前言?



第1章 何謂 Agent，為何選擇 Agent?

1.1 讓人大開眼界的演講：Life 3.0?

1.2 所以，到底 Agent 是什麼？?

1.3 Agent 的大腦：大模型的通用推理能力?

1.4 Agent 的感知力：語言交互能力和多模態能力?

1.5 Agent 的行動力：語言輸出能力和工具使用能力?

1.6 Agent 對各行業的效能提升?

1.7 Agent 帶來新的商業模式和變革?

1.8 小結?



第2章 基於大模型的 Agent 技術框架?

2.1 Agent 的四大要素?

2.2 Agent 的規劃和決策能力?

2.3 Agent 的各種記憶機制?

2.4 Agent 的核心技能：調用工具?

2.5 Agent 的推理引擎：ReAct 框架?

2.6 其他 Agent 認知框架?

2.7 小結?



第3章 OpenAI API、LangChain 和 LlamaIndex?

3.1 何謂 OpenAI API?

3.2 何謂 LangChain?

3.3 何謂 LlamaIndex?

3.4 小結?



第4章 Agent 1：自動化辦公的實現——透過 Assistants API和 DALL·E3 模型創作 PPT?

4.1 OpenAI 公司的 Assistants 是什麼?

4.2 不寫程式碼，在Playground 中玩 Assistants?

4.3 Assistants API 的簡單範例?

4.4 創建一個簡短的虛構 PPT?

4.5 小結?



第5章 Agent 2：多功能選擇的引擎——透過 Function Calling 調用函數?

5.1 OpenAI 中的 Functions?

5.2 在 Playground 中定義 Function?

5.3 透過 Assistants API 實現 Function Calling?

5.4 透過 ChatCompletion API來實現 Tool Calls?

5.5 小結?



第6章 Agent 3：推理與行動的協同——透過 LangChain 中的 ReAct 框架實現自動定價?

6.1 複習ReAct框架?

6.2 LangChain 中 ReAct Agent 的實現?

6.3 LangChain 中的工具和工具包?

6.4 透過 create_react_agent 創建鮮花定價 Agent?

6.5 深入 AgentExecutor 的執行機制?

6.6 小結?



第7章 Agent 4：計劃和執行的解耦——透過 LangChain 中的 Plan-and-Execute 實現智慧排程庫存?

7.1 提出 Plan-and-Solve 策略?

7.2 LangChain 中的 Plan-and-Execute Agent?

7.3 透過 Plan-and-Execute Agent 實現物流管理?

7.4 從單 Agent 到多 Agent?

7.5 小結?



第8章 Agent 5：知識的提取與整合——透過 LlamaIndex 實現檢索增強生成?

8.1 何謂檢索增強生成?

8.2 RAG 和 Agent?

8.3 透過 LlamaIndex 的 ReAct RAG Agent 實現花語祕境財報檢索?

8.4 小結?



第9章 Agent 6：GitHub 的熱門開發——AutoGPT、BabyAGI 和 CAMEL?

9.1 AutoGPT?

9.2 BabyAGI?

9.3 CAMEL?

9.4 小結?



第10章 Agent 7：多 Agent 框架——AutoGen 和 MetaGPT?

10.1 AutoGen?

10.2 MetaGPT?

10.3 小結?



附錄A 下一代 Agent 的誕生地：科學研究論文中的新思維?



參考文獻?

後記 創新與變革的交會點