从零到生产的 AI Agent 开发实战教程（Python + TypeScript）
AI Agent 教程
「任务助手 Agent」长出骨架了——从第01–11章散落在各文件里的函数和字典，被抽象成 6 个有清晰边界的组件接口。本章只画图纸（定义 Protocol/ABC/interface），第13章才浇筑混凝土（实现）。 学完本章，你打开 LangChain、OpenAI Agents SDK、Pydantic AI、Mastra、Vercel AI SDK 的源码， 会发现它们底层都在做同一件事：把这 6 块拼起来。 TL;DR 30 秒速读：所有 Agent 框架的底层都是 6 个组件——AgentRunner（循环引擎）、ToolRegistry（工具注册表）、LLMClient（模型包装器）、Memory（记忆管理）、ActionParser（
AI Agent 教程
「任务助手 Agent」的骨架有了血肉——第12章画好的 6 块接口图纸， 本章浇筑成能真正跑起来的 mini Agent 框架。你会亲手实现 6 个组件类， 用依赖注入组装它们，然后运行一个"查天气 + 算温差"的多步 Agent。 没有 LangChain，没有 AutoGen，只有你自己的代码——学完后，任何框架的源码 你都能在一小时内看懂。 TL;DR 30 秒速读：把第12章的 6 个接口 Protocol/interface 逐一写成可运行的实现类，用依赖注入组装成一个完整的 mini Agent 框架，跑通"查天气 + 算温差"的多步循环。 如果只记一件事：
AI Agent 教程
「任务助手 Agent」从教学玩具走向生产可用——第13章你造的 6 大组件框架， 本章给它装上 3 个生产级特性：流式输出（用户不再盯着空白等）、 结构化输出强制（LLM 输出 100% 符合 schema）、工具参数校验 （在执行前拦截非法参数）。最后对比 OpenAI Agents SDK / Pydantic AI / Mastra 如何用更少代码完成同样的事——理解原理后，你打开任何框架源码都能 1 小时看懂。 TL;DR 30 秒速读：给第13章的 mini 框架装上流式输出、结构化输出强制、工具参数校验三个生产级特性，然后对比 OpenAI Agents SDK / Pydantic AI / Vercel AI SDK 如何用一行代码搞定你
AI Agent 教程
「任务助手 Agent」上线前最后一道关——你怎么知道你的 Agent "好不好"？ 不是靠感觉，而是靠可量化的评估。本章教你三种评估手段：行为测试 （断言 Agent 走对了流程）、LLM-as-Judge（用模型给输出打分）、回归测试 （防止升级模型后行为退化）。学完本章，你能给 Agent 建一套"体检套餐"， 每次改动都跑一遍，坏行为立即报警。 TL;DR 30 秒速读：评估 Agent 和评估模型完全不同，你需要测行为轨迹（调了哪些工具、走了什么流程），而不只是测最终输出。本章教三种手段：行为测试、LLM-as-Judge 打分、回归测试套件。 如果只记一件事：只测输出会漏掉&
AI Agent 教程
「任务助手 Agent」装上黑匣子了——第12章的 Observer 组件，本章给它接上真正的"飞行记录仪"。 你将学会用 Tracing（链路追踪） 记录每一步 LLM 调用和工具调用、用结构化日志 让机器可读、用成本追踪算清每次查询花了多少钱。学完本章，你的 Agent 不再是一个 "出了 bug 不知道为什么"的黑盒，而是一个每一步都可追溯、可复盘、可优化的透明系统。 TL;DR 30 秒速读：给 Agent 装上"飞行记录仪"——用 TraceCollector 记录每一步 LLM 调用和工具调用的树状链路，用 CostTracker 按
AI Agent 教程
「任务助手 Agent」获得了"免疫系统"——从第06章的"基础输入/输出校验"，进化为 一套纵深防御体系。一个能上线的 Agent，不是"功能够多"，而是"攻击者打不穿"。 这是 Part 6（生产化）的收官章。前面你学会了评估（第15章）和可观测（第16章）， 现在我们要回答最后一个生产化问题：当 Agent 暴露在充满恶意的真实世界，它怎么活下来？ TL;DR 30 秒速读：Agent 面临四大安全威胁（Prompt 注入、数据泄露、工具滥用、不安全输出），本章实现四道防线（注入检测、
AI Agent 教程
本表汇总教程 17 章的核心 API 和模式，A4 打印友好。 1. LLM API 调用 # OpenAI 兼容（Python） from openai import OpenAI client = OpenAI(api_key="sk-xxx") response = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": "你是任务助手"