This is zhangsheng, a brand new site by zhangsheng that's just getting started. Things will be up and running here shortly, but you can subscribe in the meantime if you'd like to stay up to date and receive emails when new content is published!
一句话：从最原始的 API 调用出发，自己从零造一个 mini Agent 框架， 再切换到现代框架——学完后，无论流行什么框架你都能快速上手，知识不过时。 全程 Python + TypeScript 双语言并列，OpenAI 兼容接口可一键切换提供商。 为什么有这个教程 市面上的 Agent 教程大多有两个毛病： "先工具后原理"：上来就教你调 LangChain 的 AgentExecutor，一行代码跑起来很爽， 但出 bug 时完全不知道哪里错了。框架一旦过时，你的知识也跟着报废。 玩具示例：清一色 "Hello World Agent"，看完不会写真实的 Agent。 本教程反其道而行： 🧭 先原理后工具 先看清原理，再选择工具。 原理是不变的，工具是流动的。
目标：理解 LLM API 的核心概念，能用 Python/TypeScript 发出第一个请求并读懂返回值。 这是整个教程的地基——后续 16 章的 Agent 循环、工具调用、记忆系统全都建立在此之上。 TL;DR 30 秒速读：LLM API 就是一个 HTTP 接口，你发 messages 数组，它返回补全文本，每次调用完全独立，模型不会记住任何历史。 如果只记一件事：messages 数组里的 role（system/user/assistant）决定了"谁在说话"，system prompt 是你控制模型行为的最强杠杆。 1. LLM API 是什么？
本章是「任务助手 Agent」的第一次能力升级：从"随便聊聊"变成"精准执行任务"。 我们会用原生字符串模板（f-string / 模板字符串）手写 4 种核心 Prompt 技术， 不依赖任何第三方抽象库。 TL;DR 30 秒速读：Prompt 工程的四种核心技术是 System Prompt（定身份）、Few-shot（给示例教模式）、Chain-of-Thought（引导逐步推理）、结构化输出（强制 JSON），它们是所有 Agent 指令设计的基础。 如果只记一件事：system prompt 的优先级高于 user message，
「任务助手 Agent」获得了"手"——它能调用工具查天气、做计算、搜百科，不再只是空谈。 TL;DR 30 秒速读：LLM 本身不能执行任何代码，所谓"工具调用"是模型输出一段 JSON 指令，由你的客户端解析并执行，再把结果反馈给模型。 如果只记一件事：工具的 description 写得越清晰，模型选择工具越准确；写"处理数据"不如写"查询指定城市的当前天气，返回温度和天气状况"。 本章目标 学完本章，你将理解： 工具调用的本质：LLM 不直接执行工具，而是输出结构化指令（JSON），由客户端执行 JSON Schema