本书以“实操”为导向，以“最少必要知识”为原则，既系统讲解了人工智能（AI）的核心技术，又以易于理解的“智慧消防”为案例贯穿全书始终，兼顾理论框架的完整性与实操落地的可行性，让读者既能夯实AI基础知识，又能快速动手构建实用的智能体。无论读者是想转型AI相关领域的初学者，还是想快速实现智能体项目落地的相关行业从业者，本书都能提供清晰的学习路径与实用的技术支持，是零基础读者进入智能体领域的优选入门指南。

冯立超，高级程序员，现任上海腾盛智能安全科技股份有限公司CIO、软件事业部总经理，微软最有价值专家（MVP），微软金牌讲师（GMCT），现任上海市消防协会智慧消防分会副会长，专注于智慧交通与智慧消防领域的创新研发，相关项目曾获上海市科技进步奖，出版图书《Jupyter入门与实战》。

第1章 快速上手 Jupyter 和 Python：智能体开发的入门工具 1.1 智能体在 AI 技术版图中的定位 2 1.2 智能体开发工具：Python 及 Jupyter 4 1.2.1 为什么选择Python和Jupyter 4 1.2.2 核心工具快速上手：计算机视觉初体验 5 1.3 知识拓展 7 第2章 基于规则的决策方法 2.1 早期决策逻辑：从“条件—动作”规则起步 9 2.1.1 技术本质与核心特征 9 2.1.2 适用场景与技术边界 9 2.2 实战 1：基于颜色规则的火焰识别（智慧消防场景） 10 2.2.1 场景需求与规则设计 10 2.2.2 使用OpenCV实现基于颜色规则的火焰识别 11 2.3 实战 2：基于路径规则的蚁群算法（物流与应急场景）14 2.3.1 需求拆解与规则设计 14 2.3.2 使用Python 模拟蚁群算法规划路径 15 2.4 早期决策方法的局限与进阶方向 19 2.4.1 基于规则决策方法的局限分析 19 2.4.2 进阶方向：超越简单的“0/1”规则 19 2.5 知识拓展 20
第3章 机器学习：让智能体从数据中“归纳规则” 3.1 机器学习赋能智能体：突破基于规则决策的局限 22 3.2 实战 1：结构化数据入门——汽车油耗预测 22 3.2.1 背景概述 22 3.2.2 汽车油耗预测 23 3.3 实战 2：实现火灾图像分类模型 28 3.3.1 背景概述 28 3.3.2 机器学习算法实现火灾识别 28 3.4 知识拓展 34 3.4.1 传统机器学习纵览 34 3.4.2 数据标准化与归一化：提升模型性能的关键预处理 36 3.4.3 更多机器学习模型探索 38
第4章 深度学习：助力智能体学习复杂特征 4.1 深度学习价值：突破传统机器学习的瓶颈 44 4.2.2 核心概念 1：张量——智能体的“数据容器”46 4.2.3 核心概念2：卷积神经网络 ——智能体的图像特征提取器 48 4.2.4 补充说明：CNN 的训练本质、核心机制与预测逻辑 54 4.3 实战：基于 CNN 的火灾图像识别全流程 56 4.3.1 数据集准备与环境配置 56 4.3.2 数据加载与预处理 57 4.3.3 复用并优化 FireCNN 模型 58 4.3.4 模型训练 59 4.3.5 训练效果可视化与模型预测 62 4.3.6 模型部署 65 4.4 知识拓展 67 4.4.1 PyTorch 进阶：NPU适配与模型量化 67 4.4.2 轻量型CNN的NPU量化适配 69 第5章 YOLO 目标检测：让智能体实现精准定位 5.1 YOLO 简介 72 5.1.1 YOLO的定义 72 5.1.2 YOLO的核心特点 72 5.1.3 YOLO 对智能体的核心价值 72 5.2 YOLO 工作原理：从图像到定位的完整流程 73 5.2.1 核心流程：一次前向传播实现“识别 +定位”73 5.2.2 三段式“协作流水线”74 5.3 实战：运用 YOLO 进行目标检测与定位 74 5.3.1 环境配置与依赖库安装 75 5.3.2 加载预训练模型，快速实现单图目标检测 75 5.3.3 使用摄像头进行实时目标检测 76 5.4 训练火灾检测模型 76 5.4.1 YOLO的数据标注 77 5.4.2 对YOLO预训练模型进行微调 79 5.4.3 验证训练后模型效果 82 5.5 知识拓展 83 5.5.1 主流场景的YOLO场景化改进 83 5.5.2 其他目标检测算法 84 5.5.3 相关前沿技术 84 第6章 Prompt 工程：开启与智能体的高效对话 6.1 大语言模型：智能体的自然语言交互 86 6.2 Prompt 基础：与大语言模型沟通的“语言逻辑” 86 6.2.1 Prompt 的定义与作用 86 6.2.2 Prompt 的基本构成 87 6.3 设计有效 Prompt 的关键原则 87 6.3.1 清晰：避免歧义，精准传达 87 6.3.2 完整：补充必要信息，避免信息缺口 88 6.3.3 简洁：去除冗余，聚焦核心 88 6.3.4 引导性：通过示例降低理解成本 88 6.4 实战：覆盖智能体核心应用场景的 Prompt设计 88 6.4.1 案例1：文本生成 89 6.4.2 案例 2：信息提取 89 6.4.3 案例 3：逻辑推理 90 6.5 Prompt 优化技巧 90 6.5.1 强化关键词，聚焦核心需求 90 6.5.2 运用思维链（CoT）引导复杂推理 91 6.5.3 多轮对话动态调整，适配上下文 92 6.5.4 加入格式校验，确保输出可用 92 6.5.5 限定角色与应用场景，提升专业性 92 6.6 知识拓展 93 6.6.1 不同大语言模型的 Prompt 适配差异 93 6.6.2 自动化 Prompt 生成工具 93 第7章 大语言模型与 RAG：智能体的知识增强与灵活应用 7.1 大语言模型的变革性价值：解决场景适配难题 95 7.2 模型预训练与微调 95 7.2.1 预训练：模型的“通用知识储备”95 7.2.2 微调：让模型适配具体场景 95 7.2.3 实操：Hugging Face加载预训练模型 96 7.3 RAG 集成：让智能体具备知识检索能力 97 7.3.1 RAG 的基本概念与核心逻辑 98 7.3.2 用LangChain构建火灾应急手册知识库 98 7.4 实战：模型微调 +RAG 升级烟火识别系统 100 7.4.1 模型微调实现场景适配 100 7.4.2 微调后的模型+ RAG协同决策效果测试 103 7.5 知识拓展 105 7.5.1 使用LangChain调用本地DeepSeek 105 7.5.2 使用API调用豆包 107 7.5.3 技术整合与学习展望 109 第8章 多模态感知融合：多维度信息融合提升智能体决策可靠性 8.1 单一视觉感知的局限 111 8.2 物理特征选择与多维度信息融合 111 8.2.1 核心物理特征选择 111 8.2.2 多维度信息融合 111 8.3 实战 1：多源感知数据对齐 112 8.4 实战 2：多维度信息融合决策 113 8.4.1 工程优先的规则决策方案 113 8.4.2 基于大语言模型的辅助决策方案 113 8.5 多模态感知融合的工程化演进方向 114 8.5.1 技术升级路径 114 8.5.2 实际应用价值 115 第9章 记忆系统与决策优化：让智能体沉淀经验、精准决策 9.1 记忆系统的核心逻辑：短期缓存与长期沉淀 117 9.1.1 短期记忆：实时数据的临时缓存 117 9.1.2 长期记忆：历史经验的持久化存储 117 9.1.3 记忆系统与决策的联动逻辑 117 9.2 实战 1：构建智能体的短期记忆机制 117 9.2.1 自定义短期记忆机制 118 9.2.2 使用LangChain构建短期记忆机制 119 9.3 实战 2：构建智能体的长期记忆机制 122 9.3.1 通过文件构建长期记忆机制 122 9.3.2 通过LangChain实现长期记忆 124 9.4 实操 3：基于记忆的决策优化 126 9.4.1 核心决策逻辑 127 9.4.2 核心代码实现 127
第10章 通信与协作：智能体的“对外交互”能力 10.1　通信的作用：实现交互与协同 131 10.1.1　MCP概述 131 10.1.2　MCP的定位与价值 131 10.1.3　MCP 核心架构 131 10.2　MCP 协议规范与本地模拟 132 10.2.1　MCP 协议格式 132 10.2.2　本地模拟 MCP 交互闭环 132 10.3　多模型MCP指令生成 135 10.3.1　前期准备 135 10.3.2　通用的 MCP 指令生成函数 135 10.3.3　多模型 MCP 指令生成 137 10.4　MCP指令与设备API对接模拟 139 10.4.1　设备 API 对接逻辑 139 10.5　进阶：ReAct 闭环与故障处理 141 10.5.1　设备故障场景的ReAct 闭环实操 142 10.6　MCP工业落地要点 145 10.7　知识拓展 146　 第11章 综合项目实战：实用智能体开发全流程 11.1 项目 1：会议纪要与任务管理智能体 149 11.1.1 技术选型与方案设计 149 11.1.2 前置准备 149 11.1.3 Jupyter完整演示代码 150 11.2 项目 2：照片智能分类与检索智能体 154 11.2.1 技术选型与方案设计 154 11.2.2 前置准备 154 11.2.3 Jupyter完整代码 155 11.3 项目 3：隧道火灾应急响应系统 158 11.3.1 技术选型与方案设计 158 11.3.2 前置准备 158 11.3.3 Jupyter完整演示代码 159 第12章 智能体开发的进阶方向 12.1 AI 技术体系的平行延伸 162 12.1.1 机器学习领域的其他技术 162 12.1.2 深度学习领域的其他技术 163 12.1.3 计算机视觉领域的其他技术 164 12.1.4 提升智能体性能的其他技术 165 12.2 智能体的跨领域落地拓展 167 12.2.1 工业制造领域 167 12.2.2 金融服务领域 167 12.2.3 医疗健康领域 168 12.2.4 智慧城市领域 169 12.2.5 科研与教育领域 169 12.3 进阶路径与探索指引 170 12.3.1 第一阶段：技术深耕 170 12.3.2 第二阶段：领域适配 170 12.3.3 第三阶段：跨域融合 171 12.4 总结：在探索中持续成长 171 附录A 搭建和使用 JupyterLab A.1 快速部署与体验 172 A.1.1 高效的学习工具：Anaconda与 Jupyter生态 172 A.1.2 安装Anaconda 172 A.2 JupyterLab 175 A.2.1 JupyterLab功能与界面 175 A.2.2 Notebook与单元格 178 附录B 智能体开发必备要点：Python 极简入门 B.1 Python 简介 181 B.1.1 为什么需要掌握Python 181 B.1.2 Python基本语法 181 B.2 变量 182 B.2.1 变量的定义与赋值逻辑 183 B.2.2 变量的命名规范与可读性设计 184 B.2.3 变量在智能体开发中的作用 184 B.3 简单函数 185 B.3.1 函数的核心概念与作用 185 B.3.2 Python 预置函数：无须定义即可直接调用 186 B.3.3 自定义函数：编写智能体专属功能模块 187 B.4 必知必会 Python 库 188 B.4.1 数值计算：NumPy 188 B.4.2 结构化数据处理：Pandas 189 B.4.3 图像基础操作：Pillow 190 B.4.4 数据可视化工具：Matplotlib 190 B.4.5 计算机视觉扩展：OpenCV 192 B.4.6 库的学习建议 192
附录C 本书代码实操避坑指南 C.1 环境配置类问题 193 C.1.1 Python 版本兼容问题 193 C.1.2 Jupyter 启动与内核问题 193 C.1.3 Anaconda 环境管理问题 194 C.1.4 Python库或模型下载超时或中断 194 C.2 代码运行类问题 195 C.2.1 文件路径错误问题 195 C.2.2 数据格式不匹配问题 195 C.2.3 权限与资源占用问题 196 C.2.4 中文显示乱码问题 197 C.3 API 调用类问题 197 C.3.1 API Key配置问题 197 C.3.2 API调用频率 / 额度限制 198 C.4 通用排查技巧 198