企业官网建设流程全解析

本文将带你从零开始，通过5个核心步骤，教你如何构建一个对自己有用的Agent。文章首先强调Agent只有在服务真实问题时才有价值，接着介绍了Agent的核心工作循环和五种核心工作流模式，包括提示链、路由、并行化、编排器-工作者和评估器-优化器。随后，详细讲解了如何构建Agent，包括明确目标结果、所需信息、允许动作和必须遵守的规则，并推荐使用Anthropic或OpenAI框架进行开发。此外，文章还重点讨论了工具的使用、记忆的设计以及如何让Agent在真实场景中稳定运行。最后，总结了构建Agent的关键原则，并给出了三个可执行的入门建议，帮助初学者快速上手大模型Agent开发。

如果你愿意，读完这篇文章，今天就可以做出一个对自己有用的 Agent。

但有一件事需要先说清楚：

为了“做 Agent 而做 Agent”没有意义，Agent 只有在服务一个真实问题时，才有价值。

所以，这篇文章不打算教你“概念”

读完这篇文章，你应该能做出自己的第一个 Agent，并且知道什么时候该保持简单，什么时候才值得加复杂度。

1. Agent 如何工作

先理解这些基础很重要。否则你根本不知道自己到底需不需要 Agent。

所有 Agent 都共享一个核心循环：

用户输入 → LLM 思考 → LLM 决定是直接回答还是调用工具 → 如果调用工具，就执行工具并把结果喂回模型 → 重复这个过程

这就是 Agent 的基本骨架。LLM 是负责推理的“大脑”；工具是负责执行动作的“手”，比如计算器、网页搜索、文件读写；记忆则像“记事本”，记录到目前为止发生了什么。

无论你用 LangGraph、CrewAI、Anthropic SDK，还是 OpenAI Agents SDK，这些框架都是在这个循环外面包了一层抽象，并没有改变它的本质。

增强型 LLM

普通 LLM 接收文本，再输出文本。增强型 LLM 则额外具备三种能力：

• • 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 都通过 JSON schema 暴露工具；Anthropic 使用input_schema，OpenAI 则把函数包装成带parameters的 function object。
• • 检索：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：通过消息历史或其他持久化存储，在多轮交互中保留信息。

工作流与真正的 Agent

选择方案时，工作流和 Agent 的区别非常重要。

工作流是确定性的。执行路径由你的代码控制，同样的输入总会走同样的路径。它适合步骤固定、定义清楚的任务，而且成本更低，因为 LLM 调用次数更少。

Agent 是动态的。下一步由 LLM 决定，它可能反复调用工具。它更适合开放式任务，但成本也更高。

所以判断自己是否需要 Agent，最好从一个简单工作流开始。只有当你发现固定流程不够用时，再把它升级成自主 Agent。

2. 五种核心工作流模式

说实话，大多数问题其实并不需要“完全自主”的 Agent 才能解决。

下面这五种模式，Anthropic 已经系统总结过，也被广泛采用，基本覆盖了很多常见场景。

每一种模式的基础，都是一个 增强型 LLM。

模式 1：Prompt Chaining（提示链）

把一个任务拆成连续步骤。每一次 LLM 调用，都处理上一步的输出。可以在步骤之间加入程序化的“关卡”，用来检查质量。

适用场景：任务能自然拆成固定子任务。它用速度换准确性，因为每一次 LLM 调用都更简单。

例子：先生成营销文案，再翻译；先写大纲，检查是否覆盖关键主题，再写完整文档。

模式 2：Routing（路由）

先对输入分类，再路由到专门的处理器。每个处理器都有自己的优化 Prompt。

适用场景：不同输入类别需要完全不同的处理方式。典型例子是客服工单分流。

模式 3：Parallelisation（并行化）

同时运行多个 LLM 调用。Sectioning 会把任务拆成相互独立的子任务并行处理；Voting 则会让多个模型或多次调用处理同一个任务，再聚合结果，提高关键判断的置信度。

适用场景：子任务彼此独立，或者你需要对关键决策形成共识。

模式 4：Orchestrator-workers（编排器-工作者）

一个中心 LLM，也就是编排器（orchestrator），动态拆解任务并把子任务交给工作者模型（worker LLM）。和并行化不同，这里的子任务不是预先定义好的，而是编排器在运行时决定的。

适用场景：任务结构事先无法预测。比如跨多个文件生成代码、做研究任务、写报告。

模式 5：Evaluator-optimiser（评估器-优化器）

一个 LLM 负责生成输出，另一个 LLM 负责评估并给反馈。如果评估不通过，反馈会回到生成环节。这个循环会一直重复，直到满足质量标准。

适用场景：评估标准清楚，而且迭代优化能带来明显收益，比如翻译、代码生成和写作任务。

3. 构建你的 Agent

这就是你真正想看的部分。我们开始。

怎样把“我想让 Agent 做 XYZ”变成真实可运行的东西？

最简单的理解方式是：

1. 1. 写下它的工作
2. 2. 决定它需要哪些工具
3. 3. 告诉模型应该如何表现
4. 4. 用 5 个真实例子测试它
5. 5. 只有当它失败时，才增加复杂度

构建第一个 Agent，不需要先掌握五个框架。对我和你来说，最好的起点通常是：

• • Anthropic：如果你想要一个像“能干的操作员”一样工作的 Agent，能使用工具、文件、shell 命令、网页动作，并且擅长编码工作流。
• • OpenAI：如果你想要一个干净的开发者 SDK，带托管工具（hosted tools）、handoffs、护栏（guardrails），并且有通往生产环境的简单路径。

这篇指南主要关注这两个方向。

最简单的心智模型

构建 Agent 时，先回答四个问题：

1. 1. 目标结果是什么？

Agent 最终应该产出什么？

例子：

• • “研究一个主题并写摘要”
• • “阅读我的笔记并转成闪卡”
• • “查看客服请求并正确分流”
• • “比较产品并给出最佳选择”
• • “审阅我的内容，并按我的语气重写”

1. 2. 它需要哪些信息？

它需要网页搜索、文件、数据库、电子表格、CRM，还是只需要用户消息？

1. 3. 它被允许采取哪些动作？

它只能回答吗？可以搜索吗？可以编辑文件吗？可以发邮件吗？可以写代码吗？可以调用你的自定义函数吗？

1. 4. 它必须遵守哪些规则？

语气、格式、约束、安全边界、不确定时怎么做，以及“好结果”长什么样。

只要你能清楚回答这四个问题，通常一天内就能做出第一个版本。

一个很快能用起来的小技巧是：把你的想法交给 LLM，让它认真思考，并替你回答上面这些问题。

换句话说，你可以先让模型帮你把目标、工具、规则和测试案例拆出来，再开始写代码。

先用 AI 设计 Agent，再动手构建

一个非常实用的做法是：在编码之前，先让 Claude 或 ChatGPT 帮你定义 Agent。

可以直接粘贴这样的 Prompt：

I want to build an AI agent.My goal:[描述你希望他做什么]The user will ask things like:[添加5个真实实例]The agent should have access to:[网页搜索 / 文件 / 计算器 / 自定义 API / 不使用其他任何工具]It must always:[列出不可妥协的规则]It must never:[列出边界（范围）]Please turn this into:1. A clear agent spec2. A system prompt3. A tool list4. A first version roadmap5. 10 test cases

这一个 Prompt 就能帮初学者把模糊想法变成可构建计划。

Agent 设计的入门公式

每次都使用这个结构：

Agent = Role + Goal + Tools + Rules + Output format

例子：

• • Role：加密项目研究助手
• • Goal：找到准确信息，并清晰总结
• • Tools：网页搜索、文件搜索、计算器
• • Rules：引用来源、不猜测、标注不确定性
• • Output format：摘要、风险、机会、最终判断

这就是大多数有用 Agent 的基础。

从这五类入门 Agent 开始

如果你是新手，不要一上来就做 multi-agent swarm。先从下面五类中的一种开始。

1. 1. 研究 Agent

适合需要 Agent 收集信息并总结的场景。

例子：

• • “研究踝关节扭伤最好的康复训练”
• • “查找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
• • 如果要使用你自己的文档，则需要文件搜索
• • 清晰的输出格式

1. 2. 内容 Agent

适合写作、重写、总结或转换内容。

例子：

• • “把我的笔记变成简报”
• • “按我的品牌语气重写这段”
• • “总结这份会议纪要”

需要：

• • 通常只需要一个强 system prompt
• • 可选的文件访问
• • 你偏好风格的示例

1. 3. 工作流 Agent

适合让 Agent 执行可重复的业务流程。

例子：

• • “给客服工单分类”
• • “把销售线索路由到正确类别”
• • “检查表单提交内容，并生成回复草稿”

需要：

• • 清晰类别
• • 规则
• • 有时需要自定义工具或 API 调用

1. 4. 个人知识 Agent

适合让 Agent 基于你的文档回答问题。

例子：

• • “只用我的 PDF 回答”
• • “搜索我的笔记并解释这个主题”
• • “找到所有提到这个客户的内容”

需要：

• • 文件搜索或 RAG
• • 明确要求它只基于提供的材料回答

1. 5. 操作型 Agent

适合让 Agent 在某个环境里采取行动。

例子：

• • “读取这些文件并编辑它们”
• • “搜索网页、整理发现，并保存报告”
• • “运行 shell 命令，帮我调试代码”

需要：

• • 工具
• • 权限
• • 强安全边界

Anthropic：理解第一个 Agent 的最简单方式

当你希望模型使用工具，并在某个环境里操作时，Anthropic 的 Agent 工具尤其有帮助。Claude Code 在 2025 年 2 月发布，后来 Claude Code SDK 在 2025 年 9 月更名为 Claude Agent SDK。2026 年 3 月 GitHub 上列出的当前 release 是 v0.1.50。

什么时候 Anthropic 更适合

如果你想要的 Agent 需要：

• • 读取、写入、编辑文件
• • 使用 shell 命令
• • 搜索网页
• • 使用 MCP 工具
• • 很好地处理编码和技术任务
• • 像一个能一步步操作的助手

那就优先选择 Anthropic。

你用 Anthropic 实际上在做什么

对初学者来说，你只是在做三件事：

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

就是这样。

入门示例：研究与总结 Agent

假设你想要：“一个能够研究某个主题并为我写出一份清晰报告的 Agent”

构建计划会变成：

• • Role：资深研究助手
• • Goal：找到准确信息并清晰总结
• • Tools：网页搜索，也许再加文件访问
• • Rules：引用来源，不确定时说明，保持简洁
• • Output：要点摘要 + 关键风险 + 结论

这会变成你的 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'''

现在用户可以问：

• • “调研最新的 AI Agent SDK”
• • “比较 Anthropic 和 OpenAI，看看哪个更适合初学者构建 Agent”
• • “找到三个高质量的信息来源并进行总结”

这已经是一个真实 Agent。

入门示例：基于文件的写作 Agent

也许你想要：“阅读我的笔记，并用我的写作风格将其改写成一篇结构清晰的文章”

那么设计会变成：

• • Role：写作助手
• • Goal：把粗糙笔记变成润色后的成稿
• • Tools：文件读取，也许还有文件写入
• • Rules：保留原意，提升清晰度，匹配语气
• • Output：最终文章 + 可选标题建议

这比一个模糊的“内容 Agent”容易构建得多。

构建 Anthropic Agent 前，可以这样问 AI

Help me design an Anthropic agent.My goal is:[目标]I want the agent to be able to:[列出行为]I want the agent to use these tools:[列出工具]I want the final output to look like:[格式化结果]Please create:1. A strong system prompt2. A minimal tool list3. A first version Python example4. 10 test prompts5. Suggestions to improve reliability

这个 Prompt 通常能带你走完 80% 的路。

OpenAI：理解第一个 Agent 的最简单方式

OpenAI 在 2025 年 3 月 11 日发布 Agents SDK，同时推出 Responses API，以及网页搜索、文件搜索、computer use 等内置工具。Python 包openai-agents在 2026 年 3 月是 0.13.1 版本。

什么时候 OpenAI 更适合

如果你想要：

• • 非常干净的 Agent API
• • 简单的自定义函数工具
• • 内置托管工具（hosted tools）
• • 专门 Agent 之间的交接（handoffs）
• • 护栏（guardrails）和追踪（tracing）
• • 从原型到生产的平滑路径

那就优先选择 OpenAI。

你用 OpenAI 实际上在做什么

对初学者来说，构建过程就是：

1. 1. 创建一个 Agent
2. 2. 给它 instructions
3. 3. 如果需要，添加 tools
4. 4. 用真实用户请求运行它

就是这样。

入门示例：客服分流 Agent

假设你的目标是：“读取收到的支持请求，并判断它们属于计费、技术还是销售问题”

它会变成：

• • Role：客服分流助手
• • Goal：正确分类请求
• • Tools：无，之后也许加 CRM 工具
• • Rules：只能选择一个类别，简要解释
• • Output：类别 + 原因

代码大概是这样：

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, "我这个月的订阅被重复收费了")print(result.final_output)

这已经是一个有用的 Agent。

入门示例：添加自定义工具

现在假设你想要：“在需要时为用户计算数值”

from agents import Agent, Runner, function_tool@function_tooldef calculate(expression: str) -> str: import math allowed = {k: v for k, v in math.__dict__.items() if not k.startswith("__")} return str(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, "10000 以 5% 的利率复利增长 8 年后的结果是多少？")print(result.final_output)

现在这个 Agent 不只是聊天。它会通过工具采取行动。

入门示例：使用托管工具

OpenAI Agents SDK 还支持托管工具（hosted tools），比如网页搜索、文件搜索，以及 SDK 文档里的 code interpreter 辅助函数。

初学者可以把它们理解成“预先做好的能力”，直接挂到 Agent 上，不用从零写。

这意味着你可以构建这样的 Agent：

• • “从网页研究这个主题并总结”
• • “搜索我的文件，并基于文件回答”
• • “运行代码分析这份数据”

构建 OpenAI Agent 前，可以这样问 LLM

Help me design an OpenAI agent.My goal:[目标]The tasks I want it to handle:[列出任务]The tools I think it needs:[列出工具]The output should look like:[输出格式]Please give me:1. A clear agent instruction block2. The simplest first version3. A version with tools if needed4. 10 test prompts5. Common failure modes and how to fix them

如何定制 Agent，让它真正做你想要的事

初学者最容易错在这里：他们做出来的是一个通用助手，而不是一个具体 Agent。

用这份清单检查。

1. 1. 把工作范围收窄

差：

• • “帮我处理业务上的事情”

好：

• • “把销售电话总结成行动项”
• • “把销售线索分成 hot、warm、cold”
• • “研究加密项目，并输出风险、催化因素和结论”

1. 2. 定义输出格式

差：

• • “给我一个答案”

好：

• • “返回：摘要、证据、风险、下一步”
• • “返回 JSON，包含 category、confidence、explanation”
• • “在 5 个标题下返回项目符号列表”

1. 3. 给示例

如果你想控制语气、结构或分类质量，示例非常有帮助。

告诉模型：

• • “这里有 3 个优秀输出示例”
• • “这里有 5 个请求分类示例”
• • “请严格按这种风格写”

1. 4. 只在需要时添加工具

如果任务只是重写笔记，不要加网页搜索。

如果答案只应该来自 Prompt，不要加文件访问。

每多一个工具，复杂度就会上升。

1. 5. 用真实 Prompt 测试，而不是用理想 Prompt

测试时要像真实用户一样输入混乱的问题。

不要只测试：

• • “请对这个技术问题进行分类”

也要测试：

• • “我的账户出问题了，而且一直在被扣费，我该怎么办？”

这时你才会知道 Agent 到底会怎么做。

你的构建路径

Step 1：用一句话描述这个 Agent。

例子：“我想要一个 Agent，把我的粗糙笔记变成干净的每周简报。”

Step 2：让 Claude 或 ChatGPT 把这句话变成：

• • Agent spec
• • system prompt
• • tool list
• • 10 个 test prompts

Step 3：构建最小可用版本。

不要上多 Agent（multi-agent）。不要做复杂记忆机制。除非真的需要，否则不要做 RAG。

Step 4：用 10 个真实例子测试它。

Step 5：一次只改进一件事：

• • Prompt
• • 输出结构
• • 示例
• • 工具
• • 记忆
• • 检索

这个顺序很重要。不要一开始就陷进去。

避免这个错误

最大的错误，是试图构建一个“万能超级 Agent”。

不要从这些东西开始：

• • 网页搜索
• • 文件搜索
• • 数据库访问
• • 记忆
• • 多 Agent 交接（multi-agent handoffs）
• • 复杂护栏（guardrails）
• • 自定义仪表盘（dashboards）
• • 20 个工具

从这些东西开始：

• • 一个工作
• • 一个 Agent
• • 一个清晰 Prompt
• • 最多一两个工具
• • 5 到 10 个真实测试案例

成功的方法，就是别一开始就把事情做复杂。

实用结论

现在你已经到第 3 部分末尾了。这一部分在教你如何构建第一个 Agent。读完之后，你应该能说清楚：

• • 我知道这个 Agent 是做什么的
• • 我知道它需要哪些工具
• • 我知道它应该遵守哪些规则
• • 我知道输出应该长什么样
• • 我知道该从 Anthropic 还是 OpenAI 开始
• • 我知道如何用 AI 帮自己设计第一个版本

4. 使用工具

大多数人在这里都会搞错。

他们以为：

“More tools = smarter agent”

错。

更好的工具，才会让 Agent 更聪明。

更少的工具，通常会让 Agent 更可靠。

理解工具的最简单方式

工具就是：AI 自己做不了的事。

也就是 AI 自己做不了、需要外部能力帮忙完成的事情。

例子：

• • 计算数字
• • 搜索网页
• • 读取文件
• • 发送邮件
• • 查询数据库

Step 1：先问自己“这真的需要工具吗？”

在添加任何东西之前，先问：

• • 模型能不能只靠推理回答？
• • 还是需要真实世界的数据或动作？

不需要工具的例子：

• • “重写这封邮件”
• • “总结这段文本”
• • “解释这个概念”

需要工具的例子：

• • “现在天气怎么样？”
• • “搜索最新新闻”
• • “计算复利”
• • “从我的电子表格里拉取数据”

规则：如果需要外部数据或动作，就用工具；如果不需要，就别加工具。

Step 2：让 AI 帮你设计工具

I am building an AI agent.My goal:[描述目标]Here is what I think the agent needs to do:[行为列表]Which of these require tools?What tools should I create?Keep them simple and minimal.Return:1. Tool list2. Tool descriptions3. Inputs required for each tool

这会帮你节省很多时间。

Step 3：保持简单

糟糕的工具：

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

好的工具：

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

规则：一个工具 = 一个清楚的工作。

Step 4：告诉 Agent 什么时候使用工具

大多数人失败在这里。

差：“计算器工具”

好：

“当需要进行数学计算时使用该工具。绝不要凭空猜测计算结果。”

Step 5：让 Agent 失败，然后修复它

用真实问题测试：

• • “2 的 16 次方是多少？”
• • “计算 10 年内 7% 的增长（复利）结果是多少？”

如果它：

• • 没有使用工具：修工具描述
• • 使用方式不对：修输入定义
• • 胡编：把规则写得更严格

读完第 4 部分，你应该知道：

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

继续。

5. 给 Agent 记忆

人们非常容易把记忆搞复杂。

你只需要先理解一点：记忆分为两类。

1. 短期记忆，也就是对话记忆

它其实就是“到目前为止说过什么”。

目前为止说过什么。这个能力通常默认就有。

2. 长期记忆，也就是外部知识

它指的是“Agent 以后可以查询的东西”。

以后 Agent 可以查询的东西。

例子：

• • 你的笔记
• • PDF
• • 文档
• • 数据库

什么时候你真的需要记忆？

问自己：

• • Agent 需要跨消息记住信息吗？如果是，那需要短期记忆。
• • Agent 需要使用外部文档吗？如果是，那需要长期记忆。
• • 否则，你大概率不需要记忆。

Step 1：让 AI 帮你判断是否需要记忆

I am building an AI agent.My goal:[目标]Does this agent need:1. Conversation memory?2. External knowledge (RAG)?If yes, explain why.If no, explain why not.Keep it simple.

Step 2：你有三个选项

Option A：不加记忆，从这里开始。

• • 最适合大多数初学者
• • 能覆盖 70% 的使用场景

Option B：对话记忆。

• • 大多数 SDK 已经处理好了

Option C：基于文件的记忆，也就是简单 RAG。

• • 上传文档
• • 使用文件搜索工具（file search tool）

Step 3：不要一上来就做过头

常见大坑是，在你还不知道是否需要之前，就开始加：

• • vector DB
• • embeddings
• • 复杂流水线（pipeline）

规则：如果 Agent 不加记忆也能工作，就别加。

读完第 5 部分，你应该知道：

• • 大多数 Agent 不需要复杂记忆
• • 从简单开始
• • 只有当某个环节坏掉时，再添加记忆

6. 让 Agent 在真实场景中跑起来

这一部分会决定 Agent 最后是好用，还是完全不好用。很多 Agent 失败，原因通常是：

• • Prompt 写得差
• • 没有测试
• • 预期不现实

所以：

Step 1：用 AI 创建测试案例

I built an AI agent with this goal:[目标]Create 15 realistic user inputs:- messy- vague- real-world styleAlso include:- edge cases- confusing inputs- bad inputs

Step 2：像真实用户一样测试

不要只测试：“请对这个计费请求进行分类”

要测试：

“我怎么又被扣费了”

Step 3：一次只修一个问题

当它失败时，问：

• • Prompt 是否不清楚？
• • 输出格式是否模糊？
• • 是否缺少工具？
• • 是否缺少规则？

Step 4：用 AI 调试你的 Agent

Here is my agent:Here is what I asked:[输入]Here is the output:[输出]What went wrong?How do I fix it?Be specific.

Step 5：不要太早失控

不要添加这些东西：

• • 多个 Agent
• • 复杂工作流
• • 自动化流水线（pipeline）

除非：

• • 你的简单版本已经能稳定工作

读完第 6 部分，你应该知道：

• • 测试就是一切
• • AI 可以帮你调试 AI 本身
• • 先修清晰度，再加复杂度

下一部分。

7. 多 Agent

这里很容易跑偏。

人们会以为：

“More agents = more powerful”

错。

永远从一个 Agent 开始。

只有在下面情况出现时，才增加更多 Agent：

• • 任务真的能清楚拆分
• • 一个 Agent 明显吃力
• • 角色之间非常不同

只有三种情况需要多个 Agent

第一，技能不同。

例子：

• • Research agent
• • Writing agent

第二，有清晰流水线（pipeline）。

例子：

• • Input → Analyse → Write → Output

第三，权限不同。

例子：

• • 一个 Agent 可以读数据
• • 一个 Agent 可以执行动作

Step 1：用 AI 判断是否需要多个 Agent

I built an AI agent.Here is its job:[描述下agent的工作]Should this be:1. A single agent2. Multiple agentsIf multiple:- what roles?- why?Keep it simple.

最安全的模式

监督者模式（Supervisor model）：

User → Main agent → 如果需要，再调用其他 Agent

不要一开始就做：

• • swarm
• • 完全自主的多 Agent 系统（fully autonomous multi-agent systems）

它们非常容易坏。

Step 2：保持角色简单

差：

• • “具有动态认知分层的 AI 战略型 Agent”

好：

• • “调研型 Agent”
• • “写作型 Agent”

Step 3：慢慢增加 Agent

开始：

• • 1 个 Agent

然后：

• • 最多 2 个 Agent

只有在你真的看到收益时，再继续扩展。

第 7 部分的结论是：

• • 大多数人不需要多个 Agent
• • 单 Agent + 好工具通常已经足够
• • 只有被真实问题逼到时，才增加复杂度

8. 收尾总结

这篇指南最重要的洞察是：Agent 在概念上很简单，但在运行上要求很高。

核心循环，也就是 LLM 思考、调用工具、重复执行，用 50 行 Python 就能写出来。

真正困难的部分在工具设计、错误处理、评估，以及判断什么时候使用更简单的模式，比如 Prompt Chaining（提示链）或 Routing（路由），会比自主 Agent 表现更好。

三个可执行的入门建议：

1. 1. 先从零构建一个 Agent。理解原始循环之后，每个框架都会变得透明。你会更快定位问题，也会更明智地选择工具。
2. 2. 从能工作的最简单模式开始。Prompt Chaining（提示链）能处理大多数多步骤任务。Routing（路由）能处理大多数“先分类，再行动”的工作流。只有当你真的需要 LLM 动态决定执行路径时，再升级到自主 Agent。
3. 3. 尽早投入工具设计和评估。清晰命名、描述精确、错误信息结构化的工具，比单纯更换模型或框架更能提升 Agent 表现。20 个高质量测试用例，比大量手工测试更能发现问题。

这个领域变化很快。MCP 不到一年就成了通用标准，两家主要提供商都推出了 Agent SDK，新框架也几乎每个月都在出现。

但这篇指南里的基本原则是稳定的：Agent 循环（agentic loop）、五种工作流模式、好工具设计原则，以及从简单开始的要求。掌握这些，你就能适应接下来出现的任何新变化。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】