AI Agent 教程

AI Agent 教程

AI Agent 进阶教程 — 从零到生产（Python + TypeScript）

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。

AI Agent 教程

第01章 · LLM 基础 —— 与模型对话的第一步

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？

AI Agent 教程

第02章 Prompt 工程 — 让 LLM 精准听话

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，

AI Agent 教程

第03章 工具调用（Tool Use / Function Calling）

「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

AI Agent 教程

第04章 Agent 循环（The Agent Loop）

「任务助手 Agent」获得了"自主性"——从第03章的"单轮调用工具"，进化为"多步循环调工具直到完成任务"。 这是本教程的核心概念：单轮=工具调用，多轮=Agent。 TL;DR 30 秒速读：Agent 循环就是一个 for 循环，每轮让 LLM 决定下一步行动、执行工具、把结果反馈回去，直到模型不再调用工具或达到 max_steps 上限。 如果只记一件事：永远给 Agent 循环加 max_steps 上限（建议 10 到 20），没有上限的循环是生产事故的源头，一个失控 Agent

AI Agent 教程

第05章 记忆系统（Memory Systems）

「任务助手 Agent」获得了"记忆力"——第04章的 Agent 循环每次启动都"失忆"， 本章让它能在多轮对话中记住上下文、跨会话记住用户偏好、在海量知识中检索相关信息。 TL;DR 30 秒速读：LLM 每次 API 调用完全无状态，所有"记忆"都是你在 messages 数组里手动传回去的历史，记忆系统的本质就是决定"传哪些历史、怎么传、传多少"。 如果只记一件事：对话超过 20 轮就别用纯 Buffer 了，要么用 SummaryMemory 压缩旧历史，要么用 VectorMemory 按相关性检索，否则 token

AI Agent 教程

第06章 错误处理与容错（Error Handling & Resilience）

「任务助手 Agent」获得了"韧性"——从第04章的"能跑就行"，进化为"出错也能优雅恢复"。 一个生产级 Agent 与玩具 Demo 的分水岭，不在于"功能多"，而在于出错时会发生什么。 TL;DR 30 秒速读：Agent 容错的核心是区分"可重试错误"（超时、限流）和"永久错误"（认证失败、参数错误），前者用指数退避重试，后者立即失败，工具异常则反馈给 Agent 让它自我纠正。 如果只记一件事：工具抛异常时不要崩溃，把错误信息以 role=

AI Agent 教程

第07章 ReAct 模式（Reasoning + Acting）

「任务助手 Agent」获得了"思考力"——从第04章的"隐式推理"（模型在黑盒里想），进化为"显式推理" （模型把思考过程写出来：Thought → Action → Observation）。 这是经典论文 ReAct: Synergizing Reasoning and Acting in Language Models（Yao et al., 2022）提出的核心范式， 几乎所有现代 Agent 框架的"推理轨迹"都源于此。 TL;DR 30 秒速读：ReAct 让模型在每一步行动前先写出思考过程（Thought → Action → Observation），分&

AI Agent 教程

第08章 规划模式（Plan-and-Execute、Chain-of-Thought、Reflection）

「任务助手 Agent」获得了"战略眼光"——从第07章的"边想边做"（ReAct 一步一步线性推进）， 进化为"先规划全局、再分步执行、执行完还要反思改进"。 这是让 Agent 能处理复杂、多阶段任务的关键能力。 TL;DR 30 秒速读：Plan-and-Execute 让 Agent 先把任务分解成步骤列表（用 response_format=json_object 强制结构化输出），再逐步执行，最后汇总结果；Reflection 让 Agent 审视自己的输出并改进。 如果只记一件事：用 response_format={"type&

AI Agent 教程

第09章 RAG 检索（Retrieval-Augmented Generation）

「任务助手 Agent」获得了"查资料"的能力——前几章的 Agent 只能用模型自带的知识回答， 本章让它能在外部知识库中检索相关信息，再基于检索结果生成准确的回答。 这是让 Agent 处理私有数据、最新信息的核心能力。 TL;DR 30 秒速读：RAG 通过"检索相关文档片段 → 注入 prompt → 模型基于片段回答"三步管道，让 Agent 能引用外部知识库而非凭记忆猜测；Agentic RAG 把检索变成工具，让 Agent 自主决定是否检索、检索几次。 如果只记一件事：分块策略决定检索质量——chunk_size=200-500 字符、overlap=50-100 字符是中文文档的经验值，

AI Agent 教程

第10章 多 Agent 编排（Supervisor-Worker、Handoffs、共享记忆）

「任务助手 Agent」从"孤胆英雄"变成了"团队"——不再是一个 Agent 硬扛所有事， 而是让多个专门化的 Agent 分工协作：一个当 Supervisor（调度）、几个当 Worker（干活）， 遇到超出自己能力范围的问题还能 Handoff（转交）给更专业的同事。 TL;DR 30 秒速读：多 Agent 用 Supervisor-Worker 模式分工协作（Supervisor 分派任务、Worker 执行）和 Handoff 模式转交对话（客服 → 技术专家），但最大的陷阱是"用早了"——大多数任务单

AI Agent 教程

第11章 上下文工程（Context Engineering）

Prompt 工程的进化——当 Agent 动辄调用几十次工具、跑上百步循环时，"写好一个 prompt"已经不够了。 真正决定 Agent 质量的，是你如何管理喂给模型的上下文：压缩什么、隔离什么、为每次调用分配多少 token 预算。 这就是 2025 年后兴起的「上下文工程」。 TL;DR 30 秒速读：上下文工程通过压缩（超阈值摘要旧轨迹）、子 Agent 隔离（只收回摘要不看全量轨迹）、Token 预算管理（主动控制上下文长度）三大支柱，解决长任务 Agent 的成本爆炸和质量衰退问题。 如果只记一件事：上下文窗口是"上限"不是"推荐用量"