Agent 开发核心知识点：从 Chatbot 到会干活的模型-云帆数科

前言Chatbot 只会聊天Agent 会调用工具、拆解任务、自己纠错。这一波 AI 应用落地的核心就是 Agent。这篇不讲虚的讲清楚Agent 的循环结构、Function Calling 的机制和工程上必须处理的问题。一、Agent 的组成一个 Agent 通常包含四部分表格组件作用LLM大脑理解任务、决策下一步Tools工具搜索、执行代码、查数据库、发请求Memory记忆短期上下文长期知识Planning规划任务拆解、反思、调整策略和普通 workflow 的区别workflow 是固定流程Agent 是模型自己决定下一步做什么。二、核心循环ReActReAct Reason推理 Act行动是绝大多数 Agent 的基础模式循环Thought模型思考当前该做什么Action调用某个工具给出参数Observation拿到工具返回结果重复以上直到模型认为任务完成伪代码def run_agent(task, tools, max_steps10): messages [{role: user, content: task}] for _ in range(max_steps): resp llm.chat(messages, toolstools) # 模型决定行动 if not resp.tool_calls: # 不再调工具给答案了 return resp.content for call in resp.tool_calls: result execute(call.name, call.arguments) # 宿主执行 messages.append({role: tool, content: result, tool_call_id: call.id}) return 达到最大步数任务未完成三、Function Calling模型不执行只「申请」这是最容易误解的一点你在请求里提供工具列表名称、描述、JSON Schema 参数模型判断需要工具时返回结构化的 tool_calls—— 只是申请不执行你的代码真正执行工具把结果以 role: tool 的消息回填给模型模型基于结果继续工具定义示例{ name: get_weather, description: 查询指定城市的当前天气, parameters: { type: object, properties: { city: {type: string, description: 城市名如杭州} }, required: [city] } }安全边界在于执行权始终在宿主程序手里模型只能提请求。这决定了权限控制、沙箱、人工确认都放在宿主侧。四、工具设计原则决定 Agent 成功率工具写得好不好比模型选哪个更影响效果单一职责一个工具只做一件事别搞「万能执行器」描述写清楚模型靠 description 选工具写清什么场景用、参数含义、返回什么参数少而必填明确参数越多模型越容易传错错误信息对模型友好返回「city 不能为空请提供城市名」而不是 KeyError工具幂等模型可能重复调用删除 / 支付类操作必须防重控制返回体积工具返回几千行内容会撑爆上下文只回摘要五、记忆机制表格类型实现用途短期记忆对话 messages 列表受上下文窗口限制当前任务状态长期记忆向量库检索历史 / 知识跨会话记住用户偏好上下文压缩让 LLM 总结旧对话替换原文长任务防止超窗口工程重点上下文不是越多越好塞满后模型注意力会稀释主动摘要比无脑拼接更有效。六、规划与反思Plan-and-Execute先让模型出完整计划再逐步执行 —— 适合步骤明确的长任务ReAct边想边做 —— 适合探索型任务Reflection反思执行失败后让模型检查「哪里错了、怎么改」再重试一次能明显提升成功率成本是 token 翻倍七、可靠性工程面试加分项Agent 最大的问题是不稳定工程上必须兜底最大步数限制防止死循环烧钱设 max_steps超时与重试每次工具调用设 timeout失败有限次重试人工确认Human-in-the-loop高风险操作转账、删数据必须人工确认权限最小化工具只开必要权限代码执行放沙箱全链路 trace记录每步的 thought/action/observation否则出问题无法排查成本控制统计 token 消耗长任务考虑换小模型做简单判断八、怎么评估一个 Agent表格指标含义任务成功率端到端完成比例最重要平均步数步数越多越慢越贵工具调用准确率选对工具、传对参数的比例单任务成本token 消耗没有评测集就没法优化 —— 和 RAG 一样先量化。九、常见坑工具描述含糊模型乱选工具工具返回超长文本几轮后上下文爆掉没有最大步数陷入「调工具→失败→再调」死循环让模型直接执行危险操作没有人工确认只测「正常路径」异常分支工具报错、返回空没兜底模型说「已完成」但实际没完成缺少结果校验十、总结与学习路线记住三层循环ReAct→ 工具Function Calling 好的 Schema→ 兜底步数、超时、确认、日志。建议路线用任意 LLM API 实现一个 3 工具的小 Agent计算器搜索文件读写加最大步数和 trace 日志用 20 条任务建一个评测集统计成功率再尝试加反思机制对比前后成功率如果这篇对你有帮助点个赞支持一下。后续更新「手把手用 Python 写一个最小可用 Agent」。

企业数字化 ERP 产品动态

相关推荐

超立方体Ramsey｜H11-D141~D145｜超立方体Ramsey形式化审计：多尺度归纳基座闭合、七项参数全支付与G3/G4范围验收

超立方体Ramsey｜H11-D141~D145｜超立方体Ramsey形式化审计：多尺度归纳基座闭合、七项参数全支付与G3/G4范围验收专栏：ER-03 攻坚日志｜Valhalla-MathBounty-Forge 版本：v1.0.0｜Lean4.32 隔离编译… · 2026/11/4 12:05:57

大模型小白入门：揭秘ChatGPT如何预测下一个字，收藏这篇轻松上手！

本文用7张示意图，深入浅出地解析了大语言模型（LLM）的技术链条。核心在于，LLM通过不断预测下一个字元来运作，从将语言数字化、预训练到生成回答，再到指令微调和人类反馈强化学习，最终形成强大的语… · 2026/11/4 12:04:56

收藏这份AI人才需求变迁指南：从算法到Agent工程师的转型与机遇

AI人才市场正经历范式转移，从算法工程师到大模型应用开发工程师，再到如今的Agent工程师。这一转变标志着AI产业从技术驱动转向应用驱动，从模型竞赛走向场景竞赛。Agent工程师需具备工具调用、规划决策、记忆管理等多重能力，是AI产… · 2026/11/4 12:04:56

WEKA数据挖掘入门：ARFF格式、预处理与J48分类基线

简介：面向初学数据挖掘、准备上手 WEKA 的读者，这份文档围绕“weak 操作入门”梳理平台的基本概念与操作路径，适合作为课程实验、自学入门或数据分析的前置阅读。压缩包仅含 1 个 doc 文件，约 172KB，篇幅集中&#xff… · 2026/11/4 12:44:30

深度强化学习在软件测试决策优化中的应用实践

1. 项目背景：当软件测试遇上决策焦虑在软件测试领域，我们常常面临这样的困境：面对海量测试用例，如何确定执行顺序？发现缺陷后，该优先修复哪些问题？回归测试时，哪些用例必须重跑&… · 2026/11/4 12:44:30

openGauss数据库原理实验全流程：从gsql连接到JDBC联调

简介：zzu《数据库系统原理实验》报告书面向计算机科学与技术、软件工程专业学生，围绕openGauss数据库环境，完整记录了从认识DBMS、创建数据库、表和索引，到交互式SQL语句、创建视图、完整性控制、安全性控制、事务与并发控制、数据… · 2026/11/4 12:44:30

30米分辨率NPP数据获取与处理全流程解析

1. 项目概述作为一名长期从事生态遥感研究的科研人员，我深知净初级生产力（NPP）数据在生态评估中的重要性。今天要分享的是1980-2025年间30米分辨率NPP数据集的完整获取与处理流程，这套方法已经在我们团队多个国家级生态项目中得到… · 2026/11/4 12:44:30

K-Means+SVM栅格分区：为蚁群路径规划搜索空间减负

简介：这份PDF面向智能清洁机器人路径规划方向的学习者与研究者，聚焦复杂障碍物环境下栅格地图路径搜索效率偏低的问题，给出一种将K-Means聚类与支持向量机（SVM）结合的栅格分区思路。资源先以栅格法建立环境模型&#x… · 2026/11/4 12:44:30

预约名额自动提醒：接口轮询与指纹比对实践

1. 需求拆解：你要的其实不是“刷新”，是“变化”预约这件事，本质是一场信息差博弈。名额放出来的那一刻，谁先知道，谁就有机会。于是绝大多数人的第一反应是手动刷新——F5 按到手指发酸，浏览器开了七八个标… · 2026/11/4 12:43:29

双极步进电机控制实战：DRV8818PWPR与PIC18F86K22驱动调试

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/4 3:16:49