很多人第一次接触 Agent，是从 LangChain、CrewAI、AutoGen 开始。框架文档里 Chain、Tool、Memory、Planner 一堆抽象，很容易让人觉得：Agent 很复杂，必须先学框架。

其实把框架剥开，底层逻辑就三件事：LLM 负责思考，工具负责行动，循环负责持续推进。

即：Agent = LLM + Tools + Loop。

理解这个公式，比背任何框架 API 都重要。框架会变，机制不会。下面用最小 Python Agent 把循环跑起来。

1. Agent 到底是什么？

---

普通 LLM 调用是一次性的：用户提问，模型回答，结束。Agent 多了”行动循环”：

1. LLM 读取用户问题和当前状态；
2. LLM 判断是否需要工具；
3. 如果需要，程序执行工具并把结果返回给 LLM；
4. LLM 基于新结果继续判断；
5. 直到模型认为任务完成，输出最终答案。

这个模式常称 ReAct：Reasoning + Acting。先推理，再行动，再观察结果，继续推理。

图1：Agent 循环流程图——用户输入进入 LLM，LLM 要么直接回答，要么调用工具；工具结果回传 LLM 继续思考，直到输出最终答案

什么时候需要 Agent？ 任务需要”多步判断 + 外部动作”时，如查资料、算数、调接口、读文件。只做改写、摘要、分类，普通 LLM 调用就够。

2. 用 Python 写一个最小 Agent

---

示例用 Anthropic Claude API 的 tool_use。OpenAI function calling 同一套思想：定义工具 → 模型选工具 → 程序执行 → 结果回传。

先安装依赖，通过环境变量设置 Key（不要写进代码）：

pip install anthropicexport ANTHROPIC_API_KEY="你的_API_Key"

2.1 定义工具

工具不是函数本身，而是给模型看的"能力说明书"：工具叫什么、能做什么、需要哪些参数。

import reimport anthropicclient = anthropic.Anthropic()tools = [{    "name": "calculator",    "description": "计算简单数学表达式，只支持数字、加减乘除和括号。",    "input_schema": {        "type": "object",        "properties": {            "expression": {                "type": "string",                "description": "数学表达式，例如 123 * 456 + 789"            }        },        "required": ["expression"]    }}]

工具描述越清楚，模型越容易选对。这里只放一个计算器，方便看懂完整链路。

2.2 执行工具

模型不会真的执行代码。它只提出”我要调 calculator，参数是 x”。真正执行的是你的 Python 程序。

def run_tool(name: str, args: dict) -> str:    if name != "calculator":        return"未知工具"    expr = args["expression"]    ifnot re.fullmatch(r"[0-9+\-*/(). ]+", expr):        return"表达式包含不允许的字符"    try:        return str(eval(expr, {"__builtins__": {}}, {}))    except Exception as e:        returnf"计算失败：{e}"

这里用白名单限制字符。生产环境更建议用专门数学解析库，别让模型生成内容直接进入高权限执行环境。

2.3 写 Agent 循环

核心就是一个 for 循环：请求模型 → 检查工具调用 → 执行工具 → 结果塞回历史 → 再请求模型。

def agent(user_input: str, max_steps: int = 5) -> str:    messages = [{"role": "user", "content": user_input}]    for _ in range(max_steps):        response = client.messages.create(            model="claude-opus-4-8",            max_tokens=1024,            tools=tools,            messages=messages,        )        messages.append({"role": "assistant", "content": response.content})        if response.stop_reason != "tool_use":            return"".join(                block.text for block in response.content                if block.type == "text"            )        tool_results = []        for block in response.content:            if block.type == "tool_use":                result = run_tool(block.name, block.input)                tool_results.append({                    "type": "tool_result",                    "tool_use_id": block.id,                    "content": result,                })        messages.append({"role": "user", "content": tool_results})    return"达到最大循环次数，Agent 停止。"print(agent("123 乘以 456 再加上 789 等于多少？"))

典型运行：用户提问 → LLM 判断需要计算器 → 生成工具调用 calculator({"expression":"123*456+789"}) → Python 执行得 56877 → 结果回传 LLM → LLM 输出自然语言答案。

图2：Agent 运行过程——LLM 思考"需要计算器"→ 调用 calculator → 工具返回 56787 → LLM 组织最终回答

注意：图中示例数值用于展示流程；如果你换表达式，结果以程序实际计算为准。

什么时候用这个最小版？ 学原理、验证工具调用、做内部小工具。还不适合直接上生产——缺权限控制、日志、重试、上下文管理和人工确认。

3. 拆开看：Agent 的 4 个关键机制

---

机制一：工具定义

工具定义就是 LLM 的“工具菜单”。模型根据 name、description 和参数 schema 判断能不能用、该不该用、怎么传参。

坑点： 工具描述太泛会导致误选。例如“处理数据”不如“计算数学表达式并返回结果”。工具越多，描述越要互斥。

什么时候用： 只要模型需要访问外部世界——数据库、文件、接口、搜索、计算——就要定义工具。

机制二：模型决策

Agent 不是你硬编码“先调 A，再调 B”。LLM 会根据问题和工具列表自己决定下一步。这是 Agent 相比普通脚本最大的区别。

什么时候用： 路径不固定时用 Agent；路径固定时用普通代码编排更稳定、更便宜。

机制三：工具执行

LLM 只负责“提出动作”，程序负责“执行动作”。这个边界很重要：工具权限、参数校验、失败处理，都应该在你控制的代码里完成。

什么时候用： 永远如此。不要让模型直接执行任意 shell、SQL 或高权限 API。

机制四：循环终止

stop_reason == "tool_use" 表示模型还想行动；否则说明它准备回答。除此之外，还要加 max_steps，防止无限循环。

什么时候用： 所有 Agent 都必须有循环上限。没有上限，成本和风险都会失控。

4. 从最小 Agent 到实用 Agent

---

最小版本能说明原理，但实用 Agent 至少要补三层能力。

图3：从最简 Agent 到实用 Agent 的演进——补循环上限、补错误回传、补上下文管理

第一，循环上限。用 max_steps 控制最多执行几轮，避免模型在“搜索—总结—再搜索”里打转。

第二，错误回传。工具失败时不要吞错误，要把错误作为 tool_result 返回给模型。模型看见“参数不合法”或“接口超时”，才有机会换策略。

第三，上下文管理。每轮工具调用都会让消息历史变长。短任务可以直接保留全部历史；长任务要做截断、摘要或外部记忆，否则 token 会爆。

什么时候升级？ 当 Agent 需要跑很多步、接多个工具、给多人使用，或者会触碰文件/数据库/生产系统时，就不能停留在教学版。

5. 要不要用框架？

---

方案	适合场景	优点	坑点
原生 API + 循环	学原理、简单工具	透明、好调试	基建要自己补
LangChain	快速原型、RAG	生态大	抽象多、版本变化快
CrewAI	多角色协作	任务组织清晰	简单任务容易过度设计
AutoGen	多 Agent 对话	适合研究协作模式	调试链路长

建议路线：先写原生 Agent，搞懂 LLM + Tool + Loop；再学框架。 否则框架出错时，你分不清是模型没选对工具、schema 写错、工具执行失败，还是框架封装层的问题。

普通人如何抓住AI大模型的风口？

领取方式在文末

2026年入行AI大模型的黄金窗口!!!

AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启

在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。

脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。

与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。

这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️

最佳学习路线

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…

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！

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~】