这是一篇关于如何构建Agent的12个关键思想的指南，基于原作者 humanlayer 的基础上，我调整成了新手更友好的指南方式。
智能体和AI编程pdf（可以加文末微信领取
借此机会，结合原文，梳理下构建 Agent 的技巧：
前言
什么是AI代理？从零开始了解智能软件的未来
你有没有想过，未来的软件可以像人类一样“思考”，自己决定如何完成任务？这就是 AI代理（Agent） 的魅力！本文将用最简单的语言，带你从零基础了解AI代理是什么，它的历史、原理、问题，以及如何在现实中应用。无论你是对编程一窍不通的小白，还是对AI感兴趣的初学者，这篇文章都会让你有所收获！
1 AI代理是什么？像一个聪明的助手
想象一下，你有一个超级聪明的助手，你只需要告诉它：“帮我把网站上线。” 这个助手会自己分析情况，决定先做什么（比如部署代码、运行测试），甚至在出错时调整计划。这就是 AI代理——一种能自主决策的智能软件。
普通软件需要程序员写好每一步的指令，比如“如果用户点击按钮A，就显示页面B”。但AI代理不同，它利用大语言模型（LLM）（像ChatGPT这样的技术）来动态决定下一步做什么。这意味着程序员写更少的代码，软件也能更灵活地应对复杂任务。
2 从流程图到AI代理：软件的进化史
要理解AI代理，我们先来看看软件是怎么一步步发展到今天的。
- 60年前：软件像一张地图
很久以前，程序员用 流程图 来设计软件。流程图就像一张地图，上面有：
节点：表示一个个任务（比如“读取文件”）。
箭头：表示任务的顺序（比如“读取文件后保存”）。
这种结构被称为有向图（Directed Graph），因为箭头有方向，指示任务的流程。软件本质上就是一张有向图，程序按照箭头一步步执行。
- 20年前：DAG让工作流更清晰
大约20年前，程序员开始用有向无环图（DAG，Directed Acyclic Graph） 来管理复杂的工作流。DAG是一种特殊的图，没有循环（比如你不会从任务A到B再回到A）。
一些工具（比如 Airflow 和 Prefect）让DAG变得流行。它们像一个超级管家，把任务安排得井井有条。比如：
一个数据处理任务可能包括“读取数据 → 清洗数据 → 保存结果”。
DAG工具会自动监控每个步骤，确保任务按顺序完成，还能重试失败的任务。
这些工具让软件更模块化、更容易管理。
- 10-15年前：机器学习加入DAG
到了10-15年前，机器学习（ML） 技术变得更好用。程序员开始在DAG中加入ML模型。比如：
“把一篇文章总结成几句话。”
“根据用户反馈，判断问题是紧急还是普通。”
但这些仍然是确定性软件，每一步都由程序员提前写好，ML模型只是其中一个工具。
3 AI代理的“大承诺”：摆脱固定流程
AI代理带来了一个革命性的想法：我们不需要提前写好每一步！
传统软件就像一本详细的菜谱，程序员必须写清楚“先放油，再加菜，炒3分钟”。但AI代理更像一个会做饭的厨师，你只需要说“做一道辣炒鸡”，它会自己决定：
用哪些食材（工具）。
按什么顺序烹饪（步骤）。
甚至在鸡肉炒焦时换个方法重试。
AI代理的工作方式是：
你给它一个目标（比如“部署网站”）。
提供一些工具（比如“部署代码”“运行测试”）。
让大语言模型（LLM） 实时决定用哪些工具、按什么顺序完成任务。
这样做的好处：
更少的代码：程序员不用为每种情况写规则。
更灵活：出错时，代理可以换个方法继续。
创新性：LLM可能会找到人类没想到的解决方案。
4 AI代理怎么工作？一个简单的循环
AI代理的核心是一个循环，就像一个不断思考的机器人。它的步骤是：
- LLM 决定下一步：LLM 查看当前情况，输出一个 JSON（一种数据格式），说明要做什么。比如：
这表示“调用部署后端的工具，版本是4af9ec0”。
执行工具：普通代码（叫“确定性代码”）按照JSON的指示运行工具，比如真的去部署后端。
记录结果：工具运行的结果（比如“后端部署成功”）被加到上下文窗口（一个记录所有步骤的地方）。
重复或结束：LLM 再看新的上下文，决定下一步。如果任务完成，它会说“done”；否则，继续循环。
这个过程就像一个智能助手在不断思考和行动。
5 AI代理的问题：迷失在长对话中
虽然 AI 代理听起来很厉害，但它有一个大问题：上下文窗口过长。
每次循环，上下文都会增加（每个步骤和结果）。当上下文太长时，LLM就像一个记性不好的助手，忘了最初的任务，可能会：反复尝试错误的方案。
想象你和朋友聊了100句话，话题早就跑偏了。AI代理也一样，通常在10-20次循环后，表现就会变差。
6 微代理：更聪明、更可靠的解决方案
为了解决长上下文的问题，开发者发明了微代理（Micro Agents）。它的核心思路是：
- 把大任务拆成小任务。
- 每个小任务用一个独立的微代理处理，上下文保持短小。
- 微代理嵌入到一个更大的、确定性DAG 中，确保整体流程清晰可控。
微代理的优点：
- 短上下文：每个微代理只处理一个小任务，确保 LLM 不会迷失。
- 确定性 DAG：像一个总导演，安排好大任务的整体流程。
- 人类反馈：微代理擅长处理需要人类参与的场景，比如用户说“先部署后端”。
举个例子：部署机器人（Deploybot）
有一个微代理叫“Deploybot”，专门负责软件部署：
- 程序员把代码合并到GitHub。
- 确定性代码自动部署到测试环境，运行测试。
- 微代理接手生产环境部署，初始任务是“部署版本4af9ec0”。
- 代理调用工具deploy_frontend()，询问人类是否批准。
- 人类说：“先部署后端！”
- 代理理解反馈，调用deploy_backend()。
- 人类批准后，代码执行后端部署。
- 代理再部署前端，确认任务完成。
这个微代理只处理“生产环境部署”这一小块，上下文简单，LLM能保持专注。
7 AI代理的四个核心部分
一个AI代理由以下四部分组成，简单但强大：
- 提示（Prompt）：告诉LLM它有哪些工具和如何决策。
比如：“你是一个部署助手，可以调用deploy_backend和deploy_frontend。”
- 开关语句（Switch Statement）：根据LLM的JSON输出，决定调用哪个工具。
比如，如果JSON说“deploy_backend”，就运行后端部署代码。
- 累积上下文（Accumulated Context）：记录所有步骤和结果，供LLM参考。
- 循环（For Loop）：不断重复，直到LLM说“任务完成”。
这些部分让AI代理既有 灵活性（LLM动态决策），又有可控性（确定性代码管理流程）。
8 AI代理在现实中的应用
微代理已经在很多领域发挥作用，比如：
- 软件部署：像Deploybot这样，管理复杂的部署流程，处理人类反馈。
- 客服聊天机器人：理解用户的问题，调用工具（比如查询订单、退货）解决问题。
- 数据处理：自动整理数据，遇到问题时请教人类。
这些场景中，微代理的短上下文和人类反馈能力让它特别有用。
9 给初学者的建议：如何开始探索AI代理
如果你对 AI 代理感兴趣，但完全没基础，别担心！以下是一些简单的起步建议：
了解基础概念：
看看什么是有向图和 DAG。
了解大语言模型（LLM），比如 DeepSeek 是怎么工作的。
尝试简单代码：
使用 Cursor ，试着写一个简单的代理循环（参考文章中的描述）。
网上有很多 LLM 的API（比如 OpenRouter ），可以用它们实验。
实现一个微代理：
找一个简单的任务，比如“整理文件夹”或“自动回复简单问题”。用 LLM 处理决策，普通代码执行任务。
小结：AI 代理是未来的方向。AI 代理是智能软件的未来，它让软件更像一个会思考的助手，而不是死板的机器。通过结合大语言模型和确定性流程，AI代理既灵活又可靠。微代理尤其适合现实场景，因为它能保持上下文简单，轻松处理人类反馈。
从60年前的流程图，到今天的微代理，软件的进化一直在让我们的生活更简单。
加入高质量
AI 编程社群
审核/邀请/学员
第一章
从自然语言到AI代理
——让软件听懂你的话
1.1 自然语言到工具调用：让 AI 听懂你的指令
想象一下，你对一个助手说：“帮我创建一个750美元的支付链接，给shadow ，用于赞助5月份的 Mixlab AI Agent 聚会。” 这个助手不仅能听懂你的话，还能把它变成一个明确的指令，交给支付系统去执行。这就是 AI 代理的核心能力之一：将自然语言转化为结构化的工具调用。
什么是“工具调用”？
“工具调用”就像给软件下达一个具体的命令。比如，你说“创建一个支付链接”，AI 代理会把这句话翻译成一个结构化对象（就像一张填好的订单），告诉支付系统做什么。
来看一个例子：
AI代理翻译成：
这个 JSON 对象就像一份详细的指令单：
- function：告诉系统要调用哪个工具（这里是“创建支付链接”）。
- parameters：包含具体的细节，比如金额（750美元）、客户ID、产品ID、备注等。
为什么这很强大？这种能力让 AI 代理像一个超级翻译官，把你随意的语言变成计算机能懂的指令：
- 你不需要懂编程，AI代理会帮你把想法变成行动。
- 程序员可以少写很多代码，因为AI代理自动填好了指令的细节。
- 代理可以处理复杂任务，比如创建支付链接、发送邮件、查询数据库等。
1.2 背后的魔法：大语言模型（LLM）在工作
这个翻译过程是怎么实现的？答案是大语言模型（LLM），比如 DeekSeek 或 Claude 这样的技术。LLM 就像一个超级聪明的语言专家，能理解你的话，并输出结构化的指令。
代码怎么实现？来看一个简单的代码例子，展示 AI 代理如何把自然语言变成工具调用：
代码解释：
- 输入指令：你用自然语言告诉 AI 代理要做什么（比如“创建支付链接”）。
- LLM 处理：LLM 分析你的话，输出一个 JSON，说明要调用哪个工具和具体参数。
- 执行工具：普通代码（叫“确定性代码”）根据 JSON 调用对应的工具，比如用 Stripe 的 API 创建支付链接。
- 处理其他情况：如果 LLM 输出的工具不认识，代码可以选择报错或尝试其他操作。
现实中更复杂一点，在真实场景中，创建支付链接可能需要更多步骤。比如：
- 代理可能先查询 Stripe 的客户列表，找到“shadow”的 ID。
- 再查询产品列表，找到“ Mixlab AI Agent 聚会赞助”的产品 ID。
- 最后组合这些信息，生成正确的 JSON。
这些步骤可能在 LLM 的 提示（Prompt） 或上下文窗口中提前提供。但核心思路不变：LLM把你的语言变成结构化的指令，交给代码去执行。
1.3 它是怎么融入 AI 代理的？
你可能注意到，上面的代码只完成了一个步骤：把语言翻译成工具调用，执行后就结束了。但完整的AI代理通常会循环，不断处理结果，直到任务彻底完成。
比如，创建支付链接后，代理可能：
把这个结果加到上下文。
LLM再看上下文，决定下一步（比如“告诉用户链接已创建”）。
这个循环的过程我们会在后面的章节详细讲（比如“代理的循环机制”）。现在，你只需要知道：自然语言到工具调用是 AI 代理的第一步，也是最重要的一步。
如果你完全不懂编程，别担心！以下是这节的关键点：
- AI 代理像一个翻译官：它把你说的话（比如“创建支付链接”）变成计算机能懂的指令（JSON）。
- 大语言模型（LLM）是核心：它负责理解你的语言，生成指令。
- 工具调用是行动：JSON告诉软件做什么（比如调用支付系统）。
这个模式很强大：它让普通人可以用日常语言控制软件，程序员也能少写代码。
想试试看？如果你对编程有点兴趣，可以试试以下简单实验：
打开 Cursor ，给它一个简单的指令，比如“帮我写一个发送邮件的JSON”。看看它输出的JSON长什么样，试着理解它的结构。
如果你想更进一步，可以要求 Cursor 帮你写 Python，用代码调用 API，真的发送一封邮件！
接下来，我们会深入探讨：
上下文窗口：AI代理如何记住之前的步骤？
循环机制：代理如何不断思考和行动，直到任务完成？
微代理：如何让代理更可靠、更适合现实场景？
准备好了吗？让我们继续探索AI代理的魔法世界！
第二章
掌控你的提示
——让AI代理听你的指挥
在上一章，我们了解了 AI 代理如何将你的自然语言变成具体的工具调用，就像一个聪明的翻译官。现在，我们要深入探讨一个关键部分：提示（Prompt）。提示是你和AI代理的“对话脚本”，它决定了代理能不能听懂你的指令、做出正确的决定。这一章将用最简单的语言，带零基础的你了解如何“掌控你的提示”，让AI代理更听话、更可靠！
2.1 什么是提示？AI代理的“说明书”
提示（Prompt）就像你给 AI 代理的一份“说明书”，告诉它：
- 你是谁（比如“一个管理软件部署的助手”）。
- 你的目标（比如“确保部署安全顺利”）。
- 它有哪些工具（比如“部署后端”“检查状态”）。
- 它应该怎么思考（比如“先检查环境，再部署”）。
一个好的提示能让 AI 代理像一个训练有素的员工，清楚地知道该做什么。而一个模糊的提示可能会让代理“摸不着头脑”，做出错误的决定。
2.2 框架的“黑箱”提示：方便但有局限
很多AI代理框架（就像现成的工具包）提供了一种“黑箱”方式，让你快速创建代理。代码可能长这样：
这种方式有什么好处？
简单快速：你只需要填几个参数（角色、目标、工具），框架会帮你生成一个提示。
适合新手：不用自己写复杂的提示，框架内置了高质量的“模板”。
但它也有问题：
像个黑箱：你不知道框架到底生成了什么提示，AI代理收到的具体指令是隐藏的。
难以调整：如果代理表现不好，你很难改提示，因为它是框架自动生成的。
不够透明：你无法完全理解代理为什么做了某个决定。
限制创新：框架的模板可能不支持一些高级技巧（比如特殊的提示设计）。
想象你买了一个智能机器人，但它的说明书是锁在盒子里的。你能用它，但没法改它的行为。这就是“黑箱”提示的局限。
2.3 掌控你的提示：把提示当代码写
与其依赖框架的“黑箱”，更好的办法是自己写提示，并把它当做代码一样管理。来看一个例子，展示如何为一个“部署助手”写提示：
代码解释：
- 函数定义：DetermineNextStep 是一个函数，输入是用户说的话（thread，比如“部署网站”），输出是下一步的工具调用（比如DeployBackend 或 RequestMoreInformation）。
- 提示内容：
系统角色：告诉AI它是一个“部署助手”，有明确的目标和工具。
检查清单：列出部署前必须检查的事项（环境、版本、状态）。
工具列表：说明AI可以使用哪些工具。
思考顺序：给AI一个清晰的决策流程（先检查，再部署）。
用户输入：把用户的话（thread）加到提示末尾，询问下一步。
- 工具输出：AI会返回一个结构化的指令，比如“调用deploy_backend”或“请求更多信息”。
这种写法，可以让你完全控制提示的内容。
2.4 掌控提示的好处：让AI代理更听话
自己写提示就像给 AI 代理量身定制一份说明书。以下是这么做的4大好处：
- 完全控制：你可以精确地告诉AI要做什么，不会被框架的“黑箱”限制。比如，你可以添加特殊的指令（“总是先检查状态”）或删除不必要的部分。
- 像代码一样测试：你可以为提示写测试用例，确保 AI 在不同情况下都能正确响应。
- 快速迭代：如果AI表现不好，你可以直接改提示，马上看到效果。比如，AI总是忘了请求批准？你可以在提示里加一句“敏感操作必须请求批准”。
- 透明性：你知道AI收到的每一条指令，不用猜框架做了什么。这让调试问题变得更容易。
这些技巧可能让 AI 表现更好，但框架的“黑箱”通常不支持。
为什么这些很重要？
提示是你和 AI 之间的“桥梁”。一个好的提示能让 AI 像一个得力助手，精准完成任务。而一个不合适的提示可能让 AI “跑偏”，浪费时间和资源。掌控提示就意味着你有无限的灵活性，可以尝试各种方法，直到找到最好的那个。
如果你完全不懂编程，别担心！以下是这节的核心要点:
- 提示是AI的说明书：它告诉AI你是谁、目标是什么、怎么做决定。
- 框架的“黑箱”方便但不灵活：它们自动生成提示，但你没法细调。
- 自己写提示更好：你可以精确控制AI的行为，像写代码一样测试和改进。
- 好处是控制和透明：你知道AI在干什么，能让它更听话。
想试试看？即使你不会编程，也可以玩玩提示设计：
- 找一个 AI 聊天工具（比如DeekSeek）。
- 试着写一个简单的提示，比如：
看看AI怎么回答，试着改提示（比如加一句“总是先问客人有没有过敏”），观察变化。
这一节我们学会了如何“掌控提示”，让AI代理更听你的指挥。提示是你和AI之间的“对话脚本”，掌控它就意味着掌控AI的行为。接下来，我们会探讨：
上下文窗口：AI如何记住之前的步骤？
工具调用：提示如何生成结构化的指令？
微代理：如何用提示打造更可靠的AI助手？
让我们继续探索AI代理的魔法世界！
第三章
掌控你的上下文窗口
——让AI代理记住关键信息
在上一章，我们学会了如何通过“提示（Prompt）”告诉 AI 代理该做什么，就像给它一份清晰的说明书。但 AI 代理不仅需要知道“做什么”，还需要记住“之前发生了什么”。这就引出了一个关键概念：上下文窗口（Context Window）。这一章将用最简单的语言，带零基础的你了解上下文窗口是什么，为什么它重要，以及如何掌控它，让AI代理更聪明、更可靠！
3.1 什么是上下文窗口？AI代理的“记忆本”
上下文窗口就像 AI 代理的“记忆本”，记录了任务进行到哪一步，以及所有相关的信息。每次你问 AI 代理“下一步做什么？”，它会翻开这个记忆本，查看：
- 你说了什么（比如“部署后端”）。
- 之前做了什么（比如“检查了版本列表”）。
- 结果怎么样（比如“找到了版本v1.2.3”）。
- 其他相关信息（比如外部数据或错误日志）。
为什么需要上下文窗口？
AI代理的大语言模型（LLM）是“无状态”的，就像一个每次都从零开始思考的机器人。它不会自动记住之前的对话或操作。要让它知道“现在的情况”，你必须把所有相关信息塞进上下文窗口，作为输入给 LLM 。
简单来说：上下文窗口 = 过去发生的一切 + 当前任务。一个好的上下文窗口能让 AI 代理做出更准确的决定，就像一个记性好的助手。
3.2 上下文窗口包含什么？你的“信息拼盘”
上下文窗口就像一个信息拼盘，包含以下几种内容：
- 提示和指令：告诉AI它是谁、目标是什么、怎么决策（我们在第二章讲过）。
比如：“你是一个部署助手，先检查状态再部署。”
- 外部数据：从数据库、文件或搜索中获取的信息（也叫RAG，检索增强生成）。比如：“当前版本列表：v1.2.3, v1.2.2, v1.2.1。”
- 历史记录：之前的所有步骤、工具调用和结果。比如：“用户说'部署后端’ → 调用了list_git_tags → 得到版本列表。”
- 相关记忆：其他对话或事件的相关信息（比如之前的用户反馈）。比如：“用户上周说优先部署后端。”
- 输出格式指令：告诉AI应该返回什么格式的数据（比如JSON）。比如：“返回一个工具调用的JSON，包含intent和parameters。”
- 核心原则：上下文窗口的质量决定了AI代理的表现。给LLM更好的输入（清晰、简洁、相关），就能得到更好的输出。
3.3 标准上下文格式：简单但不完美
大多数 AI 代理使用一种标准的消息格式来组织上下文窗口，看起来像这样：
这种格式的优点：
- 简单通用：大多数LLM客户端都支持这种格式，像聊天记录一样直观。
- 结构清晰：用role（系统、用户、助手、工具）和content区分不同信息。
但它也有局限：
- 不够高效：JSON格式可能包含很多重复或不必要的字段，浪费“令牌”（Token，LLM处理文本的单位）。
- 不够灵活：标准格式可能不适合你的具体需求，比如需要特殊的数据结构。
- 注意力分散：长而复杂的消息列表可能让 LLM 难以抓住重点。为了让AI代理发挥最大潜力，你需要一种更高效、更定制化的上下文格式。
3.4 掌控上下文窗口：定制你的“记忆本”
与其依赖标准格式，你可以自己设计上下文窗口，根据任务需求优化信息结构。来看一个例子，把所有上下文塞进一条用户消息：
这个格式有什么特别？
- 像XML的结构：用<tag>标记不同类型的事件（比如<slack_message>、<list_git_tags>），清晰易读。
- 单条消息：把所有上下文塞进一条 user 消息，减少 JSON 的冗余字段。
- 定制化：你可以根据任务调整格式，比如只包含关键信息，忽略无关细节。
- 明确问题：最后一句“下一步做什么？”清楚地告诉LLM你的期望。
这个 XML 风格只是一个例子。你可以用 YAML 、纯文本，甚至完全自定义的格式，关键是让上下文更高效、更适合你的任务。
3.5 掌控上下文窗口的好处
自己设计上下文窗口就像给 AI 代理量身定制一个“记忆本”。以下是五大好处：
- 信息密度高：用紧凑的格式（比如XML或YAML）组织信息，让 LLM 更容易抓住重点。
- 错误处理：把错误信息（比如“部署失败”）结构化地加入上下文，帮助AI决定如何恢复（比如询问人类）。
- 安全性：你可以过滤敏感数据（比如用户密码），只把必要信息传给 LLM。
- 灵活性：根据任务调整上下文格式，实验哪种结构效果最好。
- 令牌效率：优化格式，减少不必要的文本，节省 LLM 的“令牌”预算（令牌越少，处理越快、成本越低）。
3.6 上下文工程的原则：打造最佳输入
上下文工程的核心是给 LLM 最好的输入。以下是一些实用原则：
- 一切都是上下文工程：提示、外部数据、历史、工具调用、记忆，都是上下文的一部分。
- 优化令牌效率：用简洁的格式传递信息，减少浪费。
- 清晰结构化：用标记（如<tag>）或分层结构让信息一目了然。
- 包含错误信息：让AI知道哪里出错，才能聪明地恢复。
- 过滤敏感数据：确保不把隐私信息传给 LLM。
- 实验不同格式：尝试 XML、YAML、纯文本，找到最适合你的格式。
- 反复出现的主题：没人知道最好的上下文格式是什么，但你需要灵活性去尝试一切！
如果你完全不懂编程，别担心！以下是这节的核心要点，用最简单的语言总结：
- 上下文窗口是AI的记忆本：它记录了任务的所有信息（用户说了什么、做了什么、结果如何）。
- 标准格式简单但不高效：像聊天记录一样，但可能浪费空间或不够灵活。
- 自定义上下文更好：你可以设计自己的格式（比如XML），让AI更容易理解。
- 好处是效率和控制：节省空间、处理错误、保护隐私、适应不同任务。
想试试看？玩玩上下文设计：
用 DeekSeek，试着给它一个“历史记录”+问题，比如：
看看AI怎么回答，试着改上下文（比如加一句“错误发生在昨天”），观察变化。
这一节我们学会了如何“掌控上下文窗口”，让AI代理记住关键信息并做出聪明决定。上下文窗口是你和AI之间的“记忆桥梁”，优化它能显著提升代理的表现。接下来，我们会探讨：
工具调用：上下文如何生成结构化的指令？
循环机制：AI如何基于上下文不断行动？
微代理：如何用上下文打造可靠的AI助手？
让我们继续探索~
如果你对AI应用充满好奇？想知道如何用 AI 打造属于自己的“多Agent工厂”？欢迎加入我们的付费微信群！在这里，你会遇到一群志同道合的小伙伴，一起分享经验、碰撞想法，探索AI的无限可能。