有人问你：最常见的回答是列一张对比表，好像三者是互斥的选项。但真实系统里，一个 Agent 内部同时有 Tools 和 Workflow——所以"区别"这个词本身就问错了方向。正确的理解是：它们不是同一维度的东西，而是从小到大嵌套的三层结构。 判别三者只看一件事：Tools 就是一个封装好的函数：有明确的输入参数、明确的输出结果，仅此而已。它和普通函数唯一的区别是：要额外写一份"说明书"（name

从0到1学习agent， Agent是AI领域的新范式，本质是"会动手的AI"。与仅能回答问题的普通LLM和RAG不同，Agent=LLM（大脑）+工具（手脚）+自主决策循环（灵魂）。它通过"思考→行动→观察"循环完成任务（如自动订机票），实现从"知道"到"做到"的跨越。Agent的自主性分6级（L0-L5），核心架构是ReAct循环。生产级Agent需解决幻觉防护、记忆管理等问题。常见误区包括混

这篇文章介绍了一个50行Python代码实现的简单ReAct Agent，用于处理天气查询任务。要点包括： ReAct原理：通过"推理-行动-观察"循环，让模型逐步完成任务 核心实现： 两个工具函数：获取城市代码和天气信息 主循环逻辑：模型输出指令→执行工具→观察结果→循环 关键设计： 模型只输出指令，代码负责实际工具调用 完整记录对话历史，形成闭环 设置双重终止条件（模型主动结束/最大步数限制）

本文探讨了AI Agent意图路由中的模糊查询判断问题。文章指出，在生产环境中，准确识别用户模糊查询意图是提升交互质量的关键。作者提出了意图路由的完整流程框架，分析了模糊判断的三大难点，并对比了三种解决方案：基于规则打分的基础方案、规则+LLM兜底的过渡方案，以及采用3B小意图模型的进阶方案。文章建议采用渐进式演进路线，强调规则系统应覆盖80%明确查询，剩余模糊查询由LLM或小模型处理。最后总结了

本文探讨了AI Agent意图路由中的模糊查询判断问题。文章指出，在生产环境中，准确识别用户模糊查询意图是提升交互质量的关键。作者提出了意图路由的完整流程框架，分析了模糊判断的三大难点，并对比了三种解决方案：基于规则打分的基础方案、规则+LLM兜底的过渡方案，以及采用3B小意图模型的进阶方案。文章建议采用渐进式演进路线，强调规则系统应覆盖80%明确查询，剩余模糊查询由LLM或小模型处理。最后总结了

本文探讨了AI Agent意图路由中的模糊查询判断问题。文章指出，在生产环境中，准确识别用户模糊查询意图是提升交互质量的关键。作者提出了意图路由的完整流程框架，分析了模糊判断的三大难点，并对比了三种解决方案：基于规则打分的基础方案、规则+LLM兜底的过渡方案，以及采用3B小意图模型的进阶方案。文章建议采用渐进式演进路线，强调规则系统应覆盖80%明确查询，剩余模糊查询由LLM或小模型处理。最后总结了

本文探讨了AI Agent框架选型的核心决策逻辑。通过分析Klarna、Uber等大厂案例与自研场景的对比，指出选型关键在于评估需求与框架能力的匹配度。60%的生产事故源于状态管理失败，这是框架的主要价值所在，但框架也存在学习成本、性能陷阱等隐性代价。提出决策四问法（差异化、模型匹配、团队规模、迁移路径）和面试三句话术（评估过、规模匹配、留路径），强调合理选型不是简单站队，而是基于场景的理性权衡。

本文探讨了AI Agent框架选型的核心决策逻辑。通过分析Klarna、Uber等大厂案例与自研场景的对比，指出选型关键在于评估需求与框架能力的匹配度。60%的生产事故源于状态管理失败，这是框架的主要价值所在，但框架也存在学习成本、性能陷阱等隐性代价。提出决策四问法（差异化、模型匹配、团队规模、迁移路径）和面试三句话术（评估过、规模匹配、留路径），强调合理选型不是简单站队，而是基于场景的理性权衡。

本文是Agent工程化系列的番外篇，对主流Agent框架进行横向对比。首先提出2026年框架生态已经分化为四层架构：Runtime运行时引擎（如LangGraph）、SDK开发套件（如OpenAI Agents SDK）、多Agent编排层（如CrewAI）和AI应用平台（如Dify）。每层各有特点：越底层越可控但难度高，越上层越便捷但黑盒化。 文章详细分析了四种代表性框架：LangGraph作为

本文是Agent工程化系列的番外篇，对主流Agent框架进行横向对比。首先提出2026年框架生态已经分化为四层架构：Runtime运行时引擎（如LangGraph）、SDK开发套件（如OpenAI Agents SDK）、多Agent编排层（如CrewAI）和AI应用平台（如Dify）。每层各有特点：越底层越可控但难度高，越上层越便捷但黑盒化。 文章详细分析了四种代表性框架：LangGraph作为