AI Agent 基础入门

01先确定任务，再选择工具

学 AI 的起点，是你想完成什么任务。先把目标说清楚，再决定需要一次模型调用、固定工作流，还是一个能根据结果调整步骤的 Agent。工具会变化，明确输入、输出和判断标准的方法可以反复使用。

这篇教程根据作者已有的 AI 课程原理笔记整理，沿用「先理解原理，再动手实践」的顺序。读完后，你应能解释几个常见术语、判断技术方案是否必要，并为一个小项目写出任务定义。

不用先学完所有框架。下一篇会用不依赖模型接口的 Python Demo 跑通这个流程，作为可以测试的基线。

02LLM：生成内容与核实事实

LLM 是 Large Language Model，即大语言模型。可以先把它理解为：根据当前输入和上下文，逐步预测并生成后续内容的模型。它能帮助改写、总结、分析和生成代码，但输出流畅不代表事实已经核实。

模型训练得到的参数与本次请求提供的资料是两回事。把一份文件交给模型，并不等于重新训练模型；模型有没有看到文件，取决于应用是否把相关内容放进了它当前能够使用的上下文。

例如，模型可能知道怎样写客服回复，却不知道你公司的试用期限。资料里没有期限时，它不应该靠常识给出一个数字。涉及最新或私有信息，需要由应用提供可靠资料或受控的查询工具。

点击查看大图 ↗

03聊天、工作流、RAG 与 Agent

这些术语不全在同一个层级：聊天是一种交互方式，Workflow 是流程组织方式，RAG 是引入资料的方法，Agent 则强调模型对下一步行动的动态选择。它们可以组合使用。这里采用工程上便于区分的定义：

RAG 不自动等于 Agent，也不是用了聊天框就只能做聊天。固定检索与生成可以放在工作流里，Agent 也可以调用检索工具。这一区分参考 Anthropic 的工作流与 Agent 工程说明。

04Agent：目标、行动与反馈

课程笔记把它讲成「目标 → 判断 → 执行 → 反馈 → 检查偏差 → 调整」。重要的是：后续动作要依据实际执行结果，不能只依据模型说自己已经完成。

1. 确定目标：生成一份有依据的回复草稿，明确什么算完成。
2. 选择动作：决定查询哪些资料，以及是否需要调用工具。
3. 执行工具：由应用在允许的权限范围内实际检索或查询。
4. 读取反馈：检查工具返回的数据、错误或资料不足状态。
5. 决定下一步：继续检索、生成草稿、询问用户，或者停止并交给人工。

实际系统至少要考虑目标与约束、模型、工具、当前状态，以及验证结果的方法。工具可以是查资料、查订单或执行测试；工具调用是一个真实动作，不是模型输出一句「已查询」就算完成。

循环需要停止条件：任务完成、达到调用次数或时间限制、权限不足、持续失败，都可能要求结束或人工介入。更自主不代表一定更可靠。官方工程说明也强调执行反馈、停止条件和测试边界。查看原文。

点击查看大图 ↗

05幻觉：为什么发生，怎样减少

幻觉指模型生成了听起来可信、实际却没有依据或不正确的内容。缺少资料、上下文有歧义、引用错误等，都可能让结果偏离事实。让模型「认真一点」不能代替校验。

课程里强调，要同时关注模型能力、上下文质量和任务约束。这是一份实用检查框架，不是可以计算输出正确率的公式。

• 给资料：只提供允许访问、与问题相关、版本明确的材料。
• 定边界：资料没有依据时返回「资料不足」，不要补出试用期限、价格或业务承诺。
• 定格式：把草稿、来源、缺失状态分开，便于程序和人工检查。
• 核对来源：来源编号存在，不代表回复中的每个结论都得到支持。
• 保留审核：对外回复、发布、付款等有后果的动作，需要相应权限与确认。

在示例里问「价格是多少？」时，资料没有价格，所以正确结果是明确说明不足。不是每个问题都回答出来，才算系统做得好。

点击查看大图 ↗

06Token 与上下文

Token 是模型处理内容的计量单位，可以是一个词、字或片段。不同模型的分词方式不同，不能把「一个 Token 就是一个汉字」当成通用换算。

上下文是模型本次可使用的信息：指令、当前问题、被保留的历史消息、工具结果和资料片段等。上下文窗口有长度上限；不同产品可能压缩、截断或选择历史记录，所以对话过很久不代表每句话始终都在。

本地有文件，不代表模型自动看到了文件。要检查应用实际读取了什么、检索到了哪些片段，以及怎样把它们放进当前请求。关于上下文窗口，可参考 官方概念说明，具体限额以你使用的模型为准。

同样是资料问答，给出相关的试用规则通常比塞入全部无关文档更容易核对。长资料该怎样选取，是上下文工程的一部分；不是窗口越大，就一定理解得越准确。

07Prompt：把任务交代清楚

Prompt（提示词）是给模型的任务说明和上下文。按作者课程笔记，可以先用六个问题写清任务：目标是什么、背景是什么、资料有哪些、边界在哪里、输出长什么样、怎样判断完成。

目标：根据提供的产品资料，起草一份客服回复。
背景：面向第一次咨询的用户，表达清楚、简洁。
资料：仅使用本次提供的 D01、D02、D03。
边界：没有依据就说明资料不足；不推断价格，不自动发送。
输出：回复草稿、支持草稿的资料编号、待人工确认的问题。
验收：每个事实可回查；引用真实存在；没有新增业务承诺。

这只是练习模板。提示词无法凭空赋予文件访问权限，也不能替代服务端鉴权。让模型按 JSON 输出，不等于已经接好了接口，还要检查数据结构和失败分支。

先用正常、缺失、歧义三个问题测试，再根据实际失败调整。不要把增加提示词长度当成改进本身。

08Skill、工具、记忆与规则

作者的课程笔记把 Skill 概括为「把做事方法沉淀成可重复使用的流程」。不同产品实现会不同，但可以先按职责理解：

工具提供动作，Skill 提供方法，两者可以配合。安装一个 Skill 不代表自动获得权限，也不保证被正确触发；要核对它的用途、不适用场景、输入、输出和实际调用结果。官方 Agent Skills 说明可作为一种具体实现的延伸阅读。

记忆通常要通过保存和重新读取实现，不是对话后模型参数自动改变。像 AGENTS.md 这样的规则文件，只有被应用读取并使用才会生效；它也不能替代真正的访问控制。

点击查看大图 ↗

09知识库：找到资料，保留出处

知识库为系统提供可用资料。光把文件存到一个目录，还没有完成检索和引用。最小起点可以很简单：少量安全资料、清楚的目录、稳定编号，以及能回查原文的出处。

1. 选一个高频、低风险任务，比如查询公开产品规则。
2. 只放入少量已经确认可以使用的资料，记录标题、编号和版本。
3. 按问题查找相关内容，再决定如何整理回复。
4. 把来源一起交付，资料缺失或冲突时交给人工。
5. 人工修正资料或规则后，重复测试，再逐步扩展。

资料少时，可以直接提供相关片段；目录和关键词难以找到内容时，再评估语义检索或 RAG。是否引入向量数据库，应由实际检索问题决定。

外部文档是事实资料，其中的文字不能自动变成系统操作指令。业务项目还需要考虑权限、敏感信息和文档更新。本课只建立认知，不默认要求上传企业机密。

10动手：判断场景，写下任务

• 规则清楚：表单校验、排序、金额计算，先用普通代码。
• 一次生成就够：改写或摘要，先用单次模型调用。
• 主要步骤固定：先实现可验证的工作流，必要时加入检索。
• 步骤需要根据反馈变化：再评估是否让模型选择下一步动作和工具。

判断依据是任务需要怎样的决策，不能只看工具的名称。同一个项目也可以把固定流程和自主选择结合起来。

动手作业：一张任务卡

我的任务：
现在怎么做：
输入资料与允许使用的工具：
最终输出：
哪些步骤固定，哪些步骤需要临时判断：
资料不足或工具失败时怎么处理：
必须人工确认的动作：
什么结果算完成：

给任务准备三个测试：正常问题、资料缺失、输入有歧义。选择最简单、能明确检查结果的方案，记录理由。

完成任务卡后，进入 第一个 Python Demo。它使用固定资料和关键词匹配，不调用模型，也不宣称已经实现自主 Agent；先把输入、输出和失败分支跑通。

11资料来源与延伸阅读