AI 的演进路径清晰可见：从最初的 Chatbot 聊天对话框，逐步发展为支持联网、工具调用（Tools）与 MCP 协议，再到如今可自定义工作流的 Agent 智能体。Agent 的出现，使 AI 真正落地于各类真实业务场景，这是一个持续进化与实践的过程。

以程序员最熟悉的 **AI 编程助手** 为例，仅在过去一年内，AI Agent 已广泛应用于代码生成、调试与优化。Dify、Coze 等低代码平台也支持用户通过可视化方式手动配置工作流，快速构建个性化 Agent 并发布使用。

2024 年 8 月底，国家发布“人工智能+”行动意见，预示着未来十年，无论在中国还是全球，AI 应用将加速渗透各行各业，遍地开花。

我将持续深耕 AI Agent 领域，将自身擅长的面试辅导、算法刷题、简历优化、技术教程等场景全面 AI 赋能，借助智能体提升服务效率，惠及更多用户。

本文从前端开发者的视角，系统梳理开发 AI Agent 所需掌握的核心知识体系，供同行参考。

* * *

1\. LLM（大语言模型）

AI 的基础是 **LLM（Large Language Model）**，如 ChatGPT、Gemini、Claude、DeepSeek、Qwen、Grok、Llama 等。常见使用方式包括：

* 在线调用 API（通常按 token 计费）

* 本地部署，内网私有化运行

核心原理

当前所有 LLM 的本质可简化理解为：**预测下一个词**。

* LLM 并非“理解”人类语言，而是基于海量互联网数据训练，进行概率性“补全”。

* 模型参数如同“记忆单元”，类似人脑神经元；参数越多（训练与推理成本越高），补全越精准。

* 示例：输入“猴子喜欢吃”，模型基于训练数据计算，“香蕉”概率最高，即返回该词。

* 写诗、编程、绘图等能力，本质也是基于 prompt 的结构化补全。

交互模式

进阶技术

* **MoE（Mixture of Experts）**：将超大模型拆分为多个子专家模型，每次推理仅激活部分，显著降低运行成本。

* **微调（Fine-tuning）**：仅调整少量参数，改变模型在特定领域的预测倾向。

> **关键认知**：Agent 与 Tool 调用本质上也是“补全”——模型根据 prompt 中的工具描述与参数结构，预测应调用哪些工具。

* * *

2. Prompt Engineering（提示词工程）

AI 的输出质量高度依赖于 prompt 设计。模糊的提示必然导致模糊的结果。

### 实践要点

* **领域约束**：如 GitHub Copilot 限定于编程领域，拒绝回答非相关问题。

* **CoT（Chain-of-Thought）**：通过“让我们一步步思考”等引导语，促使模型按逻辑链推理。

* **输出规范**：明确要求 JSON、Markdown 等格式，或限定选项范围。

* **工程化处理**：实际开发中，用户输入通常需经“转述包装”后再传入 LLM，而非直接透传。可借助 AI 生成高质量 prompt，或使用在线工具辅助设计。

> ✅ **提示**：Prompt Engineering 本质是“与 AI 高效沟通的艺术”，非玄学技能，易于掌握。

* * *

3. LangChain.js

**LangChain.js** 是前端开发者使用 Node.js 构建 AI 应用的首选框架，生态完善：

* **LangGraph**：可视化定义 Agent 工作流，支持复杂决策逻辑。

* **LangSmith**：调试、追踪与分析 Agent 运行过程，提升可观测性。

* * *

4. RAG（检索增强生成）

**RAG（Retrieval-Augmented Generation）** 是结合外部知识库提升 AI 回答准确性的关键技术。

### 核心流程

1. **向量化**：将文档切片并转换为高维向量（float 数组），存入向量数据库。

2. **检索**：用户提问时，将问题向量化，在库中检索语义相似片段。

3. **生成**：将检索结果作为上下文，与 prompt 一并送入 LLM 生成最终答案。

### 向量（Vector）理解

* 向量即“多维坐标”，文本/图片可映射为数百维浮点数组。

* 通过**余弦相似度**或**欧氏距离**计算向量间距离，即语义相似度。

* 与传统关键词搜索（如 ElasticSearch）不同，向量支持**语义匹配**（如“教程”≈“课程”）。

> **技术选型建议**：

> * 开发阶段：Chroma（轻量、易集成）

> * 生产部署：Pinecone / Supabase Vector（提供免费额度）

* * *

5. Agent（智能体）

Agent 是融合多种能力的综合体，核心组件包括：

> ️ **示例**：Flowise（类似 Dify/Coze）提供的 RAG Agent 工作流配置界面，直观展示节点连接与工具调用逻辑。

* * *

6. MCP（Model Context Protocol）

**MCP** 是规范大模型与外部服务交互的协议，实现工具调用的标准化。

### 应用场景

* **使用现有 MCP Server**：如编程场景常用代码补全、测试生成等服务（参考博客：[编程常用的 MCP Server](https://chat.qwen.ai/c/guest#)）。

* **自研 MCP 能力**：

* 开发 MCP Server：暴露自定义工具能力

* 开发 MCP Client：集成第三方服务

* 参考实践：[Node.js + DeepSeek 开发 MCP Server 与 Client 踩坑记录](https://chat.qwen.ai/c/guest#)

* * *

7. 多模态（Multimodal）

现代 AI 应用已超越纯文本，全面支持多模态输入与输出：

### Artifact 机制

* 某些模型（如 Claude）支持以 **Artifact** 形式直接渲染生成内容（如 HTML 网页），并提供预览与发布能力。

* 不同模型对模态的支持程度与 API 调用方式各异，需针对性适配。

* * *

8. 前沿方向（持续演进中）

AI Agent 技术仍在快速发展，以下方向值得关注：

* **Multi-agent 架构**：多个智能体协作完成复杂任务

* **A2A 协议**：Agent 间标准化通信机制

* **Context Engineering**：精细化管理上下文注入策略

* **AG-UI 协议**：规范 Agent 与前端界面的交互协议

* * *