Agent 开发实战

Appearance

🧪 AI Native 功能 ​

本站不只是一本"放在网上的书"，它是一个为 AI Agent 原生设计的知识系统。

站点遵循的 AI Native 标准 ​

llms.txt ​

本站提供标准 llms.txt 文件，这是 2025 年出现的 AI 原生网站标准。任何 LLM 访问以下 URL 即可快速理解本站内容：

GET /llms.txt          → 站点概述 + 内容结构 + API 入口
GET /llms-full.txt     → 全书完整索引（含每章概念、代码块数量、依赖关系）

Agent API ​

不同于传统的 HTML 爬虫方式，本站提供结构化 JSON API，Agent 无需解析 HTML：

GET /agent-api/manifest.json           → 全书元数据索引
GET /agent-api/chapters/{id}.json      → 单章结构化内容
GET /agent-api/skills/{id}.md          → 可安装技能书

可安装技能书 ​

技能书是符合 SKILL.md 规范 的知识包，可直接安装到 Agent 的技能系统：

"根据 https://{host}/claude-code-book/agent-api/skills/rag-agent.md 安装这个技能书。"

对话式导读 ​

以下是一组可直接复制给你的 Agent 的 Prompt 模板。粘贴即用。

🟢 入门：我想了解什么是 AI Agent ​

markdown
请帮我学习 AI Agent 的基础知识。

参考资料来源：
1. 先获取全书索引：GET https://{host}/claude-code-book/agent-api/manifest.json
2. 然后按顺序阅读以下章节的 JSON 版本：
   - GET /agent-api/chapters/ch01.json （什么是 AI Agent）
   - GET /agent-api/chapters/ch03.json （Agent 编程范式）
   - GET /agent-api/chapters/ch04.json （Agent 核心概念）

请从每章的 key_concepts 和 overview 中提取核心知识，
用一份 500 字的摘要帮我建立 Agent 的完整认知框架。

🟡 进阶：我要构建一个 RAG Agent ​

markdown
我需要从零构建一个 RAG（检索增强生成）Agent。

请按以下步骤获取知识：
1. GET /agent-api/manifest.json → 找到 dependency_graph
2. 目标章节：ch12（RAG增强Agent），前置依赖：ch04, ch07
3. 按依赖顺序获取 JSON：
   - GET /agent-api/chapters/ch04.json
   - GET /agent-api/chapters/ch07.json
   - GET /agent-api/chapters/ch12.json

或者直接安装技能书：
GET /agent-api/skills/rag-agent.md

请提取所有 runnable == true 的 code_blocks，
组合成一个可运行的 RAG Agent 最小实现。

🔴 高级：我要把 Agent 部署到生产环境 ​

markdown
我已经有一个可用的 Agent 原型，现在需要将它部署到生产环境。

请获取以下章节：
- GET /agent-api/chapters/ch36.json （生产环境架构设计）
- GET /agent-api/chapters/ch37.json （可扩展性与高可用）
- GET /agent-api/chapters/ch38.json （监控与告警体系）
- GET /agent-api/chapters/ch40.json （CI/CD 与版本管理）

或安装技能书：GET /agent-api/skills/production-deploy.md

请从这些章节中整理出：
1. 一份生产部署 Checklist
2. 关键架构决策点
3. 可直接使用的 Docker/K8s 配置示例

🎯 特定需求：帮我做技术选型 ​

markdown
我需要对比不同的 Agent 框架。

请获取：GET /agent-api/chapters/appendixA.json

从 tables 和 code_blocks 中提取框架对比数据，
按以下维度制作对比表：
- 核心架构
- 工具调用方式
- 多 Agent 支持
- 生态成熟度
- 适用场景

学习路径推荐 ​

路径 A：速成实战（适合有经验的开发者） ​

ch01 → ch04 → ch06 → ch12 → ch36
  ↓      ↓      ↓      ↓      ↓
 概念   核心   工具   RAG   部署

共 5 章，约 5 万字，预估 3-4 小时。

路径 B：系统学习（适合从零开始） ​

卷一(3章) → 卷二(4章) → 卷三(4章) → 卷七(6章) → 卷八(5章)
   ↓           ↓           ↓           ↓           ↓
  认知        基础        进阶        技法        实战

共 22 章，约 11 万字，预估 2-3 周。

路径 C：架构师路线（适合技术决策者） ​

ch01 → ch04 → ch08 → ch35 → ch36 → ch37 → ch39
  ↓      ↓      ↓      ↓      ↓      ↓      ↓
 概念   核心   协作   模式   架构   高可用  安全

共 7 章，约 7 万字，预估 1 周。

全书数据概览 ​

指标数值
总卷数12
总章数52（含 4 篇附录）
总字数224,429
代码示例863 个
核心概念780 个
技能书7 本
章节依赖图48 条边
难度分布入门 16 · 中级 24 · 高级 12

为什么做 AI Native？ ​

传统技术书籍的消费方式是人类用眼睛从头读到尾。但在 AI 时代，知识的消费者不只是人——还有 Agent。

本站的设计哲学：

传统技术书站点本站 AI Native 设计
只有 HTML 页面HTML + JSON API + Markdown + SKILL.md
需要爬虫解析 HTML结构化 JSON，Agent 直接 fetch
线性阅读顺序依赖图驱动的按需加载
搜索靠全文匹配key_concepts 语义索引
内容即终点内容 → 可执行代码 → 可安装技能
站点描述靠 SEO metallms.txt 标准，LLM 直接理解
读者是人读者 = 人 + Agent

完整交互示例：Agent 如何消费本站内容 ​

以下演示一个 Agent 通过本站 API 学习"如何构建 RAG Agent"的完整过程。

Step 1：获取站点概述 ​

bash
# Agent 首先访问 llms.txt 了解站点
GET https://islinxu.github.io/claude-code-book/llms.txt
# Agent 开发：从原理到生产级实践
> 12卷52章 · 22万字 · 863个代码示例 · 780个核心概念
...
- 全书索引: GET /claude-code-book/agent-api/manifest.json

Step 2：加载全书索引 ​

bash
GET https://islinxu.github.io/claude-code-book/agent-api/manifest.json
json
{
  "title": "Agent 开发：从原理到生产级实践",
  "total_chapters": 52,
  "total_word_count": 224429,
  "dependency_graph": {
    "ch12": ["ch04", "ch07"],  // ← RAG 章节依赖 ch04 和 ch07
    ...
  }
}

Agent 从 dependency_graph 中发现：要学 ch12（RAG增强Agent），需要先学 ch04 和 ch07。

Step 3：按依赖顺序加载章节 ​

bash
# 先读前置依赖
GET /agent-api/chapters/ch04.json
json
{
  "metadata": {
    "id": "ch04",
    "title": "Agent 核心概念",
    "key_concepts": ["ReAct架构", "Agent循环", "工具调用", ...],
    "estimated_tokens": 4336
  },
  "key_takeaways": ["Agent = 感知+推理+执行+目标+自治", ...],
  "code_blocks": [
    {
      "id": "code-1",
      "language": "python",
      "description": "最简化的 Agent 概念模型",
      "code": "class SimpleAgent:\n    def __init__(self):\n        self.brain = LLM()\n        ...",
      "runnable": true
    }
  ]
}

Agent 先读 key_takeaways（约 200 tokens）判断相关性 → 确认需要 → 读取 code_blocks 中的可运行代码。

Step 4：加载目标章节 ​

bash
GET /agent-api/chapters/ch12.json

Agent 从 ch12 的 code_blocks 中提取所有 runnable: true 的代码，组合成完整的 RAG 实现。

Step 5：安装技能书（可选） ​

bash
GET /agent-api/skills/rag-agent.md

Agent 将下载的 SKILL.md 保存到 ~/.workbuddy/skills/agent-book-rag-agent/SKILL.md，此后可作为技能直接调用。

Token 消耗分析 ​

步骤Token 消耗说明
llms.txt~500站点概述
manifest.json~3,000全书索引（缓存后不再消耗）
ch04.json key_takeaways~200快速判断相关性
ch04.json 全文~4,300按需加载
ch07.json 全文~5,200按需加载
ch12.json 全文~8,100目标章节
总计~21,300仅加载 3 章（全书约 134K tokens）

节约比：21K / 134K ≈ 节约了 84% 的 token，通过依赖图驱动的按需加载实现。

基于 MIT 许可发布

《Agent 开发：从原理到生产级实践》