一直以来，都很少有人把“怎么从零做出一个 AI Agent”这件事，真正整理成一套谁都能看懂、照着就能上手的完整教程。

如果你愿意花一点时间读完这篇文章，今天就有机会把自己的第一个 Agent 做出来，而且是一个真正对你有用的 Agent。因为为了“做 Agent 而做 Agent”没有意义，重点是它到底能替你解决什么问题。

所以作者做了什么？

他把来自 Anthropic、OpenAI，以及网上其他研究者和实战者的零散资料全部收拢起来，再结合自己和 Claude 一起整理的理解，拼成了一份给普通人看的完整入门课。目标很明确：不是讲概念炫技，而是让你今天就能开始做。

这篇文章很长，但结构非常清楚。为了方便你跳着读，作者把全文拆成了 8 个部分，每一部分都配了插图，你可以直接挑自己最关心的部分开始看：

1. Agent 是怎么工作的
2. 五种工作流
3. 如何搭建你的 Agent
4. 怎么使用工具
5. 怎么给 Agent 加记忆
6. 怎么让 Agent 真正在现实里跑起来
7. 多 Agent
8. 最后的收束

好，直接开始。

1：AGENT 是怎么工作的

---

这一部分很重要。你要是连这个都不知道，就根本不知道自己到底需不需要 Agent。所以先从这里讲起。

所有 Agent 共用的核心循环是这样的：

用户输入 → LLM 思考 → LLM 决定（直接回答，或者调用工具）→ 如果调用了工具：执行工具，把结果喂回去 → 重复

LLM 是负责推理的“大脑”。工具是负责干活的“双手”，比如计算器、网页搜索、文件读写。记忆则像一个“记事本”，用来记录前面发生过什么。无论你用的是 LangGraph、CrewAI、Anthropic 的 SDK，还是 OpenAI 的 Agents SDK，本质上都只是把这个循环包装得更方便而已，它们没有改变这个核心。

增强型 LLM

普通 LLM 只能吃进文本，再吐出文本。增强型 LLM 则多了三种能力：

• 工具：模型可以调用的函数，比如计算器、数据库、API、文件操作等。Anthropic 和 OpenAI 都用 JSON Schema 来描述工具；Anthropic 用的是 input_schema，OpenAI 则把函数包在带 parameters 的 function object 里。
• 检索：能从外部来源拉取相关信息，比如搜索引擎、文档、向量数据库。
• 记忆：能通过消息历史或者其他持久化存储，在多轮交互中保留信息。

工作流和真正的 Agent 有什么区别

这两者的区别，在你决定怎么做的时候非常关键。工作流是确定性的：执行顺序由你的代码控制，同样的输入总会走同样的路径。它很适合步骤固定、定义明确的任务，而且更便宜，因为 LLM 调用次数更少。Agent 则是动态的：下一步怎么做，由 LLM 自己决定，它还可能反复调用工具。它更适合开放型任务，但成本也更高。对你来说，判断要不要做 Agent，最好的起点通常不是直接上 Agent，而是先从一个简单工作流开始，看看这个东西是否真的有必要继续升级成自治 Agent。

2：五种核心工作流模式

---

信不信由你，大多数问题其实根本不需要“完全自治”的 Agent。Anthropic 文档里总结的这五种模式，已经覆盖了很多常见场景，而且现在也被广泛采用。每一种模式都依赖增强型 LLM。

模式 1：提示链（Prompt Chaining）

它是什么：把任务拆成一连串顺序步骤。每一次 LLM 调用都处理前一步的输出。步骤之间可以加程序化“关卡”来检查质量。

什么时候用：适合那些能清楚拆成固定子任务的工作。你用速度换准确率，因为每一次 LLM 调用都更简单。

例子：先生成营销文案，再把它翻译出来；先写大纲，确认关键话题都覆盖了，再写完整正文。

模式 2：路由（Routing）

它是什么：先给输入做分类，再把它送到对应的专用处理器。每个处理器都有自己专门优化过的提示词。

什么时候用：当不同类别的输入需要完全不同的处理方式时。客服分流就是最经典的例子。

模式 3：并行化（Parallelisation）

它是什么：同时发起多次 LLM 调用。Sectioning 是把任务切成互不依赖的小块并行处理；Voting 则是让同一个任务跑多次，再把结果汇总，以提高置信度。

什么时候用：当子任务彼此独立时，用 Sectioning；当你需要对关键判断做“集体表决”时，用 Voting。

模式 4：协调者-执行者（Orchestrator-workers）

它是什么：一个中心 LLM，也就是协调者，动态拆解任务，再把子任务分配给执行者 LLM。和并行化不同的是，这里的子任务不是你预先写死的，而是协调者在运行时决定。

什么时候用：适合那些你事先没法预测结构的复杂任务，比如跨多个文件的代码生成、研究任务、写报告等。

模式 5：评估者-优化者（Evaluator-optimiser）

它是什么：一个 LLM 先生成结果，另一个来评估并给反馈。如果评估不过关，反馈会回流给前者。这个循环会一直继续，直到质量达标。

什么时候用：当你有明确的评判标准，而且反复迭代确实能带来明显提升时，比如翻译、代码生成和写作任务。

3：搭建你的 Agent

---

这才是你点开这篇文章真正想看的部分。开始吧。

那到底怎么把“我想做一个能完成 XYZ 的 Agent”变成一个真正能跑的东西？

最容易理解的方法就是：

1. 把它的工作写清楚
2. 决定它需要哪些工具
3. 告诉模型该怎么表现
4. 用 5 个真实例子测试它
5. 只有在它失败时，再增加复杂度

你不需要先精通五种框架，才能做出第一个 Agent。对我和你来说，最适合入门的其实就是：

• 如果你想做一个像“能操作环境的助手”那样的 Agent，能用工具、文件、Shell 命令、网页动作，而且很适合写代码，那就选 Anthropic
• 如果你想要一个更干净的开发者 SDK，自带托管工具、任务交接、护栏，而且更容易走向生产环境，那就选 OpenAI

这篇指南主要就围绕这两个来讲。

最简单的心智模型

当你要搭建 Agent 时，先回答这四个问题：

1. 最终结果是什么？
   这个 Agent 最后到底要产出什么？

例子：

• “研究一个主题并写一份总结”
• “读取我的笔记并把它们变成抽认卡”
• “看客服请求并把它们分到正确的类别”
• “比较几个产品并告诉我最好的选择”
• “审阅我的内容并按我的语气重写”

2. 它需要什么信息？

   它需要网页搜索、文件、数据库、表格、CRM，还是只需要用户当前发来的消息？

3. 它被允许做什么动作？

   它只能回答？还是可以搜索？可以改文件？可以发邮件？可以写代码？可以调用你自己写的函数？

4. 它必须遵守哪些规则？

   包括语气、格式、约束、安全规则、不确定时怎么处理，以及什么样才算“好”。

只要你能把这四个问题答清楚，通常一天之内就能做出第一个版本的 Agent。

一个稍后会展开的速成技巧：把你的想法直接丢给 LLM，让它深度思考，然后让它替你把上面这四个问题都答出来。

在真正动手之前，先用 AI 帮你把 Agent 设计清楚

一个很实用的办法是：编码之前，先让 Claude 或 ChatGPT 帮你把 Agent 定义清楚。

你可以直接贴这样的提示词：

我想做一个 AI Agent。我的目标：[描述你想让它做什么]用户会这样提问：[写 5 个真实一点的例子]这个 Agent 应该能访问：[网页搜索 / 文件 / 计算器 / 自定义 API / 其他都不要]它必须始终：[列出不能妥协的规则]它绝不能：[列出边界]请把这些整理成：1. 一份清晰的 Agent 规格说明2. 一段 system prompt3. 一份工具清单4. 第一版路线图5. 10 个测试用例

这一个提示词，就足以帮初学者把一个模糊想法变成可以真正落地的方案。

一套适合新手的 Agent 设计公式

每次都用这个结构：

Agent = 角色 + 目标 + 工具 + 规则 + 输出格式

例子：

• 角色：加密项目研究助手
• 目标：找到准确的信息，并把它清楚总结出来
• 工具：网页搜索、文件搜索、计算器
• 规则：要给出处，不要乱猜，遇到不确定的地方要标出来
• 输出格式：总结、风险、机会、最终结论

这就是大多数实用 Agent 的地基。

先从下面这五类新手 Agent 里选一种开始：

如果你是新手，不要一上来就做多 Agent 群体系统。先从下面这五种之一开始：

1. 研究型 Agent

适合：你想让 Agent 去收集信息，再做总结。

例子：

• “研究一下脚踝扭伤最好的康复训练”
• “查一下某个加密协议的最新进展”
• “比较三台笔记本电脑”

需要：

• 网页搜索
• 如果你想让它用你的文档，再加文件搜索
• 清晰的输出格式

2. 内容型 Agent

适合：你想让 Agent 写作、改写、总结，或者转换内容形式。

例子：

• “把我的笔记整理成一封 newsletter”
• “按我的品牌语气重写这段文字”
• “总结这份会议纪要”

需要：

• 通常只要一个强一点的 system prompt
• 可选的文件访问
• 你偏好风格的示例

3. 流程型 Agent

适合：你想让 Agent 跑一个可重复的业务流程。

例子：

• “给客服工单分类”
• “把线索分配到正确类别”
• “检查表单提交内容并生成回复草稿”

需要：

• 清晰的分类
• 规则
• 有时还需要自定义工具或 API 调用

4. 个人知识 Agent

适合：你想让 Agent 只基于你的文档来回答问题。

例子：

• “只用我的 PDF 来回答”
• “搜索我的笔记并解释这个主题”
• “找出所有提到这个客户的地方”

需要：

• 文件搜索或 RAG
• 明确要求它必须基于提供的材料，不要乱发挥

5. 操作型 Agent

适合：你想让 Agent 在某个环境里真正采取动作。

例子：

• “读这些文件并修改它们”
• “上网搜索，整理结果，再保存成报告”
• “运行 Shell 命令，帮我调试代码”

需要：

• 工具
• 权限
• 强边界的安全规则

Anthropic：怎么理解“做出第一个 Agent”这件事

如果你希望模型会用工具、能在环境里操作，那 Anthropic 的 Agent 工具链会特别顺手。Claude Code 在 2025 年 2 月发布，之后 Claude Code SDK 又在 2025 年 9 月改名为 Claude Agent SDK。到 2026 年 3 月，GitHub 上列出的当前版本是 v0.1.50。

什么时候 Anthropic 是个好选择

如果你想做一个这样的 Agent，就优先选 Anthropic：

• 能读、写、改文件
• 能用 Shell 命令
• 能搜索网页
• 能使用 MCP 工具
• 很适合编码和技术任务
• 用起来像一个会一步一步操作的能干助手

你在 Anthropic 里实际上在做什么

站在入门角度，事情其实只有三步：

1. 给 Claude 一个工作
2. 给 Claude 一些工具
3. 让 Claude 循环下去，直到任务完成

就这么简单。

新手例子：一个“研究并总结”的 Agent

假设你想要的是：

“一个能帮我研究某个主题，并写出清晰报告的 Agent。”

那你的搭建方案会像这样：

• 角色：高级研究助理
• 目标：找到准确的信息，并把它清楚总结出来
• 工具：网页搜索，也许再加文件访问
• 规则：引用来源；不确定就明说；保持简洁
• 输出：要点总结 + 关键风险 + 结论

它就可以变成你的 system prompt：

SYSTEM_PROMPT ='''You are a careful research assistant.Your job is to help the user research topics accurately.Use tools when needed.Do not guess.If information is uncertain or incomplete, say so clearly.Always produce:1. Summary2. Key findings3. Risks or uncertainty4. Final conclusion'''

现在用户就可以问：

• “研究一下最新的 AI Agent SDK”
• “比较一下 Anthropic 和 OpenAI，哪个更适合新手做 Agent”
• “找 3 个强来源并总结一下”

这已经是一个真正能用的 Agent 了。

新手例子：一个基于文件的写作 Agent

也许你想做的是：

“读取我的笔记，然后按我的语气把它改写成一篇干净的文章。”

那你的设计就会变成：

• 角色：写作助手
• 目标：把粗糙笔记打磨成成稿
• 工具：文件读取，也许再加文件写入
• 规则：保留原意，提升清晰度，匹配语气
• 输出：最终文章 + 可选标题建议

这就比一个模糊的“内容型 Agent”容易做得多。

在开始做 Anthropic Agent 之前，你应该先问 AI 什么？

让 LLM 帮你把方案定义清楚：

帮我设计一个 Anthropic Agent。我的目标是：[goal]我希望这个 Agent 能够：[list actions]我希望它使用这些工具：[list tools]我希望最后输出长这样：[format]请给我：1. 一段强一点的 system prompt2. 一份最小工具清单3. 一个第一版 Python 示例4. 10 个测试提示词5. 提高可靠性的建议

通常这一个提示词，就能帮你把 80% 的工作先做出来。

OpenAI：怎么理解“做出第一个 Agent”这件事

OpenAI 在 2025 年 3 月 11 日发布了 Agents SDK，同时还发布了 Responses API 和内建工具，比如网页搜索、文件搜索、电脑操作。到 2026 年 3 月，Python 包 openai-agents 的版本是 0.13.1。

什么时候 OpenAI 是个好选择

如果你想要下面这些东西，就优先选 OpenAI：

• 一个非常干净的 Agent API
• 很容易接入自定义函数工具
• 自带托管工具
• 专家 Agent 之间的任务交接
• 护栏和追踪
• 从原型走向生产更顺的路径

你在 OpenAI 里实际上在做什么

站在入门角度，这套东西其实也只有几步：

1. 创建一个 Agent
2. 给它说明
3. 如果需要，再加工具
4. 用真实用户请求去跑它

就是这样。

新手例子：一个客服分流 Agent

假设你的目标是：

“读取传入的客服请求，然后判断它属于账单、技术，还是销售。”

那它会变成：

• 角色：客服分流助手
• 目标：正确给请求分类
• 工具：先不需要，后面也许可以接 CRM 工具
• 规则：只能选一个类别；简短解释原因
• 输出：类别 + 原因

代码大概会像这样：

from agents import Agent, Runneragent = Agent(    name="Support Triage Agent",    instructions=\"\"\"You classify customer requests.Choose exactly one category:- billing- technical- salesReply with:1. Category2. One sentence explaining why\"\"\",)result = Runner.run_sync(agent,"I was charged twice for my subscription this month.")print(result.final_output)

这已经是一个有实际用途的 Agent 了。

新手例子：加一个自定义工具

现在假设你还想让它：

“在需要的时候，帮用户做计算。”

from agents import Agent, Runner, function_tool@function_tooldefcalculate(expression:str)->str:import math    allowed ={k: v for k, v in math.__dict__.items()ifnot k.startswith("__")}returnstr(eval(expression,{"__builtins__":{}}, allowed))agent = Agent(    name="Math Helper",    instructions="Help the user solve maths problems. Use the calculator tool when needed.",    tools=[calculate],)result = Runner.run_sync(agent,"What is compound growth on 10000 at 5 percent for 8 years?")print(result.final_output)

这样一来，Agent 就不只是聊天了，它会通过工具去真正采取动作。

新手例子：使用托管工具

OpenAI Agents SDK 也支持托管工具，比如网页搜索、文件搜索和代码解释器，SDK 文档里有对应的辅助函数。对新手来说，你可以把这些理解成“预制能力”，直接挂到 Agent 上就行，不用你自己从头写。

这意味着你可以做出这样的 Agent：

• “去网上研究这个主题，再总结给我”
• “搜索我的文件，然后基于文件回答”
• “运行代码来分析这些数据”

在开始做 OpenAI Agent 之前，你应该先问 LLM 什么？

帮我设计一个 OpenAI Agent。我的目标：[goal]我想让它处理的任务：[list tasks]我觉得它需要这些工具：[list tools]输出应该长这样：[format]请给我：1. 一段清晰的 Agent 指令2. 最简单的第一版3. 如果需要工具，再给一个带工具的版本4. 10 个测试提示词5. 常见失败模式，以及怎么修

怎么把你的 Agent 真正定制成你想要的样子

这是新手最容易翻车的地方。很多人做出来的不是“具体 Agent”，而是一个泛泛的通用助手。

用这个检查清单。

1. 把工作范围缩窄

差的写法：

• “帮我处理一些业务相关的事”

好的写法：

• “把销售电话总结成行动点”
• “把线索分成热、温、冷”
• “研究加密项目，输出风险、催化因素和结论”

2. 定义输出格式

差的写法：

• “给我一个答案”

好的写法：

• “返回：总结、证据、风险、下一步”
• “返回 JSON，字段包括 category、confidence、explanation”
• “按 5 个标题输出项目符号列表”

3. 给例子

如果你在意语气、结构或者分类质量，例子会非常有帮助。

你可以直接告诉模型：

• “这里有 3 个好的输出示例”
• “这里有 5 个请求分类示例”
• “就按这个风格写”

4. 只在真的需要时再加工具

如果任务只是改写笔记，就别加网页搜索。
如果答案只应该来自提示词本身，就别加文件访问。
每多一个工具，复杂度就会上升一点。

5. 用真实提示词测试，而不是理想化提示词

要用真实用户会打出来的那种乱糟糟输入去测。

不要只测这种：

• “请分类这个技术问题”

也要测这种：

• “我的账号出故障了，而且一直在被扣费，我该怎么办？”

这才是你真正看清自己的 Agent 到底在干嘛的时候。

下面是你的搭建路径：

第 1 步：用一句话写清这个 Agent 是干什么的
例子：“我想做一个能把我的零散笔记整理成每周 newsletter 的 Agent。”

第 2 步：让 Claude 或 ChatGPT 帮你把它整理成：

• 一份 Agent 规格说明
• 一段 system prompt
• 一份工具清单
• 10 个测试提示词

第 3 步：做出最小可用版本

不要一开始就上多 Agent。
不要一开始就做复杂记忆。
除非真的需要，否则别急着上 RAG。

第 4 步：拿 10 个真实例子测试它

第 5 步：每次只改一个东西

• 提示词
• 输出结构
• 示例
• 工具
• 记忆
• 检索

这个顺序很重要。别把自己困在一大堆复杂东西里。

避免这个常见错误：

最大的错误，就是一开始就想做一个“全能超级 Agent”。

不要从下面这些开始：

• 网页搜索
• 文件搜索
• 数据库访问
• 记忆
• 多 Agent 任务交接
• 复杂护栏
• 自定义仪表盘
• 20 个工具

应该从这些开始：

• 一个工作
• 一个 Agent
• 一段清晰提示词
• 最多一两个工具
• 5 到 10 个真实测试用例

这才是最容易做成的路径，不要一开始就把自己复杂化。

这一部分的实际收获

现在你已经看完第 3 部分了。看到这里，你应该已经能说出下面这些话：

• 我知道我的 Agent 是干什么的
• 我知道它需要哪些工具
• 我知道它必须遵守什么规则
• 我知道输出应该长什么样
• 我知道该从 Anthropic 还是 OpenAI 开始
• 我知道怎么用 AI 自己来帮我设计第一版

4：怎么使用工具

---

这一点大多数人都搞错了。

他们会觉得：

“工具越多，Agent 就越聪明。”

错。

更好的工具，才会带来更聪明的 Agent。

更少的工具，通常也意味着更可靠的 Agent。

理解工具最简单的方法

工具本质上就是：

“AI 自己做不到，所以要借外部能力来做的东西。”

比如：

• 计算数字
• 搜网页
• 读你的文件
• 发邮件
• 查数据库

第 1 步：先问自己，“这件事真的需要工具吗？”

在你加任何东西之前，先问：

• 模型只靠推理能不能回答？
• 还是它真的需要现实世界的数据或动作？

例子：

不需要工具：

• “改写这封邮件”
• “总结这段文字”
• “解释这个概念”

需要工具：

• “现在天气怎么样？”
• “搜索最新新闻”
• “算一下复利”
• “从我的表格里把数据拉出来”

👉 规则：

只要它需要外部数据或实际动作，就用工具不需要，就别加

第 2 步：用 AI 帮你把工具想清楚

我正在做一个 AI Agent。我的目标：[describe goal]我觉得这个 Agent 需要完成这些事：[list actions]哪些事情需要工具？我应该做哪些工具？请尽量保持简单、够用就好。返回：1. 工具清单2. 每个工具的说明3. 每个工具需要哪些输入

这会帮你省掉很多时间。

第 3 步：保持简单，真的

坏工具：

manage_files(action,file, destination, overwrite,format, permissions)

好工具：

read_file(path)write_file(path, content)delete_file(path)

👉 规则：

一个工具，只做一件清楚的事

第 4 步：明确告诉 Agent，什么时候该用这个工具

这正是大多数人失败的地方。

差的写法：

“计算工具”

好的写法：

“只要涉及数学运算，就使用这个工具。不要靠猜。”

第 5 步：让 Agent 出错，然后把它修好

用真实测试去跑，比如：

• “what’s 2^16”
• “calculate 7% growth over 10 years”

如果它：

• 不用工具，那就改工具描述
• 工具用错了，那就改输入设计
• 产生幻觉，那就把规则写得更严格

你看到这里，应该已经明白：

• 你不需要很多工具
• 你可以用 AI 帮你设计工具
• 工具越简单，Agent 越好
• 工具说明往往比工具本身更重要

好，继续。

5：给你的 Agent 加记忆

---

很多人把这件事想得太复杂了。

你其实只需要明白这一点：

记忆只有两种

1. 短期记忆（对话记忆）

也就是：

“到目前为止，对话里说过什么”

这个你默认就已经有了。

2. 长期记忆（外部知识）

也就是：

“Agent 以后还能查到的东西”

比如：

• 你的笔记
• PDF
• 文档
• 数据库

你到底什么时候真的需要记忆？

问自己：

• Agent 需要跨消息记住事情吗？如果要，那就是短期记忆
• 它需要用外部文档吗？如果要，那就是长期记忆
• 否则，大概率你根本不需要记忆

第 1 步：先让 AI 帮你判断到底需不需要

我正在做一个 AI Agent。我的目标：[goal]这个 Agent 需要：1. 对话记忆吗？2. 外部知识（RAG）吗？如果需要，请解释为什么。如果不需要，也请解释为什么。尽量说简单一点。

第 2 步：你其实只有三种选择

选项 A：不要记忆（从这里开始）

• 对大多数新手来说，这是最好的起点
• 70% 的使用场景都能靠它解决

选项 B：对话记忆

• 大多数 SDK 本来就已经处理好了
• 只要别重置消息就行

选项 C：基于文件的记忆（简单版 RAG）

• 上传文档
• 使用文件搜索工具

第 3 步：别一上来就用过头

很常见的错误是：

• 先上向量数据库
• 再上 embeddings
• 再上复杂流水线

结果你甚至都还没搞清楚自己到底需不需要这些。

👉 规则：

如果你的 Agent 不加记忆也能正常工作，那就别加

好，到第 5 部分结束，你现在应该知道：

• 大多数 Agent 根本不需要复杂记忆
• 先从简单开始
• 只有在真的出问题时，再加记忆

6：怎么让你的 Agent 真正在现实里跑起来

---

这一部分决定了你的 Agent 最后到底会变成垃圾，还是会真的很好用。很多 Agent 之所以一塌糊涂，通常就是因为：

• 提示词写得烂
• 没有测试
• 期待不现实

所以：

第 1 步：用 AI 帮你生成测试用例

我做了一个 AI Agent，它的目标是：[goal]请生成 15 个真实一点的用户输入：- 要乱一点- 要模糊一点- 要像现实里人会打出来的话另外还要包括：- 边界情况- 容易混淆的输入- 坏输入

第 2 步：像真实用户一样测试

不要测这种：

“请对该计费请求进行分类。”

要测这种：

“搞什么鬼，我怎么又被扣钱了？”

第 3 步：每次只修一个点

当它失败时，问自己：

• 是提示词不清楚吗？
• 是输出格式太模糊吗？
• 是缺了工具吗？
• 是缺了规则吗？

第 4 步：用 AI 帮你调试 Agent

这是我的 Agent：这是我的输入：[input]这是它的输出：[output]哪里出问题了？我要怎么修？请具体一点。

第 5 步：别太早发疯式加复杂度

在下面这些东西之前，先忍住：

• 多个 Agent
• 复杂工作流
• 自动化流水线

前提是：

• 你的简单版本已经能稳定工作

看到这里，你应该已经明白：

• 测试就是一切
• AI 可以帮你调试它自己
• 在加复杂度之前，先把清晰度修好

下一部分。

7：多个 Agent

---

这一块特别容易把自己带偏。

很多人会觉得：

“Agent 越多，就越强。”

错。

先从一个 Agent开始。

永远先这样做。

只有在下面这些情况下，你才需要多个 Agent：

• 任务可以被明确拆开
• 一个 Agent 已经明显扛不住了
• 不同角色真的差异很大

真正需要多个 Agent 的情况，其实只有 3 种

1. 技能不同

比如：

• 研究 Agent
• 写作 Agent

2. 流水线很清楚

比如：

• 输入 → 分析 → 写作 → 输出

3. 权限不同

比如：

• 一个 Agent 能读数据
• 一个 Agent 能执行动作

第 1 步：先用 AI 帮你判断，到底需不需要多个 Agent

我做了一个 AI Agent。它的工作是：[describe]这应该是：1. 单个 Agent2. 多个 Agent如果是多个：- 分别是什么角色？- 为什么？尽量保持简单。

最稳妥的模式

监督者模式：

用户 → 主 Agent →（有需要时再调用其他 Agent）

不要从这些开始：

• swarm（多个代理同时跑、互相传话、互相分工，系统更像“一群代理自己协作）
• 完全自治的多 Agent 系统

这些东西非常容易坏。

第 2 步：角色保持简单

差的写法：

• “带有动态认知分层的 AI 战略 Agent”

好的写法：

• “研究 Agent”
• “写作 Agent”

第 3 步：慢慢加

先从：

• 1 个 Agent

然后最多到：

• 2 个 Agent

只有在你真的看见明确收益时，再继续往上加。

这一部分的结论是什么？

• 大多数人根本不需要多个 Agent
• 一个 Agent 加上好的工具，通常就够了
• 只有被现实逼到的时候，再加复杂度

8：给这篇文章收个尾

---

这篇指南里最重要的洞见是：Agent 在概念上其实很简单，但在落地上要求很高。那个核心循环，也就是 LLM 思考、调用工具、重复执行，50 行 Python 就能写出来。真正难的地方在于工具设计、错误处理、评估，以及你要知道什么时候更简单的模式，比如提示链、路由，会比自治 Agent 更好用。

给刚开始的人三个可以立刻执行的建议：

1. 先把最原始的 Agent 做出来。只有理解底层循环，任何框架对你来说才不会显得像魔法。你会更快定位问题，也更知道该怎么选工具。
2. 从最简单、但能跑通的模式开始。提示链能处理大多数多步骤任务。路由能处理大多数“先分类、再动作”的流程。只有在你真的需要让 LLM 自己动态决定执行路径时，再升级到自治 Agent。
3. 早点把精力花在工具设计和评估上。一个名字清楚、说明准确、错误信息结构化的工具，对 Agent 表现的提升，往往比你换模型或换框架更大。而 20 个高质量测试用例，能帮你抓到的 bug，通常比你手工瞎试一通更多。

这个领域变化非常快。MCP 在不到一年里就成了通用标准，两大主流提供方都推出了 Agent SDK，新框架更是几乎每个月都冒出来。但这篇指南里的基本面是稳定的：Agent 循环、五种工作流模式、好工具设计的原则，以及“先从简单开始”的纪律。把这些吃透，你就能应对后面冒出来的一切。

你现在已经可以开始做 Agent 了。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】