《使用 LangGraph, FastAPI, MCP and Docker 构建通用 AI 智能体：自主系统原理与应用实战》
文章目录
- 《使用 LangGraph, FastAPI, MCP and Docker 构建通用 AI 智能体：自主系统原理与应用实战》
- 前言
- 什么是 AI 智能体？
- 为什么这本书很重要？
- 这本书涵盖什么？
- 这本书适合谁？
- 如何使用这本书？
- 第 1 章 AI 智能体基础理论
- 1.1 什么是 AI 智能体
- AI 智能体的核心特点
- AI 智能体与传统 AI 模型的区别
- 1.2 AI 智能体的类型
- 按自主程度分类
- 按应用领域分类
- 1.3 AI 智能体的架构
- 智能体的感知-决策-行动循环
- 1.4 AI 智能体的应用场景
- 1.5 AI 智能体的挑战与展望
- 1.6 本章小结
- 第 2 章 LangChain 框架入门
- 2.1 什么是 LangChain
- LangChain 的主要用途
- 2.2 LangChain 的核心组件
- 1. 模型（Models）
- 2. 链（Chains）
- 3. 提示模板（Prompt Templates）
- 4. 记忆（Memory）
- 5. 工具（Tools）
- 2.3 LangChain 的架构
- LangChain 组件间的交互
- 2.4 安装和设置 LangChain
- 2.5 LangChain 的简单示例
- 2.6 LangChain 的优势与局限
- 优势
- 局限
- 2.7 本章小结
- 第 3 章 LangGraph 概述
- 3.1 什么是 LangGraph
- LangGraph 的核心概念
- 3.2 LangGraph 与 LangChain 的区别
- 3.3 LangGraph 的架构
- LangGraph 的工作原理
- 3.4 LangGraph 的主要特性
- 3.5 安装和设置 LangGraph
- 3.6 LangGraph 的简单示例
- 3.7 LangGraph 的应用场景
- 3.8 LangGraph 的优势与挑战
- 优势
- 挑战
- 3.9 本章小结
- 第 4 章 LangGraph 工作流编排详解
- 4.1 LangGraph 工作流的基本概念
- 4.2 状态管理
- 状态的定义
- 状态的传递
- 状态的更新
- 4.3 节点设计
- 节点的定义
- 节点的类型
- 节点的最佳实践
- 4.4 工作流模式
- 顺序模式
- 条件模式
- 并行模式
- 循环模式
- 4.5 高级工作流模式
- 管道模式
- 分叉合并模式
- 选择器模式
- 4.6 工作流的编译和执行
- 编译工作流
- 执行工作流
- 异步执行
- 4.7 工作流的可视化
- 4.8 实战案例：数据处理管道
- 问题描述
- 状态定义
- 节点定义
- 构建工作流
- 执行工作流
- 4.9 本章小结
- 第 5 章 FastAPI 在 AI 智能体中的应用
- 5.1 FastAPI 简介
- FastAPI 的主要特点
- 5.2 为什么选择 FastAPI 构建 AI API
- 5.3 FastAPI 的基本概念
- 应用和路由
- 请求参数
- 响应模型
- 5.4 FastAPI 的特性
- 数据验证和序列化
- 依赖注入
- 中间件
- 5.5 FastAPI 在 AI 应用中的应用场景
- AI 模型推理服务
- 数据预处理和后处理
- 批处理和流式处理
- 5.6 FastAPI 的高级特性
- 异步处理
- 后台任务
- 流式响应
- 5.7 实战案例：构建 AI 模型推理 API
- 问题描述
- 项目结构
- 定义数据模型（schemas.py）
- 模型封装（model.py）
- API 端点（endpoints.py）
- 主应用（main.py）
- 依赖管理（requirements.txt）
- 运行应用
- 5.8 性能优化和最佳实践
- 性能优化
- 最佳实践
- 5.9 本章小结
- 第 6 章 MCP 协议深入实现
- 6.1 MCP 协议概述
- MCP 协议的核心概念
- 6.2 MCP 协议的架构
- MCP 架构组件
- 6.3 MCP 协议的工作原理
- 6.4 MCP 协议的消息格式
- 6.5 实现 MCP 服务器
- 示例：简单的文件操作 MCP 服务器
- 6.6 实现 MCP 客户端
- 示例：简单的 MCP 客户端
- 6.7 MCP 协议的安全性
- 示例：添加身份验证和授权
- 6.8 MCP 协议的工具调用
- 工具调用的流程
- 示例：智能体调用工具
- 6.9 MCP 协议的上下文管理
- 上下文管理的概念
- 上下文管理的实现
- 6.10 MCP 协议的最佳实践
- 设计原则
- 安全措施
- 性能优化
- 6.11 本章小结
- 第 7 章 Docker 容器化部署
- 7.1 Docker 基础概念
- 容器与虚拟机的区别
- Docker 的核心组件
- 7.2 为什么使用 Docker 部署 AI 应用
- 7.3 Docker 基本操作
- 安装 Docker
- 拉取和运行镜像
- 构建镜像
- 7.4 为 AI 应用创建 Dockerfile
- 示例：LangChain 应用的 Dockerfile
- 7.5 多阶段构建
- 多阶段构建的优势
- 示例：使用多阶段构建构建 AI 应用
- 7.6 Docker Compose 用于多服务应用
- 示例：使用 Docker Compose 部署 AI 应用
- 7.7 Docker 中的环境变量和秘密管理
- 环境变量管理
- 示例：使用 .env 文件
- 示例：使用 Docker secrets
- 7.8 监控和日志
- 日志管理
- 示例：配置日志驱动
- 监控
- 示例：使用 Prometheus 监控
- 7.9 实战案例：容器化部署 AI 智能体系统
- 系统架构
- 项目结构
- .env 文件
- API 网关的 Dockerfile
- 智能体服务的 Dockerfile
- 模型服务的 Dockerfile
- MCP 服务的 Dockerfile
- docker-compose.yml
- 部署脚本
- 7.10 Docker 最佳实践
- 镜像构建最佳实践
- 安全最佳实践
- 性能优化最佳实践
- 运维最佳实践
- 7.11 本章小结
- 第 8 章 综合实战项目：智能客服系统
- 8.1 项目概述
- 系统架构
- 技术栈
- 8.2 系统架构设计
- 整体架构
- 组件详细设计
- 8.3 开发环境准备
- 项目目录结构
- 环境变量配置 (.env)
- 8.4 实现智能客服系统
- 8.4.1 API 网关实现
- 8.4.2 智能体核心实现
- 8.4.3 模型服务实现
- 8.4.4 MCP 服务实现
- 8.5 容器化部署
- 8.6 部署脚本
- 8.7 测试智能客服系统
- 8.8 本章小结
前言
欢迎阅读《使用 LangGraph, FastAPI, MCP and Docker 构建通用 AI 智能体：自主系统原理与应用实战》。这是一本面向初学者的完整指南，旨在教你如何从零开始构建、部署和维护强大的 AI 智能体系统。
什么是 AI 智能体？
AI 智能体（AI Agent）是一种先进的 AI 系统，旨在根据高级目标自主进行推理，制定计划并执行行动。相比传统的 Chatbot、预测模型或分类器，Agentic AI 系统能够自主决策、动态学习，并在复杂任务中持续行动[1†]。这类系统由多个"Agent"（代理）构成，彼此分工协作，能够完成复杂的任务[2†]。
AI 智能体代表人工智能领域的下一次演进，即从简单自动化向能够管理复杂工作流的自主系统过渡[3†]。它们具有自主性，能够在没有人类实时干预的情况下独立运行，根据预设的目标和规则自主地感知环境、分析信息并做出决策[4†]。
为什么这本书很重要？
随着 AI 技术的快速发展，构建功能强大、可靠且可扩展的 AI 智能体已成为行业趋势。然而，对于初学者来说，入门这些技术栈往往面临诸多挑战：
- 缺乏系统性的学习资源，尤其是针对初学者的完整指南
- 各技术组件（LangGraph、FastAPI、MCP、Docker）之间的集成关系复杂
- 理论与实践之间的鸿沟，难以将概念应用到实际项目中
这本书旨在填补这一空白，为你提供从零开始构建 AI 智能体系统的完整路径。
