1. 从“工具”到“伙伴”AI Agent到底是什么最近和几个做产品和开发的朋友聊天发现大家提到“AI Agent”时脸上的表情都挺微妙的。有人觉得这是个大忽悠无非是把大语言模型LLM的API调用包装了一下也有人觉得这是通向通用人工智能AGI的必经之路充满了无限可能。我自己从去年开始断断续续折腾了好几个AI Agent项目从最简单的任务自动化到尝试构建有一定自主性的协作体踩了不少坑也积累了一些实在的体会。今天我就想从一个一线实践者的角度聊聊我对AI Agent的理解并带你用5分钟跑通一个最基础的代码实例看看它到底是怎么“动”起来的。首先我们得抛开那些高大上的名词说点人话。你可以把传统的AI模型比如ChatGPT的对话接口看作一个“超级工具”。你问它答你给指令它执行。但这个“工具”很被动它没有记忆除非你手动把历史对话喂给它没有目标感也不会主动去规划步骤。比如你想让它帮你订一张下周五从北京飞上海、下午出发的机票最便宜的那班。如果你直接问它大概率会给你一个搜索建议或者几家航空公司的名字然后让你自己去比价、下单。它完成的是“一次问答”而不是“一个任务”。而AI Agent的核心思想就是给这个“超级工具”装上“大脑”和“手脚”。这里的大脑指的是让LLM具备任务分解、规划、反思和利用记忆的能力手脚则是赋予它调用外部工具Tool或执行动作Action的能力比如搜索网页、读写数据库、调用某个API、操作鼠标键盘等。这样一来Agent就从一个被动的问答机变成了一个能主动思考、规划步骤、使用工具去完成复杂目标的“智能体”或“数字员工”。举个例子同样是订机票的任务一个设计良好的旅行规划Agent可能会这样工作理解目标用户想要“下周五北京到上海下午出发的最便宜机票”。规划步骤大脑LLM会规划出a) 查询航班信息b) 过滤下午时段c) 按价格排序d) 选择最便宜的选项e) 模拟或真实下单。执行与反思它调用“航班查询工具”获取数据用“过滤工具”处理时间发现“最便宜”的航班是早上6点的不符合“下午”的要求。于是它反思“用户要‘下午’和‘最便宜’但两者冲突。可能需要优先满足‘下午’再在其中找最便宜的。”然后调整计划重新执行。交付结果最终它可能返回“已为您找到下周五下午从北京飞上海的最便宜航班是XX航空的XX次价格XXX元。是否需要我为您模拟预订流程”你看这个过程不再是简单的QA而是一个包含感知理解指令、规划拆解步骤、行动调用工具、反思评估结果并调整的循环。这就是AI Agent理论中常提到的ReAct (Reasoning Acting)框架或者更经典的Sense-Plan-Act循环在AI时代的新体现。所以当你听到“AI Agent”时可以把它理解为一个由大语言模型驱动具备一定自主性能通过规划、工具使用和记忆来完成复杂任务的软件实体。它不是一个具体的算法而是一套架构和设计模式。这也是为什么在热搜词里你会看到“AI Agent 架构”、“Harness基础设施层”这样的词。Harness这类框架做的就是提供任务调度、记忆管理、工具集成等“基础设施”让开发者能更专注于Agent本身的“推理逻辑”。2. 拆解核心原理Agent是如何“思考”与“行动”的理解了Agent是什么我们再来看看它到底是怎么工作的。市面上很多文章会把Agent的原理讲得很玄乎但其实核心组件就那几个。我结合自己的实践把它们拆解成四个你可以直接触摸到的部分大脑LLM、规划器Planner、工具集Tools和记忆体Memory。它们之间的关系有点像是一个项目团队。2.1 大脑大语言模型的核心作用与局限LLM是Agent的“大脑”负责所有的自然语言理解和生成以及最关键的——推理。但这里有个巨大的误区很多人以为LLM自己就能完美规划。实际上LLM在复杂规划上非常容易“翻车”。它擅长的是根据给定的上下文生成合理的“下一步”文本。比如你问它“如何做番茄炒蛋”它能流利地说出步骤。但如果你让它为一个从未见过的、动态变化的环境比如一个实时变化的数据库做多步规划它很容易陷入循环、遗漏步骤或产生不合逻辑的动作序列。因此在Agent架构中我们通常不会让LLM一次性输出整个复杂计划。而是通过系统提示词System Prompt严格约束它的输出格式让它只做“单步推理”。例如提示词会要求LLM必须以固定的JSON格式输出包含thought思考过程、action要执行的动作名称、action_input动作的输入参数。这样LLM的工作就变成了根据当前状态记忆、目标、上一步结果“思考”下一步最应该做什么然后“声明”要调用哪个工具以及传入什么参数。注意LLM的“思考”本质上是基于概率的文本生成。thought字段的内容是生成给“我们”开发者或下一个模块看的用于解释其决策逻辑便于调试和追溯。LLM本身并不真正“理解”这个思考过程。2.2 规划与执行ReAct模式的实际运转这就是热搜词里“ReAct”框架的实战体现。我们用一个简单的“计算器Agent”来模拟这个过程它的目标是回答“3的4次方是多少”初始状态目标 “计算3的4次方”。记忆 空。可用工具 Calculator计算器。第一步ReasonLLM接收提示词“你是一个数学助手。你有计算器工具。当前目标计算3的4次方。请思考并输出JSON。” LLM可能输出{ thought: 用户需要计算3的4次方。这是一个幂运算。我应该使用计算器工具输入底数3和指数4。, action: Calculator, action_input: {base: 3, exponent: 4} }第一步ActAgent框架解析这个JSON发现action是Calculator于是去工具集中找到对应的函数传入参数{base: 3, exponent: 4}并执行。函数计算3**4得到结果81。第二步Reason框架将上一步的结果Observation: 81和原始目标一起再次喂给LLM。提示词变为“...上一步结果81。目标计算3的4次方。请继续思考。” LLM收到结果后可能输出{ thought: 我已经通过计算器得到了结果81。用户的目标是获取这个答案所以我的任务完成了应该将最终答案返回给用户。, action: Final Answer, action_input: 3的4次方等于81。 }结束框架识别到action是Final Answer于是将action_input的内容返回给用户任务结束。这个过程就是一个典型的规划-执行-观察-再规划的循环。LLM每次只规划一步根据执行结果的反馈来决定下一步这大大降低了单次规划的难度也使得Agent能适应动态环境。2.3 记忆短期、长期与向量检索记忆是Agent实现连续对话和持续学习的关键。它通常分为几种短期记忆/对话历史就是普通的聊天记录保存当前会话的上下文让LLM知道刚才聊了什么。长期记忆存储超越本次对话的重要信息比如用户的个人偏好、Agent之前学到的知识等。这通常需要一个外部数据库如SQLite、PostgreSQL。向量记忆这是处理大量文本知识的核心。当你有几百页的产品文档或公司知识库时不可能全部塞进LLM的上下文窗口。这时你需要将文档切块通过嵌入模型Embedding Model转换成向量存入向量数据库如Chroma、Pinecone。当用户提问时将问题也转换成向量在数据库中进行相似度搜索找出最相关的几段文本作为上下文喂给LLM。这就是RAG检索增强生成在Agent中的典型应用。在简单的Agent里你可能只需要短期记忆。但一旦涉及个性化服务或复杂知识问答长期记忆和向量检索就必不可少。2.4 工具Agent的“手脚”扩展工具是Agent能力边界扩展的核心。一个只能聊天的Agent和一个能操作现实世界软件的Agent价值天差地别。工具本质上是一个个函数LLM通过描述Function Description来知道它们的存在和用法。 例如你给get_weather工具的描述可能是“get_weather(city: str) - str: 获取指定城市的当前天气信息。” LLM在规划时就会知道在需要天气信息时可以调用这个工具并生成正确的参数格式。工具集可以非常丰富网络搜索让Agent能获取实时信息打破LLM的知识截止日期限制。文件操作读写本地文件处理Excel、Word文档。API调用连接企业内部系统如CRM、ERP。代码执行在安全沙箱中运行代码进行数学计算或数据处理。软硬件控制通过脚本控制鼠标、键盘甚至与物联网设备交互需极高安全性考量。一个重要的实践心得工具的描述质量直接决定LLM调用的准确率。描述必须清晰、无歧义包含参数类型、返回值和典型使用示例。模糊的描述会导致LLM错误调用或参数错误。3. 5分钟实战用LangChain构建你的第一个Agent理论说了这么多不动手永远觉得隔层纱。我们不用任何复杂框架就用目前最流行的LangChain库来快速构建一个能进行网络搜索的Agent。LangChain封装了很多Agent相关的复杂逻辑让我们能专注于设计。3.1 环境准备与依赖安装首先确保你的Python环境是3.8以上。我们新建一个项目目录并安装必要的包。这里的关键是langchain和langchain-openai用于连接OpenAI的LLM。我们还需要duckduckgo-search来提供一个免费的搜索工具。打开你的终端或命令行执行以下命令# 创建并进入项目目录 mkdir my_first_agent cd my_first_agent # 创建虚拟环境推荐避免包冲突 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 安装核心依赖 pip install langchain langchain-openai duckduckgo-search安装完成后你需要一个OpenAI的API密钥。如果你还没有需要去OpenAI平台注册获取。请注意保管你的密钥不要直接写在代码里提交到公开仓库。3.2 编写第一个搜索Agent代码接下来我们创建一个名为simple_agent.py的文件并写入以下代码。我会逐段解释# simple_agent.py import os from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain_community.tools import DuckDuckGoSearchRun from langchain.prompts import PromptTemplate # 1. 设置OpenAI API密钥请替换成你的真实密钥 os.environ[OPENAI_API_KEY] 你的-api-key-here # 2. 初始化大语言模型大脑 # 我们使用GPT-3.5 Turbo性价比高适合实验。temperature调低使输出更稳定。 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) # 3. 创建工具手脚 # 使用DuckDuckGoSearchRun作为搜索工具 search_tool DuckDuckGoSearchRun() # 将工具包装成LangChain的Tool对象并给出清晰的描述。 # 描述至关重要它告诉LLM这个工具能干什么。 tools [ Tool( nameSearch, funcsearch_tool.run, descriptionuseful for when you need to answer questions about current events or latest information. Input should be a search query string. ) ] # 4. 创建ReAct风格的提示词模板 # 这个模板定义了Agent的思考格式。LangChain有内置的但我们自定义一个更清晰。 prompt_template Answer the following questions as best you can. You have access to the following tools: {tools} Use the following format: Question: the input question you must answer Thought: you should always think about what to do Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action ... (this Thought/Action/Action Input/Observation can repeat N times) Thought: I now know the final answer Final Answer: the final answer to the original input question Begin! Question: {input} Thought:{agent_scratchpad} prompt PromptTemplate.from_template(prompt_template) # 5. 创建Agent和执行器 # create_react_agent 将LLM、提示词和工具组合成一个ReAct智能体 agent create_react_agent(llm, tools, prompt) # AgentExecutor 负责运行循环调用Agent获取下一步动作 - 执行工具 - 将结果返回给Agent agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) # 6. 运行Agent if __name__ __main__: # 尝试问一个需要最新信息的问题 question 2024年巴黎奥运会中国代表团获得了多少枚金牌 print(f用户提问: {question}) print(- * 50) try: result agent_executor.invoke({input: question}) print(\n *50) print(f最终答案: {result[output]}) except Exception as e: print(f运行出错: {e})3.3 代码逐行解析与运行效果现在我们来拆解一下这段代码的关键部分模型初始化我们选择了gpt-3.5-turbo对于入门和简单任务完全够用且成本低。temperature0使得输出确定性更高适合需要稳定执行动作的Agent场景。工具定义我们只定义了一个Search工具。description字段写得非常具体“当需要回答关于当前事件或最新信息的问题时有用。输入应该是一个搜索查询字符串。” 这能极大帮助LLM判断何时该使用它。提示词工程这是Agent的“宪法”。我们明确规定了输出的格式Thought/Action/Action Input/Observation强制LLM进行结构化的逐步推理。{agent_scratchpad}是一个占位符执行器会自动将之前的“思考-行动-观察”历史填充进去形成连贯的推理链。执行器与Verbose模式AgentExecutor是引擎。设置verboseTrue是为了让我们能看到Agent内部的思考过程这对于调试和理解其行为至关重要。handle_parsing_errorsTrue能避免因LLM输出格式偶尔不符合预期而导致程序崩溃它会尝试让LLM重试或修正。运行它在终端中执行python simple_agent.py你会看到类似如下的输出具体搜索结果会因时间而变化用户提问: 2024年巴黎奥运会中国代表团获得了多少枚金牌 -------------------------------------------------- Entering new AgentExecutor chain... Thought: 用户问的是2024年巴黎奥运会中国代表团的金牌数。这是一个关于当前体育赛事结果的问题我需要最新的信息。我应该使用搜索工具来查找。 Action: Search Action Input: 2024巴黎奥运会 中国 金牌数 Observation: 2024年巴黎奥运会尚未举行。最近一届夏季奥运会是2020年东京奥运会于2021年举办。在2020年东京奥运会上中国代表团获得了38枚金牌。下一届夏季奥运会将是2024年巴黎奥运会计划于2024年7月26日至8月11日举行。 Thought: 我搜索后发现2024年巴黎奥运会还没开始所以目前没有金牌数。用户可能记错了年份或者想知道的是上一届的信息。我需要澄清这一点并提供已知的最近一届奥运会的信息。 Final Answer: 2024年巴黎奥运会尚未举行计划于2024年7月26日至8月11日举办因此目前没有金牌数。最近一届夏季奥运会是2020年东京奥运会中国代表团在那届奥运会上获得了38枚金牌。 Finished chain. 最终答案: 2024年巴黎奥运会尚未举行计划于2024年7月26日至8月11日举办因此目前没有金牌数。最近一届夏季奥运会是2020年东京奥运会中国代表团在那届奥运会上获得了38枚金牌。看到了吗Agent并没有直接回答“多少枚”因为它通过搜索发现了一个事实错误2024年奥运会还没开于是它主动纠正了问题并提供了它能找到的最相关的、正确的信息。这展示了Agent结合工具搜索和推理判断时间逻辑的能力远胜于一个单纯的聊天机器人。3.4 可能遇到的问题与调试技巧第一次运行你可能会遇到一些常见问题网络连接超时DuckDuckGoSearchRun在国内网络环境下可能不稳定。如果频繁超时可以考虑使用其他搜索API如Serper API有免费额度或Bing Search API它们的封装在langchain_community.tools里也有。API密钥错误确保OPENAI_API_KEY设置正确并且账户有余额。LLM不按格式输出虽然我们设置了temperature0和清晰的提示词但LLM偶尔还是会“抽风”输出非JSON或不符合格式的文本。handle_parsing_errorsTrue会尝试处理。如果问题频繁可以尝试换用更新的模型如gpt-4或者进一步优化提示词在格式描述上更加强硬。工具调用错误如果LLM生成的action_input参数格式不对工具函数会报错。这时需要检查工具的description是否足够清晰或者考虑在工具函数内部增加更健壮的参数校验和错误处理。一个实用的调试技巧当Agent行为不符合预期时第一件事就是把verboseTrue打开仔细阅读Thought思考部分。这能让你直观地看到LLM的“心路历程”判断问题是出在规划、工具选择还是参数生成上。4. 超越Hello WorldAgent设计中的关键考量与进阶方向跑通第一个Agent让人兴奋但真实的Agent项目要复杂得多。从“玩具”到“工具”你需要考虑以下几个关键问题这也是区分初级和进阶开发者的地方。4.1 工具设计的艺术描述、安全与组合工具是Agent能力的基石设计好坏直接决定Agent的智商上限。精准的描述如前所述工具描述要像API文档一样清晰。除了功能最好注明使用场景和限制。例如“search_company_internal_wiki(query: str) - str: 在公司内部维基百科中搜索信息。仅适用于查询产品规格、历史项目文档等内部知识。对于时事新闻或外部数据无效。”安全性是第一生命线这是最容易被忽视也最危险的部分。绝对不要让Agent拥有不受限制的文件删除、数据库DROP TABLE、或执行任意系统命令的能力。必须遵循最小权限原则。沙箱环境对于代码执行类工具必须在安全的沙箱如Docker容器中运行。输入验证与净化对所有来自LLM的输入参数进行严格的验证和转义防止注入攻击。人工审核环对于高风险操作如发送邮件、支付、修改生产数据设计“人工确认”环节Agent生成操作草案经用户确认后再执行。工具的组合与编排复杂的任务需要多个工具协同。例如“帮我分析上个月销售额下降的原因”可能需要1)query_database获取销售数据2)run_python_script进行数据清洗和可视化3)search_internal_docs查找同期市场活动记录4)generate_report生成分析摘要。这要求Agent具备更强的规划能力和状态管理能力。4.2 规划能力的提升从ReAct到更复杂的框架基础的ReAct对于线性任务很好但对于需要回溯、尝试不同策略的复杂问题就显得力不从心。这时需要考虑更高级的规划策略子目标分解让Agent先将大目标拆解成清晰的、有序的子目标再逐个击破。这可以通过在提示词中明确要求“先制定计划”来实现或者使用专门的“规划模块”。反思与重规划当行动失败或结果不理想时让Agent有能力回顾整个执行过程分析失败原因并调整计划。这可以通过在循环中引入一个“反思步骤”来实现让LLM评估当前结果与目标的差距并决定是继续、重试还是改变策略。多智能体协作这是非常前沿的方向。你可以创建多个具有不同专长的Agent一个负责搜索一个负责数据分析一个负责撰写报告让它们通过一个“协调者”或彼此通信来共同完成任务。这能解决单一Agent能力瓶颈的问题但也带来了通信、冲突消解等新的复杂性。4.3 记忆系统的工程化实现简单的对话历史存储在内存里重启就没了。生产级的Agent需要持久化、结构化的记忆。记忆的存储与检索你需要设计数据库表结构来存储记忆。每条记忆可能包含ID、会话ID、用户ID、记忆内容、类型事实/偏好/经历、时间戳、嵌入向量等。记忆的摘要与压缩长时间的对话会产生海量历史不可能全部塞进LLM上下文。一个常见技巧是增量摘要在对话过程中定期让LLM对之前的对话历史进行摘要用摘要代替原始文本作为“长期记忆”保存而只保留最近几条原始对话作为“短期记忆”。记忆的相关性检索当新问题到来时如何从海量长期记忆中快速找到最相关的部分这就是向量数据库的用武之地。将记忆的文本内容通过嵌入模型向量化后存储检索时用问题的向量去查找最相似的记忆片段。这里的关键在于分块策略和检索策略如MMR最大边际相关性兼顾相关性与多样性。4.4 评估与监控你的Agent真的可靠吗开发完Agent不能只是简单测试几个问题就上线。你需要一套评估体系。评估指标任务完成率给定100个标准任务有多少个被成功完成了步骤效率完成一个任务平均需要多少步Thought-Action循环步数越少通常意味着规划越高效。工具调用准确率LLM选择正确工具、生成正确参数的频率有多高人工评分邀请真实用户或评估员对Agent输出的结果进行质量评分1-5分。监控与日志在生产环境必须记录Agent的完整执行轨迹包括每一步的Thought、Action、Observation。这不仅是调试和优化提示词、工具描述的依据也是排查责任、审计AI行为的必要手段。你需要监控API调用成本、执行耗时、错误率等关键运营指标。5. 从入门到项目构建一个实用Agent的完整路线图如果你已经跑通了第一个Agent并对其原理有了基本认识接下来可能会问我想做一个真正有用的东西该从哪里开始下面是一个我总结的、循序渐进的实践路线图。5.1 阶段一深化基础与单任务自动化不要一开始就想着做“全能助理”。选择一个你日常工作中重复性高、规则相对明确的单一痛点任务作为起点。示例项目1智能邮件分类与摘要Agent目标自动阅读收件箱将邮件分类如“重要待处理”、“会议邀请”、“订阅新闻”并为重要邮件生成一句话摘要。技术栈LangChain OpenAI API 邮箱IMAP/SMTP工具如imaplib,smtplib封装成Tool。核心挑战邮件内容格式解析、分类提示词设计、摘要的准确性、安全处理账号密码。收获你会深入实践工具集成、提示词工程、以及处理非结构化数据。示例项目2技术文档问答Agent目标基于你团队的技术文档Markdown/PDF回答内部同事的技术问题。技术栈LangChain 本地嵌入模型如BAAI/bge-small-zh 向量数据库Chroma OpenAI API。核心挑战文档的切分与清洗、嵌入模型的选择与调优、检索策略如何找到最相关的文档片段、防止幻觉让答案严格基于检索到的文档。收获这是学习RAG的绝佳项目你会掌握构建知识库AI应用的核心流程。5.2 阶段二多工具协作与复杂工作流当单一任务Agent稳定后尝试将多个工具串联起来处理需要多步决策的任务。示例项目市场调研报告生成Agent目标给定一个产品名称自动搜索其市场信息、竞品分析、用户评价并生成一份结构化报告。工作流搜索信息调用搜索工具获取产品官网、新闻、评测文章。竞品分析从搜索结果中提取竞品名称并行搜索竞品信息。情感分析调用情感分析API或本地模型分析用户评价的正负面。数据整理将收集到的文本信息通过LLM提取关键数据点如价格、功能、优缺点并整理成表格。报告撰写根据模板和整理好的数据生成完整的Markdown或Word格式报告。核心挑战工作流的状态管理上一步的结果如何传递给下一步、错误处理某一步搜索失败怎么办、信息整合与去重。收获你将学会设计Agent的规划逻辑并可能引入轻量级的编排框架如使用LangChain的SequentialChain或更灵活的StateGraph。5.3 阶段三引入长期记忆与个性化让Agent记住“你是谁”提供个性化服务。示例项目个人学习伙伴Agent目标记录你读过的文章、学过的概念、问过的问题在你后续学习时提供个性化的复习提醒和知识关联。实现记忆存储每当你让Agent阅读一篇新文章它自动提取文章核心概念、摘要并连同原文链接存入向量数据库和关系型数据库。记忆检索当你提出新问题时Agent不仅搜索通用知识还会优先检索与你个人历史学习记录最相关的内容。主动交互Agent可以定期比如每周主动生成一份“学习周报”回顾你本周接触的核心概念并提问测试。核心挑战个人数据的隐私与安全、记忆的准确提取避免存储错误信息、设计有意义的主动交互触发机制。收获深入实践多模态记忆系统向量关系型并思考AI与人的长期关系模式。5.4 避坑指南我趟过的那些“河”最后分享几个我实践中总结的、血泪换来的经验希望能帮你少走弯路成本控制是紧箍咒OpenAI的API调用是按Token收费的。Agent的每一步思考、每一次工具调用结果的回传都在消耗Token。一个复杂的多步任务成本可能轻松突破1美元。在开发阶段务必记录每次调用的Token消耗并设置预算警报。考虑对非核心任务使用更便宜的模型如gpt-3.5-turbo或者对历史对话进行有效的压缩和摘要以减少上下文长度。可靠性远比你想象的差即使使用了temperature0LLM的输出仍然存在不可预测性。它可能突然不遵循你设定的输出格式可能误解工具的描述可能陷入无意义的思考循环。你的代码必须有完善的错误处理和重试机制。对于关键任务设计“降级方案”比如当Agent连续失败N次后转交给人工处理或提供一个简化的备选方案。提示词是“玄学”更是工程提示词的质量对Agent表现有决定性影响。不要只写一次就完事。要系统性地进行提示词迭代A/B测试不同版本的提示词用一批标准问题验证效果根据失败案例不断优化。将效果最好的提示词版本化、文档化。从“模拟”到“真实”的鸿沟在Demo里Agent调用搜索工具返回完美结果。但在真实环境工具可能超时、返回错误格式、或者API限流。你必须为每个工具编写健壮的容错代码并让Agent能处理这些“意外观察”。例如当搜索返回“网络错误”时提示词应教导LLM理解这个错误并可能尝试重试或换用备用工具。安全与伦理的达摩克利斯之剑再次强调永远不要赋予Agent不受限制的权限。仔细审查每一个工具可能被滥用的方式。考虑在Agent的输出层加入内容过滤防止其生成有害或不适当的内容。对于企业应用明确AI生成内容的免责声明和人工审核流程。AI Agent的世界充满了可能性但也布满了陷阱。它不是一个可以一键部署的魔法黑盒而是一个需要精心设计、反复调试、持续优化的复杂系统。最好的学习方式就是像我们今天这样从一个最简单的搜索Agent开始亲手让它运行起来然后不断地问自己“如果我想让它做XXX我该怎么做” 在这个过程中你会遇到无数问题而每一个问题的解决都会让你对“智能”的本质有更深一层的理解。