Agent学习笔记（一）：从零理解Agent是什么

这篇文章是学习笔记，不是教程。记录的是我真实的学习过程——从哪里开始、遇到什么卡点、怎么解决的、哪些概念一开始理解错了。希望对同样在学Agent的人有帮助。

起点：我和Agent的距离

在2026年初，我对Agent的理解止步于："就是ChatGPT加了个循环，让它自己决定调什么工具。"这个理解不算错，但太粗糙了，导致我看Agent框架的代码时完全看不懂。

所以我决定：从零开始，把Agent的每个概念拆开来学。

第一步：理解"Agent = LLM + 循环 + 工具"

最开始我以为Agent很神秘。后来看到一个极简的Agent实现，才发现自己想复杂了：

def simple_agent(user_input):
    messages = [{"role": "user", "content": user_input}]
    while True:
        response = llm.call(messages)
        if response.has_tool_call:
            result = execute_tool(response.tool_call)
            messages.append(response)
            messages.append({"role": "tool", "content": result})
        else:
            return response.content

这就是Agent的核心：LLM决定下一步做什么，执行，把结果喂回去，再让LLM决定。循环直到任务完成。

卡点：一开始不理解为什么要有while True。后来想明白了——Agent的本质是"让模型自己控制流程"，而不是我们写死if-else。

第二步：ReAct框架（推理+行动）

理解了循环之后，下一个问题是：LLM怎么决定"下一步做什么"？

答案是：让它把自己的思考过程说出来。

ReAct（Reasoning + Acting）的核心思想：让LLM在每次调用工具之前，先输出一段"思考"（Thought），再输出"行动"（Action）。

输入：北京今天天气怎么样？

Thought: 我需要查天气，应该用get_weather工具
Action: get_weather(city="北京")
Observation: { "temp": 28, "weather": "晴" }
Thought: 已经拿到天气数据了，可以回答了
Action: Final Answer: 北京今天28度，晴天。

卡点：一开始我以为ReAct是某个框架特有的功能。后来发现ReAct是一种Prompt设计模式，任何支持Tool Calling的LLM都能用。关键是Prompt要引导模型输出"Thought"。

第三步：Tool Calling（工具调用）

这是最实际的一步。怎么让LLM"真的"调工具，而不是"假装"调工具？

OpenAI的Function Calling是最标准的实现：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools  # 关键：把工具定义传进去
)

卡点：工具描述（description）写得不好，LLM就会乱调工具。比如get_weather的description如果写成"获取天气"，LLM可能不知道这个工具能查哪些城市。要写成"获取指定城市的当前天气，支持国内外主要城市"。

第四步：记忆机制（短期+长期）

Agent跑多轮对话时，最大的问题是：上下文越来越长，token消耗越来越大，而且早期信息会被"淹没"。

解决方案分两层：

• 短期记忆：就是messages列表。简单直接，但长度有限制（通常8k-128k tokens）。
• 长期记忆：把历史对话压缩成摘要，或者存入向量数据库，需要时再检索出来。代表框架：MemGPT、LangChain Memory。

卡点：向量检索的准确率是个大问题。用户问"上周那个项目的进度怎么样了"，Agent需要从历史记录里找到"上周的项目讨论"——如果直接用向量相似度，可能召回的是不相关的内容。解决方法是：给记忆加时间戳 + 给工具调用结果加结构化摘要。

第五步：多Agent协作

学到这里，我开始想：一个Agent能力有限，多个Agent分工合作是不是更好？

答案是肯定的。比如：

• Planner Agent：负责拆解任务
• Executor Agent：负责执行具体步骤
• Reviewer Agent：负责检查结果

卡点：Agent之间的通信格式。如果每个Agent都输出自然语言，信息传递会有损耗。更好的做法是：Agent之间传递结构化数据（JSON Schema），只有最终输出才转成自然语言。

目前的学习状态

到这篇文章写成时，我已经完成了：

• ✅ 理解Agent的基本原理（循环 + 工具调用）
• ✅ 会用OpenAI Function Calling实现简单Agent
• ✅ 理解ReAct框架的Prompt设计
• ✅ 初步了解记忆机制
• 🔄 正在学：多Agent协作框架（AutoGen / CrewAI）
• 🔄 正在学：Agent的评估方法（怎么知道Agent表现好不好）

下一步计划：用一个真实场景把Agent跑起来——我想做一个"自动化脚本生成Agent"：用户描述需求，Agent自动生成Selenium脚本并验证是否能运行。这个做出来，对我的自动化外包业务有直接帮助。

写给同样在学的人

Agent的学习曲线不是"陡峭"，而是"坑多"。概念不难，但每个概念都有实践中的坑。我的建议是：

• 不要一开始就上框架（LangChain/AutoGen），先手写一个极简Agent
• 工具描述要写仔细，这是Agent表现好坏的关键
• 给Agent加日志，看清它每一步在想什么
• 多Agent不是越多越好，两个够用就别用三个

学习Agent的过程，也是理解"AI能做什么、不能做什么"的过程。这个认知，比学会某个框架更有价值。

下一篇笔记会记录多Agent协作的实践，以及"自动化脚本生成Agent"的实现过程。踩到新坑了会继续更新。