了解在生产中成功的 AI 代理具备哪些特质（以及有多少代理在路上失败！）。学习关键的 agentic 设计原则，为代理的扩展打好基础，包括稳健的基础设施与工具、模块化的架构设计，以及持续评估与反馈循环。

AI Agents in the Wild

选项

其他自动化

AI 代理

用代理，还是不用代理

Agentic 应用

可扩展智能体的设计原则

模块化

健壮的基础设施与工具

持续评估

可扩展设计的策略

落实可扩展设计的三大支柱

AI 代理如何扩展（以及为何会失败）

扩容别"翻车"！

更高成本

更低成本

Agentic 会计

没有护栏，就会"翻车"

可扩展代理的设计

学习关键策略，确保您的代理以可扩展性为目标进行开发。深入了解 Model Context Protocol（MCP）与 Agent-to-Agent 协议（A2A）如何通过标准化来促进可扩展性。

多智能体设计模式

从单智能体跃迁到多智能体

Model Context Protocol（MCP）

认识 MCP

MCP is the MVP

客户端、服务器，以及两者之间的一切

Agent-to-Agent（A2A）协议

Agent cards - Gotta Catch 'Em All

MCP 与 A2A：是友是敌？

面向可扩展性的代理开发

准备上线，但别急！构建稳健的测试框架，确保 AI 代理在生产中依然稳定发挥。为您的使用场景选择最佳的部署策略，并学习如何将实时数据源集成到 agentic 系统中。

从概念验证到生产环境

稳健地测试一个 Agent

还要检查什么？

快速高效的数据摄取

实时数据的价值

优雅降级：风险缓解

使用指数回退重试

立规矩！

恭喜您！

将代理大规模部署到生产环境

Cheat Sheet

Course Glossary

为何那么多 agentic 系统无法跨越从开发到生产的鸿沟？在本课程中，您将找到答案！学习如何以可扩展性为核心来设计与开发 AI 代理，遵循 agentic 可扩展性的三大支柱：稳健的基础设施与工具、模块化的架构设计，以及持续评估与反馈循环。您还将了解 Model Context Protocol（MCP）与 Agent-to-Agent 协议（A2A）等 agentic 框架如何通过标准化，实现数据源与代理之间更清晰、更快速的集成。最后，学习测试与部署策略，帮助您的代理在生产中真正创造价值。

视频提供实时字幕，您可以点击视频左下角的 "Show transcript" 展开查看。

课程术语表位于右侧的资源部分。

如需获得 CPE 学分，您需要完成课程并在合格测评中达到 70% 的成绩。您可以点击右侧的 CPE 学分提示进入测评。

<h2>设计和开发用于扩展的智能体</h2>
了解如何在考虑可扩展性的前提下设计和开发 AI 智能体，遵循智能体可扩展性的三大支柱：模块化、鲁棒性和适应性。 了解生产环境中成功智能体的关键，以及为什么这么多人难以达到这一目标。<br><br><h2>探索 MCP 和 A2A 的强大力量</h2>
Anthropic 开发的模型上下文协议（MCP）彻底革新了智能体互操作性，为将智能体连接到数据源提供了统一的方法。 Google 开发的 Agent-to-Agent 协议（A2A）是对 MCP 的补充。 了解如何将这两个框架结合起来，以确保你的智能体集成具备可扩展性。<br><br><h2>实施智能体测试和部署最佳实践</h2>在按下那个醒目的红色按钮、将您的智能体投入生产之前，您必须先降低随规模扩大而带来的风险。 了解如何创建一个稳健的测试框架，以捕获组件、集成、性能和安全方面的问题。 通过查看用例的需求，决定哪种部署类型最适合你的智能体。

没有护栏，就会"翻车"

构建可扩展的 Agentic 系统

动手互动练习