本文深入浅出地介绍了大模型Agent的核心原理强调Agent的本质是“LLMToolsLoop”。通过构建一个简单的Python Agent实例详细阐述了如何利用工具定义、模型决策、工具执行和循环终止这四大机制让模型能够实现多步判断和外部动作。文章建议新手先掌握原生API编程再逐步学习框架并提供了三个进阶练习帮助读者巩固对Agent机制的理解。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。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”LLM 读取用户问题和当前状态LLM 判断是否需要工具如果需要程序执行工具并把结果返回给 LLMLLM 基于新结果继续判断直到模型认为任务完成输出最终答案。这个模式常称 ReActReasoning Acting。先推理再行动再观察结果继续推理。图1Agent 循环流程图——用户输入进入 LLMLLM 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。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 anthropic export ANTHROPIC_API_KEY你的_API_Key2.1 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 re import anthropic client 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( modelclaude-opus-4-8, max_tokens1024, toolstools, messagesmessages, ) 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*456789})→ Python 执行得56877→ 结果回传 LLM → LLM 输出自然语言答案。图2Agent 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。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。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。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。继续练习如果你想继续深入做三个小练习加一个read_file工具让 Agent 能读本地文件加一个search工具让 Agent 能查外部资料把messages保存到文件里实现最简单的记忆。做完这三个练习你就真正理解了 Agent 的基本机制模型负责决策工具负责行动循环负责推进边界负责安全。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。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】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025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。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】
