vishipayyallore/practical-ai-agents

# 实用 AI Agent      一个用于学习、构建和试验 AI Agent、Agentic AI、MCP、RAG、编排、多 Agent 系统以及生产级 AI 架构的实践型仓库。 本仓库专注于： * 实践实现， * 架构模式， * 编排工作流， * 可观测性， * 评估， * 安全性， * 可扩展的 AI 工程实践。 ## 愿景 本仓库的目标是从： * 基础的 AI Agent 实验 演变为： * 结合软件架构原则设计的生产级 AI 系统。 本仓库旨在作为： * 学习工作区， * 试验沙盒， * 作品集， * AI 架构参考仓库。 ## 仓库结构 ``` practical-ai-agents/ │ ├── README.md ├── LICENSE ├── .gitignore │ ├── docs/ │ ├── adr/ │ ├── diagrams/ │ ├── learnings/ │ └── references/ │ ├── src/ │ ├── fundamentals/ │ │ ├── prompts/ │ │ ├── embeddings/ │ │ ├── rag/ │ │ ├── vector-stores/ │ │ └── tools/ │ │ │ ├── agents/ │ │ ├── single-agent/ │ │ ├── multi-agent/ │ │ ├── planner-executor/ │ │ ├── reflection/ │ │ ├── react-pattern/ │ │ ├── tool-calling/ │ │ └── memory/ │ │ │ ├── frameworks/ │ │ ├── langchain/ │ │ ├── langgraph/ │ │ ├── semantic-kernel/ │ │ ├── autogen/ │ │ ├── crewai/ │ │ └── openai-agents-sdk/ │ │ │ ├── protocols/ │ │ ├── mcp/ │ │ ├── a2a/ │ │ └── function-calling/ │ │ │ ├── orchestration/ │ │ ├── workflows/ │ │ ├── state-machines/ │ │ ├── event-driven/ │ │ └── durable-execution/ │ │ │ ├── observability/ │ │ ├── tracing/ │ │ ├── evaluations/ │ │ ├── telemetry/ │ │ └── prompt-testing/ │ │ │ ├── security/ │ │ ├── prompt-injection/ │ │ ├── guardrails/ │ │ ├── sandboxing/ │ │ └── secrets-management/ │ │ │ ├── architecture/ │ │ ├── patterns/ │ │ ├── anti-patterns/ │ │ ├── scalability/ │ │ └── distributed-agents/ │ │ │ └── projects/ │ ├── customer-support-agent/ │ ├── code-review-agent/ │ ├── research-agent/ │ ├── data-analysis-agent/ │ └── autonomous-workflows/ │ ├── notebooks/ ├── assets/ ├── scripts/ ├── tests/ └── references/ ``` ## 核心关注领域 ### AI 基础 * Prompt Engineering * Embeddings * 向量数据库 * 检索增强生成 (RAG) * 函数调用 * 工具使用 ### Agentic AI * ReAct 模式 * Planner-Executor 架构 * 反思与自我修正 * 自主 Agent * 记忆系统 * 工具编排 Agent ### 多 Agent 系统 * Agent 协调 * 任务委派 * 路由与调度 * 共享内存 * 协商模式 ### 协议与标准 * 模型上下文协议 (MCP) * Agent 间通信 (A2A) * OpenAI 函数调用 * 工具互操作性 ### AI 系统架构 * 事件驱动架构 * 持久化执行 * 工作流编排 * 分布式 Agent * 可扩展性模式 * 容错性 ### 生产级 AI 工程 * 可观测性与追踪 * 评估与基准测试 * Prompt 测试 * 治理 * 安全与护栏 * 成本优化 ## 技术与框架 ### 编程语言 * Python * C# ### AI 框架 * LangChain * LangGraph * Semantic Kernel * AutoGen * CrewAI * OpenAI Agents SDK ### 向量数据库 * ChromaDB * Pinecone * FAISS * Weaviate ### 基础设施 * Docker * Redis * PostgreSQL * Kafka ## 学习路线图 ### 第一阶段 — 基础 * Prompt * Embeddings * RAG * 工具调用 * 记忆 ### 第二阶段 — AI Agent * ReAct * 反思 * 规划 * 工具编排 * 自主循环 ### 第三阶段 — 多 Agent 系统 * 委派 * 协调 * 路由 * 共享上下文 * 协商 ### 第四阶段 — 生产系统 * 可观测性 * 评估 * 安全 * 治理 * 可靠性 ### 第五阶段 — 高级架构 * 分布式 Agent * MCP 生态系统 * 持久化执行 * 事件驱动 AI 系统 * Human-in-the-Loop 架构 ## 仓库原则 本仓库优先考虑： * 深刻理解概念，而非盲目追逐框架， * 培养架构思维，而非仅做玩具级 demo， * 追求生产环境可用性，而非寻求捷径， * 坚持工程纪律，而非复制粘贴式教程。 理想情况下，每个模块都应包含： * 具体实现， * README， * 架构说明， * 局限性分析， * 未来改进方向， * 学习心得。 ## 架构决策记录 (ADR) 架构决策记录在以下位置： ``` docs/adr/ ``` 示例： * 为什么使用 LangGraph？ * 为什么使用 MCP？ * 为什么使用 Python 进行编排？ * 为什么使用 Redis 作为记忆存储？ * 为什么使用事件驱动工作流？ ## 图表 架构与工作流图表存储在以下位置： ``` docs/diagrams/ ``` 工具： * Mermaid * Draw.io * Excalidraw ## 参考资料 学习材料、书籍、论文、视频和外部参考资料整理在以下位置： ``` references/ ``` ## 长期目标 构建像生产系统一样经过工程化设计的 AI Agent。 而不是： * 孤立的教程， * 脆弱的演示， * 仅依赖特定框架的示例。 而是： * 可扩展的、 * 可观测的、 * 可维护的、 * 架构驱动的 AI 系统。 ## 许可证 本仓库基于 MIT 许可证授权。

标签：AI智能体, DLL 劫持, LLM工程, MCP协议, PyRIT, RAG, 人工智能, 多智能体系统, 大语言模型, 搜索引擎查询, 测试用例, 用户模式Hook绕过, 请求拦截, 逆向工具