API：简单理解：API 是两个程序之间交流的接口。例如：浏览器| 请求↓服务器| 返回↓网页Python程序| 请求↓AI服务器| 返回↓AI回答SDK：可以理解为：帮助开发者调用某个平台功能的工具包。如果直接使用 HTTP 请求调用 AI，需要自己处理：请求地址请求格式参数返回数据使用 SDK 可以简化这些操作。虽然使用 DeepSeek，但是 DeepSeek 提供了兼容 OpenAI AP

可以把函数理解成一个机器。输入数据↓函数↓输出结果这个函数就是一个加法工具。30今天看似学习的是 Python 基础，但实际上是在为 Agent 开发打基础。函数让程序拥有能力。条件判断让程序拥有逻辑。列表和字典让程序能够管理数据。而这些能力组合起来，就是未来 AI Agent 的底层结构。从学习 Python，到理解 Tool，再到构建 Agent，每一步都是后续 AI 工程开发的重要基础。

在Agent中：Tool（工具）本质上就是：一个可以被AI调用的Python函数。这个函数就是一个工具。它拥有：工具名称：calculator功能：计算两个数字输入参数：a、b输出结果：计算结果read_pdf()return a+b这个函数负责实际计算。今天通过DeepSeek实现了第一个简单Agent。虽然代码并不复杂，但理解了AI Agent最核心的思想：大模型负责理解和决策，程序负责执行具

一个 Agent 可以拥有多个工具。今天完成了 AI Agent 的重要升级：只能调用工具的简单Agent具有多个工具和上下文记忆能力的Agent理解了：MemoryAgent Loop这些概念也是后续学习：LangChainLangGraphRAG系统的基础。下一阶段将继续学习如何让 Agent 操作真实数据，例如：文件读取PDF解析图片OCR网络搜索让 Agent 从“会计算”变成真正能够完成

文件读取工具是 AI Agent 连接现实世界的重要一步。工具本身并不复杂，本质就是一个 Python 函数。真正重要的是理解：Agent负责思考和决策，工具负责执行具体任务。未来更复杂的 AI 应用，例如：ChatPDF企业知识库AI客服OCR识别系统本质上都是在这个基础上不断增加新的工具能力。

RAG 是 AI Agent 走向实用化的重要一步。它的核心思想非常简单：先检索，再生成。通过 RAG，Agent 可以连接外部知识库，回答企业文档、技术资料、内部规范等问题。未来更复杂的 AI 应用，例如：ChatPDF企业知识库问答AI客服安全知识助手本质上都是在 RAG 的基础上不断扩展。

在前面的学习中，我们已经完成了一个基础版 AI Agent。学习内容包括：Python调用大模型APIPrompt设计Memory上下文记忆Tool Calling工具调用Agent基本结构但是，一个新的问题出现了：如果大模型不知道我们的专业知识怎么办？例如：企业内部文档项目开发说明产品使用手册技术学习笔记这些内容可能没有出现在大模型训练数据中。公司的服务器架构是什么？模型并不知道真实信息。甚至可

RAG学习过程中：代码只是其中一部分。真正工程开发需要注意：Python环境管理依赖版本控制底层库兼容问题定位能力遇到问题不要只看报错。Python层？↓第三方库？↓C扩展？↓系统环境？

Chunk就是：将一篇长文本切分成多个小文本块。例如：企业安全规范：管理员账号必须开启双因素认证。普通用户密码需要90天修改一次。发现漏洞后，需要7天内完成修复。切分之后：管理员账号必须开启双因素认证。普通用户密码需要90天修改一次。发现漏洞后，需要7天内完成修复。文本↓Embedding↓向量数据库向量1 -> 管理员账号规则向量2 -> 密码修改规则向量3 -> 漏洞修复规则用户：密码多久修改

Agent的核心能力之一是：根据用户问题，自动选择合适的工具。例如：123 + 456 等于多少？这是计算问题 → 调用 calculator()公司密码多久修改？这是企业知识问题 → 调用 search_knowledge()你好普通对话 → 不调用工具今天我们完成了从：“只能查知识的RAG系统”升级到：“可以自主选择工具的AI Agent”核心变化是：RAG被封装成ToolAgent具备判断能