fuchencong

Gateway API 是一个官方 Kubernetes 项目，专注于 Kubernetes 中的 L4 和 L7 路由。该项目代表了下一代 Kubernetes Ingress、负载均衡和服务网格 API。从一开始，它就被设计为通用的、表达能力强的且面向角色的。这篇文章我们将学习如何在 k8s 环境中使用 Gateway API。

这篇文章我们继续在之前部署的 Kind k8s 环境 中使用 Ingress，以学习熟悉 k8s 的 Ingress 特性。

上篇文章我们已经 Kind 搭建了 k8s 环境，并且测试了 ClusterIP 和 NodePort 类型的 Service，这篇文章我们继续探索 k8s 中的 LoadBalancer 类型的 Service，之后我们还会简单介绍一下 k8s 的 ExternalName Service 和 Headless Service。

这篇文章将学习如何使用 Kind（Kubernetes IN Docker）来搭建一个本地 k8s 环境，其实之前在配置 cilium 环境的时候就使用过 Kind，而这篇文章我们将会更详细地学习 Kind 的使用，并在此基础上搭建一个完整的 k8s 环境。

这篇文章我们将开始学习 AgentSope 最核心的功能，即 ReActAgent，它为开发者提供了开箱即用的、ReAct 架构的（Reasoning + Acting）模式的智能体。

从本篇文章开始，我们将正式深入剖析 AgentScope 框架中 Agent 模块的核心实现源码，首先聚焦于 Agent 底层的基础设计，逐一解析 StateModule、_AgentMeta 元类与 AgentBase 基类等关键组件。

这篇文章我们继续学习 AgentScope 的源码，主要聚焦于 AgentScope Plan 与 Trace 两个组件的实现。Plan 组件为 Agent 提供了将复杂任务分解为一系列子任务的能力，而 Trace 组件则用于追踪和记录 Agent 的执行过程，属于 AgentScope 框架的基础设施。

这篇文章我们继续学习 AgentScope 的源码，主要聚焦于 AgentScope 的知识库实现。知识库就像是 AI Agent 的 离线图书馆，可以为 Agent 提供各种专业/领域知识，让 Agent 能够突破预训练数据的限制，在处理专业任务时 有据可依。因此 AgentScope 提供了内置的 RAG（Retrieval-Augmented Generation）实现，为 Agent 可靠执行复杂任务提供支撑。

在前两篇文章中，我们深入剖析了 AgentScope 的工具系统，这相当于为 Agent 构建了强健的 手脚，使其具备了影响物理世界的能力。然而，要让这些肢体协调运作，还需一个智慧的 大脑 来坐镇指挥。从本篇开始，我们将重点探讨 AgentScope 如何构建一套通用的适配层，以支持来自不同 Provider（供应商）的各类大模型。

上一篇文章对 AgentScope 工具调用功能的核心类 Toolkit 类做了较为深入的分析，这篇文章我们继续分析 AgentScope 工具能力的另外几个特性，包括 MCP 工具、Agent Skills。