论文页面 - The Hitchhiker’s Guide to Agentic AI: From Foundations to Systems

来源: https://huggingface.co/papers/2606.24937

摘要

本书全面介绍了构建自主 AI 系统的方法，涵盖 Transformer 架构和训练方法等基础要素，以及强化学习、代理架构和生产部署等高级主题。

《The Hitchhiker’s Guide to Agentic AI》是一本面向从业者的综合性参考书，专为构建自主 AI 系统而编写。本书遵循从基本原理到生产部署 (https://huggingface.co/papers?q=production%20deployment) 的完整技术栈，其核心论点是：构建优秀的自主系统需要理解流水线的每一层，而非仅关注某一层。开篇介绍 LLM 底层技术——Transformer 架构 (https://huggingface.co/papers?q=transformer%20architecture)、GPU 系统 (https://huggingface.co/papers?q=GPU%20systems)、训练 (https://huggingface.co/papers?q=training) 与微调 (https://huggingface.co/papers?q=fine-tuning)（包括 SFT (https://huggingface.co/papers?q=SFT)、LoRA (https://huggingface.co/papers?q=LoRA)、MoE (https://huggingface.co/papers?q=MoE)）、模型压缩 (https://huggingface.co/papers?q=model%20compression) 以及推理优化 (https://huggingface.co/papers?q=inference%20optimization)——将其视为必要基础而非核心关注点。随后深入对齐与推理层：基于人类反馈的强化学习 (https://huggingface.co/papers?q=reinforcement%20learning%20from%20human%20feedback)（RLHF (https://huggingface.co/papers?q=RLHF)）、PPO (https://huggingface.co/papers?q=PPO)、DPO (https://huggingface.co/papers?q=DPO) 及其变体、GRPO (https://huggingface.co/papers?q=GRPO)、奖励建模 (https://huggingface.co/papers?q=reward%20modeling)，以及用于大型推理模型的强化学习 (https://huggingface.co/papers?q=RL%20for%20large%20reasoning%20models)（包括思维链 (https://huggingface.co/papers?q=chain-of-thought) 和测试时扩展 (https://huggingface.co/papers?q=test-time%20scaling)）。后半部分则专注于自主 AI 本身，主题涵盖自主训练 (https://huggingface.co/papers?q=agentic%20training) 与基于轨迹的强化学习 (https://huggingface.co/papers?q=trajectory-based%20RL)、检索增强生成 (https://huggingface.co/papers?q=retrieval-augmented%20generation)（RAG (https://huggingface.co/papers?q=RAG) 与自主 RAG (https://huggingface.co/papers?q=Agentic%20RAG)）、记忆系统 (https://huggingface.co/papers?q=memory%20systems)（上下文记忆、外部记忆、情景记忆和语义记忆）、代理框架设计 (https://huggingface.co/papers?q=agent%20harness%20design) 与上下文管理 (https://huggingface.co/papers?q=context%20management)，以及代理设计模式 (https://huggingface.co/papers?q=agent%20design%20patterns) 的分类体系。代理间协调部分进行了深入探讨：模型上下文协议 (https://huggingface.co/papers?q=Model%20Context%20Protocol)（MCP (https://huggingface.co/papers?q=MCP)）、代理技能 (https://huggingface.co/papers?q=agent%20skills) 与工具使用 (https://huggingface.co/papers?q=tool%20use)、Agent-to-Agent (A2A) 通信协议，以及多智能体架构 (https://huggingface.co/papers?q=multi-agent%20architectures)（涵盖集中式、去中心化和层次化拓扑）。本书最后介绍了代理开发框架 (https://huggingface.co/papers?q=agent%20development%20frameworks)、自主 UI 设计 (https://huggingface.co/papers?q=agentic%20UI%20design)、针对自主任务的评估方法 (https://huggingface.co/papers?q=evaluation%20methodology)，以及生产部署 (https://huggingface.co/papers?q=production%20deployment)。每章都结合了严谨的理论基础与实现指导、代码示例，并引用了主要文献。

查看 arXiv 页面 (https://arxiv.org/abs/2606.24937) 查看 PDF (https://arxiv.org/pdf/2606.24937) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.24937)

引用本文的模型0

尚无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.24937，以从本页链接至该模型。

引用本文的数据集0

尚无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.24937，以从本页链接至该数据集。

引用本文的 Spaces0

尚无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.24937，以从本页链接至该 Space。

包含本文的收藏0

尚无收藏包含此论文

请将此论文添加到收藏 (https://huggingface.co/new-collection) 中，以从本页链接至该收藏。