
2.1 Python环境的安装与配置 17
2.1.1 Miniconda的下载与安装 17
2.1.2 PyCharm编译器的安装与使用 20
2.2.1 阿里Qwen3的注册与基本使用 24
2.2.2 Qwen3大模型的自定义使用 27
2.2.3 智谱GLM的注册与基本使用 28
2.3.1 大模型中的System Prompt 30
2.3.2 系统提示词实战：给大模型注入“京韵儿” 32
2.3.3 探索提示词工程 36
2.4 本章小结 37
第3章 初识智能体：Qwen与Anthropich互通 38
智能体是智能系统实现自主交互与任务落地的基础核心单元，而工具调用则是初始智能体具备实用价值的关键支撑。工具调用本质上是智能体将抽象任务拆解为具体可执行操作，通过调用外部工具（如数据查询、逻辑计算、功能接口等）弥补自身能力局限，实现“决策－执行－反馈”链路闭环的核心机制，是智能体脱离单纯逻辑推理、走向实际应用的重要一步。
而Loop（循环机制）的作用，是为初始智能体提供持续运行的逻辑保障。它能让智能体在接收任务指令后，不断循环执行“感知任务需求→决策调用工具→获取执行结果→修正决策方向”的流程，避免任务中断或决策偏差，确保智能体能够逐步推进任务，直至达成预设目标，是初始智能体实现自主化、持续化运行的核心支撑。
本章我们将认识Anthropic共通真相，与国内大模型厂商协同发力，聚焦初始智能体的核心设计与落地实践，深度结合工具调用的核心逻辑及Loop，系统拆解关键实现步骤，设计并落地第一个可交互的初始智能体。核心目标是帮助大家快速吃透智能体的基础开发逻辑，理清技术落地思路，为后续复杂智能体的优化迭代、功能拓展及场景延伸，奠定坚实、可复用的基础，助力我们高效推进智能体开发工作。
3.1.1 Qwen大模型中的工具调用 39
3.1.2 流式任务链：多次循环的工具调用 44
3.1.3 初识智能体：思考、行动、观察的逻辑闭环 47
3.1.4 并发任务链：多工具的并发调用 49
3.2.1 阿里搜索引擎的开通 52
3.2.2 阿里搜索引擎的实现与使用 55
3.3.1 Anthropic工程模板：大模型客户端抽象基类 57
3.3.2 Anthropic工程模板：工程化工具的抽象基类 68
3.3.3 Anthropic工程模板：基于Bash的工具抽象基类 71
3.3.4 阿里与Anthropic在搜索任务互通实践 72
3.4 本章小结 74
第4章 北京欢迎您：京韵导览Agent开发 75
北京承载着浓厚的京韵文化与丰富的文旅资源，想要打造贴合本土场景、能实时提供景点、美食、民俗等京韵资讯的智能导览Agent，既需要强大的中文实时信息检索能力，也需要规范稳定的大模型工具调用架构作为支撑。
本章将以京韵导览为实战场景，依托前面搭建的工程化体系，将阿里云百炼生态的本地化搜索能力与Anthropic标准化模型工具规范相结合，完成从模型适配到工具落地的完整开发过程。我们会把阿里搜索的实时文旅信息查询能力，无缝接入Anthropic的工具调用闭环，在统一的工程模板下实现跨生态能力整合，最终构建出一个能自主思考、检索信息、输出地道京韵导览内容的实用Agent，完整落地从框架设计到场景化实战的全流程开发逻辑。
4.1.1 Qwen与Anthropic客户端互通 76
4.1.2 GLM与Anthropic的客户端互通 78
4.1.3 与 Anthropic的智能体构建初步 79
4.2.1 京韵System Prompt设置 85
4.2.2 基于Anthropic的京韵导览Agent实战 87
4.3 本章小结 96
第5章 从提示词工程到上下文工程 97
上下文（Context）是智能体实现多轮连续推理、任务状态留存、工具调用闭环与个性化交互的核心载体，更是决定智能体任务完成度、推理准确性与用户体验的核心模块—尤其在我们此前落地的京韵导览Agent这类长周期、多步骤、强个性化的场景中，上下文管理的合理性直接决定了智能体能否记住用户的出行偏好、能否连贯完成多环节行程规划、能否在长对话中不丢失关键信息、能否规避上下文窗口超限引发的各类异常。
上下文工程（Context Engineering），正是围绕智能体全生命周期的上下文采集、管理、优化与利用形成的一套完整技术体系，也是智能体从“单次工具调用demo”走向“可落地实用产品”的核心必修课。
本章将围绕智能体上下文工程的核心技术体系，展开系统性的学习与实战落地：首先，我们会拆解并实现智能体场景中适配上下文管理的常用工具，完善上下文的标准化采集、结构化存储与规范化调用的基础能力；在此基础上，深入学习并掌握动态上下文填充技术，实现基于任务场景、对话状态与用户需求的上下文精准注入与动态适配；同时，我们将针对大模型上下文窗口限制的核心痛点，完成上下文长度管控、内容压缩与增量处理相关技术的原理学习、代码实现与场景化实战验证，最终构建一套完整、可复用的智能体上下文工程体系。
5.1.1 基于Anthropic的Bash工具的实现 98
5.1.2 带工具信息注入的提示词工程 105
5.1.3 提示词工程实现 108
5.1.4 结合智能体工程的Agent实现 114
5.2.1 多角度智能体特质设计与重构 120
5.2.2 智能体长期特质的静态注入 123
5.2.3 User实时性特质的动态注入 124
5.3 本章小结 126
第6章 初识上下文工程与子智能体 127
在本章的学习与实战中，我们将始终以前面落地的京韵导览Agent为实战载体，把每一项技术能力都落地到导览场景的实际需求中：
（1）在上下文常用工具实现环节，我们将完成对话历史格式化工具、工具调用结果结构化回填工具、用户偏好持久化管理工具的开发，解决导览场景中多轮对话信息混乱、工具结果无法被模型连贯复用、用户出行偏好反复询问的核心问题，为上下文管理搭建标准化的底层能力。
（2）在动态上下文填充环节，我们将打破固定System Prompt的局限，实现基于用户意图的动态规则注入、基于对话历史的用户偏好自动填充、基于当前任务的工具说明精准加载，比如当用户提及带老人出行时，自动将“无障碍设施优先、行程节奏舒缓”的核心要求注入上下文。当用户发起酒店查询需求时，动态填充酒店推荐相关的工具规范与核验规则，在提升模型推理准确性的同时，减少无效内容对上下文空间的占用。
（3）在上下文压缩与长度管控环节，我们将针对导览场景中多轮对话、多工具调用结果带来的上下文膨胀问题，落地滑动窗口机制、核心信息增量压缩、分层上下文存储与召回三大核心能力，既保证用户的核心需求、关键行程信息不丢失，又能有效控制上下文长度，规避窗口超限引发的模型报错、信息遗忘、推理能力下降等问题，让智能体可以稳定支持数十轮的连续出行规划对话。
通过本章的学习，你不仅能全面掌握智能体上下文工程的核心技术原理与实现方法，更能完成对前面京韵导览Agent的核心能力升级，让智能体从“单次请求－响应”的简单工具调用程序，升级为具备长时记忆、连贯推理、个性化服务能力的成熟实用型智能体，同时为后续实现更复杂的多智能体协作、长周期任务调度等进阶场景，打下坚实的技术基础。
上下文工程的核心，是通过向智能体注入结构化的目标内容，实现其行为逻辑、能力边界与交互体验的精准可控，而记忆系统正是支撑上下文工程。从单次会话适配，走向长效个性化交互的核心底座。
本章首先将聚焦用户短期特质的动态提取方法，解决实时交互流中用户需求、偏好的精准捕捉问题，为上下文的动态适配提供核心依据。在此基础上，我们将搭建智能体记忆系统架构，并初步了解和掌握了智能体，这有助于为上下文工程构建全周期、分层级的记忆管理体系。
6.1.1 上下文对话的软截断 128
6.1.2 智能体中的长期记忆与短期记忆 129
6.1.3 上下文对话的长期记忆 133
6.2.1 了解需求：对User特质的分类载入 136
6.2.2 初识子智能体：MemoryExtractor 138
6.2.3 User特质的提取：每轮对话的动态提取 140
6.3 本章小结 146
第7章 智能体的自进化与优化重整合 147
在前面的章节中，我们初步讲解了基于记忆驱动的上下文工程体系，完成了对话历史持久化、用户特质结构化提取、上下文动态注入等核心能力的落地；也通过自定义Prompt与系统提示词的动态构建，掌握了上下文模式对智能体行为与能力边界的核心调控逻辑。
而在智能体的生产级落地中，仅靠单轮对话的上下文被动更新，无法支撑智能体长期、稳定的能力迭代，我们需要让智能体具备根据持续交互的上下文数据，自主优化自身行为模式、完善记忆体系、适配用户需求的能力，这种基于上下文动态迭代实现智能体性能与适配性持续优化的机制，这也可称为智能体的“自进化”。
在自进化机制的初步实现中，我们可以通过每轮对话结束后调用子智能体完成用户特质与交互信息的抽取更新，但这种逐轮触发的执行模式，会带来高频的额外词元开销，同时持续占用网络资源与大模型推理算力，尤其在高频交互场景下，不仅会推高智能体的运行成本，还可能对主交互流程的响应速度造成影响。
7.1.1 User特质的提取：周期对话的深度挖掘 148
7.1.2 User特质的自进化 151
7.2.1 上下文工程的优化：记忆去重、过滤与冲突 158
7.2.2 上下文工程的优化：情景记忆（重点） 160
7.2.3 上下文工程的优化：记忆的衰减与重整合公式设计 164
7.2.4 上下文工程的优化：记忆的重整合实现 165
7.3 本章小结 172
第8章 智能体的心跳机制（定时任务） 173
完成了智能体自进化核心能力的设计与工程化实现，而在落地实践中我们发现，将自进化逻辑嵌入实时交互链路，存在不可忽视的工程化瓶颈：高峰交互时段，记忆挖掘、策略迭代等算力密集型操作会挤占核心响应资源，引发交互延迟升高、用户体验下降；而碎片化的实时更新，既无法完成长周期历史数据的深度挖掘，也极易造成记忆体系冗余混乱，导致自进化效果不稳定、运行成本不可控。
针对这一核心痛点，我们引入“智能体心跳机制”作为自进化体系的核心落地载体。通过配置可灵活调控的固定运行周期与专属执行窗口，驱动智能体在非交互高峰、用户静默期等低负载时段内，批量完成全量历史对话的深度价值挖掘、记忆体系的分层整合与冗余清理、用户特质与运行策略的迭代更新。该机制在精准平衡自进化算力开销与实时交互性能、严控全链路运行成本的同时，保障了智能体自进化过程的长效性、稳定性与连续性，实现了不干扰用户正常交互的无感自主迭代。
本章将系统拆解心跳机制的整体架构设计，依次阐述心跳任务的全生命周期管理、分级调度策略、异常容错与兜底机制，以及其与记忆系统、自进化引擎的联动规范；同时完成核心模块的功能验证与性能压测，最终构建一套可配置、高可用、低侵入的定时任务体系，为智能体自进化能力的规模化稳定落地，提供坚实的工程化支撑。
8.1.1 基础的心跳模块规范Schema 174
8.1.2 基于心跳（定时任务）的主智能体调用 177
8.1.3 定时任务主导的智能体调用 190
8.2.1 修正心跳触发形式 193
8.2.2 智能体主导的定时任务执行 198
8.3 本章小结 208
第9章 寻味之旅：北京豆汁文化体验智能体开发 209
提起老北京的地道烟=火滋味，最具代表性也最富争议的，莫过于一碗地道的豆汁儿。它是老北京人刻进血脉里的早餐执念，是清晨胡同里飘了数百年的酸香烟=火，也是外地游客闯京城的经典“味觉试炼”，更是承载着辽宋至今近千年历史、曾登上皇家御膳桌的非遗饮食文化符号。
有人为它魂牵梦萦，也有人第一口便直呼“灵魂出窍”，这碗自带强社交话题度的京味小吃，早已跳出饮食本身，成为读懂北京市井文化与城市性格的一把钥匙。但对多数体验者而言，常面临找不到适配口味的地道店铺、读不懂背后的文化渊源、单次尝鲜无完整体验闭环的痛点。
为此，我们锚定北京豆汁文化体验智能体项目核心目标，基于现有智能体基础架构，针对北京豆汁文化这一兼具千年历史底蕴、强线下文旅属性、高大众话题度的垂直领域，完成场景化定向二次开发，打造北京豆汁文化体验智能体。
我们以游客豆汁体验全链路的场景需求为核心，搭建从口味画像测评、历史文化解读、精准门店匹配、专属路线规划，到线下体验反馈、全量数据留存的全流程闭环个性化体验体系，彻底打破普通游客豆汁尝鲜过程中的信息壁垒、文化认知断层与单次体验无延续的核心痛点，为游客打造专属、深度且沉浸式的北京豆汁文化寻味之旅，同时完成智能体全模块核心能力的场景化落地验证。
9.1.1 品味中国传统文化：豆汁选题的核心场景优势 210
9.1.2 智能体技术能力适配分析 211
9.2.1 智能体模块的二次开发 214
9.2.2 核心需求映射与工具开发 220
9.2.3 全流程数据流设计与场景落地效果 232
9.3 本章小结 234
本章围绕“北京豆汁文化体验智能体二次开发”的项目核心目标，完成了智能体从场景需求拆解、架构适配优化、核心模块二次开发，到全流程数据流设计、场景化落地验证的全链路工作。我们以北京豆汁文化这一兼具千年历史底蕴、强线下文旅属性、高大众话题度的垂直领域为核心锚点，针对原有通用智能体框架的能力缺口与场景适配短板，完成了SOUL动态切换、双轨记忆体系搭建、上下文分层压缩、NOTES.md自动笔记等核心能力的工程化落地，最终构建起一套与豆汁文化体验场景深度绑定、全流程体验闭环的专属智能体。
从技术落地维度来看，本项目通过一条完整的游客豆汁寻味体验链路，串联激活了智能体框架全部待落地的核心能力，实现了从文档设计到实战落地的完整闭环。我们完成了SOUL动态切换能力的场景化落地，实现导览顾问、美食评论家、历史掌故讲解员、路线规划师四大人设基于游客需求的无感自动切换；搭建了“工作记忆＋持久化笔记”的双轨记忆体系，彻底解决了会话内状态追踪与跨会话数据留存的核心痛点；实现了工具按需注入与Tool Result清理能力，不同体验阶段仅加载对应工具，大幅降低工具误调用概率；落地了上下文分层压缩机制，解决了长对话场景下窗口膨胀、核心信息丢失的问题，同时搭建了通用子Agent的可扩展框架，为后续专项能力拆分优化奠定了坚实基础。
从游客体验维度来看，本方案彻底解决了普通游客在豆汁尝鲜过程中“信息不对称、体验无延续、感受无留存”的三大核心痛点，打造了全流程沉浸式的寻味体验闭环。全流程无须用户（游客）手动操作，所有进度记录、数据留存均由智能体自动完成，大幅降低了用户的使用门槛；基于用户实时反馈的个性化推荐，精准贴合用户的口味接受度变化，避免了千篇一律的通用推荐；跨会话的体验延续能力，让用户可分多次完成多店品鉴，无须重复说明自身情况，实现了体验的无缝衔接；最终可基于全量品鉴笔记，生成用户专属的豆汁品鉴报告，让整个寻味过程有留存、有仪式感，真正打破了豆汁尝鲜的信息壁垒与体验断层。
从文化场景适配维度来看，本项目实现了传统文化与智能体技术的双向赋能，完美适配了豆汁文化的年轻化传播需求。
基于SOUL动态切换能力，智能体可同步完成美食推荐、历史讲解、路线规划的多维度文化输出，让用户在品鉴过程中，完整了解豆汁的历史渊源、传统工艺、民俗文化内涵；结构化的品鉴笔记，不仅记录了用户的个人体验，更沉淀了大众对传统饮食文化的接受度与反馈数据，为传统文化的年轻化传播提供了精准参考；完整的体验闭环，让原本“一次性尝鲜”的豆汁体验，变成了有深度、有延续、有记忆点的文化沉浸体验，真正实现了用智能体技术激活传统饮食文化的传播活力。
整体而言，本项目并非通用智能体的简单场景套用，而是以垂直场景需求为核心的定向二次开发实战，既完成了智能体核心技术能力的全量落地验证，也打造了“文旅场景＋传统文化＋智能体技术”融合落地的可复用范本，为后续同类垂直场景的智能体开发与落地提供了完整的参考范式。
第10章 复杂任务执行：智能体中的计划清单 235
任务规划与执行闭环，是智能体从单次指令响应，升级为可完成长周期复杂任务的核心能力，而计划清单（todoManager），正是承载这一能力的核心调度中枢。计划清单如图10-1所示。
图10-1 计划清单
在前面章节中，我们已完整讲解智能体的规划生成、工具调用与记忆系统架构，本章将聚焦任务全生命周期的精细化管理模块todoManager。该模块解决了智能体在多轮交互、长链路执行中，普遍存在的任务状态丢失、优先级混乱、多任务冲突、执行闭环缺失等核心痛点，是智能体实现稳定、可控、可追溯任务执行的关键底座。
本章将系统讲解计划清单todoManager的核心设计理念、状态机模型、优先级调度策略、与智能体核心模块的联动机制、异常重试与闭环校验逻辑，配套可落地的工程化实现方案，助力读者完成智能体任务管理能力的完整构建。
10.1.1 基于子智能体的复杂任务分解 236
10.1.2 任务的拆解与执行 238
10.1.3 不同模型的复杂任务拆解对比 241
10.1.4 将业务经验凝结到任务计划分解中 242
10.2.1 主智能体中的子任务推进 243
10.2.2 带有计划清单的智能体实现 245
10.3 本章小结 251
本章我们讲解了基于任务清单拆解的智能体实战，从将复杂任务分解开始，到逐步处理子任务以及进行子任务推进，再到基于待办上下文的动态提示词注入与工具调用闭环，完整呈现了一套可落地、可扩展的智能体核心架构。
我们深入剖析了TodoManager的设计原理，它通过任务状态标记、轮次计数推进和完成度判断，让原本不可控的大模型生成过程变得可观测、可管理；每轮循环中动态注入的待办上下文，确保智能体始终聚焦当前目标，避免偏离任务主线，同时配合消息历史硬截断、最大步数限制和工具调用失败重试机制，构建了健壮的异常处理体系。
本章介绍的任务清单驱动型智能体，是构建各类实用AI应用的基础框架，它既保留了大模型的通用能力，又通过结构化的任务管理解决了长流程任务中的注意力分散和进度失控问题。在此基础上，我们可以进一步扩展记忆系统、多智能体协作和自进化能力，打造更加强大的智能体应用。
第11章 千载对语：博物馆导览助手开发 252
当你站在拥有三千多年建城史的北京街头，面对星罗棋布的上百座博物馆，却只有短短一天甚至半天的时间，如何才能不虚此行，穿越千年时光，触摸到中华文明最璀璨的历史脉络？这正是任务驱动型智能体大显身手的绝佳舞台。
基于上一章构建的任务清单驱动型智能体核心架构，我们将其二次开发为专属的博物馆导览助手，打造了这场沉浸式的“北京博物馆时空之旅”。智能体首先会根据你的可用时长、兴趣偏好和当前位置，自动调用工具查询各博物馆的实时开放时间、预约余量和最优交通方案，将复杂的参观需求拆解为可执行的子任务链，生成精准到分钟的个性化参观路线。它既是一位精通历史的文博专家，也是一位严格的时间管理大师，会帮你巧妙避开人流高峰，精准锁定镇馆之宝，甚至提前为你准备好每件核心展品的深度背景解读。
在这场与时间赛跑的历史穿越之旅中，智能体将全程跟踪任务执行进度，根据现场情况动态调整参观计划，确保你在有限的时间里，获得最丰富、最沉浸的历史文化体验。本章将详细拆解这个博物馆导览助手的开发全过程，从任务规划到路线生成，再到实时动态调整，带你一步步见证智能体如何完成这场跨越千年的时空对话。
11.1.1 了解中国历史精髓：博物馆智能体的核心场景优势 253
11.1.2 导览智能体的架构优化分析 255
11.2.1 主智能体中子任务分解与推进 256
11.2.2 子任务的执行 257
11.2.3 博物馆导览助手实战 260
11.2.4 子智能体的应用 262
11.3.1 重构子任务状态标注与持久化 263
11.3.2 独立子任务中的多工具调用与多结果处理 266
11.3.3 约束子任务中的智能体 268
11.3.4 上下文工程与驾驭工程的演进 270
11.4 本章小结 271
本章以博物馆导览助手的定制开发为实践案例，系统完成了导览智能体的重构与全链路优化。针对开发过程中暴露的上下文过长、提示词冗余、词元消耗过高等核心痛点，我们通过任务拆解与子任务分步执行的核心思路，有效降低了单轮交互的信息负载，从根源上解决了长上下文对模型推理精度与工具调用稳定性的干扰。同时，引入多子智能体混合调度机制，根据子任务的复杂度与类型动态匹配最优模型，在保证执行效果不打折扣的前提下，显著节约了词元额度，全面提升了系统的运行效率与稳定性。
对于每个根据计划清单拆解的子任务链，其中的每个子任务又可以作为一个单独的“子智能体”存在，拥有独立的消息上下文、独立的状态管理与独立的执行生命周期。这种设计在实现任务解耦的同时，也带来了新的挑战：单个子任务内部仍可能出现多轮工具调用导致的消息列表膨胀、搜索次数失控、执行异常中断等问题。为此，本章进一步深入到独立子任务的执行层面，构建了一套完整的工程化保障体系。
我们重构了子任务状态标注体系，引入start_task与end_task标记实现精细化流程控制，并通过子任务结果的持久化存储解决了断点续跑与跨子任务数据共享问题；设计了消息列表压缩机制，当消息条数超过阈值时自动合并工具结果为摘要，避免上下文窗口溢出；设置了搜索次数上限的强制总结兜底，防止模型陷入无限工具调用循环；同时完善了执行异常时的分级降级策略，最大限度保证任务的完成度。
通过“整体任务拆解－多智能体调度－单任务精细化管控”的三层架构，本章不仅打造了一个稳定高效的博物馆导览智能体，也完成了一套可复用的复杂任务执行工程化范式。这套范式能够有效应对大模型在长任务执行中的各类常见问题，为后续开发更复杂、更健壮的通用智能体系统奠定了坚实的基础。
第12章 自进化Skill详解与自进化实战 272
Skill作为智能体能力的基本执行单元，是连接模型推理与实际行动的桥梁。此前我们构建的旅游导览智能体，其所有功能都依赖于预先定义好的工具调用与任务流程，能力边界完全由开发者设定。而自进化Skill的引入，将彻底打破这一限制，赋予智能体从实践中自主学习、生成并优化能力的核心特性。Skill定义与使用示意如图12-1所示。
图12-1 Skill定义与使用
本章将系统讲解自进化Skill的设计理念与实现原理，从Skill的基础结构与生命周期入手，深入剖析智能体如何通过任务执行自动提炼通用能力、生成新的Skill，以及如何通过持续迭代不断提升Skill的执行精度与适用范围。通过本章的学习，你将掌握让智能体实现能力自增长的关键技术，为构建真正具备自主进化能力的通用智能体打下基础。
12.1.1 Anthropic体系下Skill的基本概念 273
12.1.2 示例Skill文件的实现 276
12.2.1 Anthropic工程模板：Skill技能使用 282
12.2.2 基于模板Skill的实现 283
12.2.3 运行状态Skill的注册 288
12.3.1 Prompt中对Skill使用约束 290
12.3.2 添加额外的Skill 291
12.3.3 基于自定义智能体Skill的自进化实战 292
12.4 本章小结 294
本章系统讲解了智能体Skill的核心概念、设计规范与工程化实现方法，并基于Anthropic官方工程模板的约束体系，完整演示了从技能定义、注册到调用执行的全流程开发实践。
我们首先通过预定义的通用Skill能力，成功生成了智能辅助导览的HTML页面，并通过对比实验直观验证了：在结构化技能约束下生成的页面，在视觉美观度、信息可读性、交互友好性和功能完整性上，均显著优于无约束的自由生成结果。这一对比清晰地揭示了Skill机制对于规范智能体输出、提升用户体验的关键作用。
为进一步验证智能体的自主进化能力，我们创新性地实现了技能自迭代与垂直化优化流程。通过让智能体基于实际业务需求自我审视和重构，我们将最初泛化、发散的通用出行技能描述，逐步聚焦、打磨为“天气＋博物馆”这一核心垂直场景的专业化技能。这一过程不仅大幅提升了技能的触发准确率、执行精准度和用户价值感知，更重要的是，它为我们探索智能体自主能力进化提供了可复制的工程化路径。
通过本章的学习与实践，我们掌握了智能体技能开发的核心方法论：以明确的场景边界为基础，以标准化的执行流程为骨架，以统一的输出规范为保障，最终通过持续的迭代优化实现技能能力的垂直深化。这一方法论将为我们后续构建更复杂的多技能智能体系统奠定坚实的工程基础。在下一章中，我们将在此基础上，进一步探索多技能协同调度与复杂任务分解的实现机制。
第13章 杏林春满，智启未来： 自进化中医诊疗智能体开发 295
当中医的千年智慧与人工智能的自进化能力深度交融，传统医学的现代化转型亟需一套可落地、可扩展的工程化实现方案。前面章节已系统构建了自进化中医诊疗智能体的理论框架，阐明了其核心运行机制与进化逻辑。本章将深入技术实现的最底层，以抽象Skill作为智能体能力的基本执行单元，完整呈现从理论概念到可运行系统的全流程工程实践。
Skill是智能体“知行合一”的核心载体，它将望闻问切、辨证论治、处方配伍等复杂的中医诊疗能力，拆解为一个个独立、可复用、可自主进化的功能模块。每个Skill不仅封装了特定的算法逻辑与中医知识图谱，还内置了自我评估与迭代机制，能够在临床实践中持续优化自身表现。
本章将从最直观、最易上手的望诊场景切入，通过完整的代码实现与案例演示，详细讲解中医诊疗Skill的设计、开发、部署与调试全流程，并进一步阐述如何通过Skill的有机组合与协同进化，最终构建出真正具备自主学习能力的中医诊疗智能体。
13.1.1 中医望诊分析网站的架构设计 295
13.1.2 中医望诊分析网站的系统模块 299
13.1.3 中医望诊分析网站的图像分析引擎 301
13.1.4 中医望诊分析网站的图像生成引擎 302
13.2.1 按需重构智能化后台与记忆系统 306
13.2.2 将中医望诊引擎转化为工具调用 309
13.3 中医诊疗结果的自进化展示方案 313
13.3.1 结合业务需求完成展示技能的自进化 314
13.3.2 基于Skill展示结果生成标准的HTML页面 318
13.4 本章小结 319
本章完成了以中医面诊、舌诊等望诊业务为核心的诊疗交互网站整体设计，并针对各业务模块完成图像分析引擎的定制开发与深度迭代。结合实际业务场景与接口实测结果，我们对图像生成相关代码逻辑进行重构优化，将原有图生图模式改造为适配诊疗场景的文生图模式，同步调整图像分辨率、接口超时阈值，删减冗余传参并优化异常日志输出规则。经过代码编译校验与线上接口联调，图像分析引擎的稳定性、容错性与输出效果均得到显著提升，能够稳定配合前端交互模块，完成望诊相关图像的智能生成，为整套诊疗体系筑牢视觉服务底层支撑。
针对全新搭建的搭载智能体后台的一体化诊疗系统，我们在原有基础功能之上，新增了会话记忆与工具调用两大核心模块。记忆模块可长效留存问诊对话、过往诊疗记录等上下文信息，保证多轮问诊过程中辨证思路与交流逻辑的连贯统一；依托成熟的Skill工具调用体系，智能体被赋予了多元化的外部能力调度权限，既可以主动对接第三方图像API完成素材生成，也能自主执行文件写入、页面渲染等操作。这一改动让智能体摆脱了传统文本应答的单一定位，转变为能够自主调度各类功能组件的业务执行主体，全面强化了系统的自动化与智能化能力。
最后，我们针对中医诊疗结果的输出与呈现环节，落地了一套具备持续迭代能力的自进化展示方案。该方案摒弃了传统纯文本输出的形式短板，以结构化诊疗数据为基础，由智能体结合预设前端模板全自动生成标准化HTML页面。页面遵循分层视觉设计逻辑，结合五行色系编码、动态标签样式、卡片状态切换以及渐进式动画效果，按照中医标准诊疗流程梳理内容层级，让复杂的辨证信息变得条理清晰、直观易懂。
对比传统输出方式，这套方案在信息密度、视觉体验、可维护性与拓展潜力上都具备明显优势，最终搭建起从数据产出、内容编排到可视化呈现的完整业务闭环，也为后续适配用户的要求，完成展示的自进化留下了充足的拓展空间。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/18841117/viewspace-3179875/ ，如需转载，请注明出处，否则将追究法律责任。
