AI Agent 开发教程

第23章：Token 预算控制：Agent 的“CFO”与“止损阀” 你部署了一个 Research Agent，用户下达指令：“深度分析全球 AI 市场”。 第二天早上，你收到了 OpenAI 的账

第21章：Temporal 工作流：Agent 系统的“时光宝石” 想象这样一个场景： 你的 Agent 正在执行一个“深度行业调研”任务，预计耗时 30 分钟。 它已经勤勤恳恳地搜了 20 分钟，整

第20章：三层架构设计：Go、Rust 与 Python 的“三国演义” 你用 Python 写了一个 Agent Demo。 单进程，asyncio 并发，工具直接在本地跑。 你在笔记本上跑得飞起，

第19章：Research Synthesis：如何让 Agent 写出“深度研报” 你让 Agent：“帮我研究一下 Anthropic 这家公司。” 普通 Agent 的回答： 这回答错了吗？没错

第18章：Debate 模式：真理是“吵”出来的 你问 Agent： “AI 会导致人类大规模失业吗？” 普通的单 Agent 会给你一个滴水不漏的、正确的废话： 听起来没毛病，但也毫无洞察。 为什么

第17章：Tree-of-Thoughts：让 Agent 拥有“奇异博士”的推演能力 我用一个架构师 Agent 帮客户设计支付系统。 任务很简单：设计一个高并发的扣款方案。 我让 Agent 用

第 16 章：Handoff 机制：让 Agent 之间丝般顺滑地“交接棒” 想象这样一个场景： 你安排 Agent A 去搜集特斯拉的财报，安排 Agent B 去计算利润率。 Agent A 辛辛

第15章：Supervisor 模式：给你的 Agent 军团配个“主管” 上一章我们讲了 DAG（有向无环图），它非常适合 流程固定 的任务。 比如“写财报分析”：搜数据 -> 算指标 -> 写报告

第14章：DAG 工作流：解开任务的“死结” 上一章我们讲了多 Agent 编排的基础：要么大家排队做（串行），要么大家一起上（并行）。 但在现实世界中，大部分商业任务既不是单纯的“一条线”，也不是单

第12章：编排基础：从“独狼”到“狼群战术” 前几章我们把 单 Agent 打磨到了极致：它会规划（Planning）、会反思（Reflection）、会慢思考（CoT）。 看起来它已经无所不能了？

第11章：Reflection 模式：让 Agent 学会“照镜子” 想象一下，你让 Agent 写一段 Python 代码。 第一次运行，它报错了。 Agent 对此一无所知，直接把这段报错的代码扔

第10章：Planning 模式：Agent 的战略指挥部 想象这样一个场景： 你招了一个实习生，让他 “研究一下特斯拉、比亚迪和 Rivian 三家公司的竞争格局” 。 实习生 A（没规划） ： 打

第9章：记忆架构——RAG 系统 你让 Agent 帮你研究了一周的技术方案。 每天都在聊，讨论了几十个细节。你们对比了 MySQL 和 PostgreSQL 的优劣，讨论了缓存策略，甚至争论过变量命

第 8 章：上下文窗口管理——Agent 的“工作台”整理术 你让 Agent 帮你调试一个生产事故。 对话进行了 50 轮，它终于通过日志定位到是数据库连接池配置不对。 这时你追问了一句：“那你觉得

第7章：Hooks 与事件系统 很多开发者的 Agent 之旅是这样结束的： 在本地开发时，看着屏幕上跳动的文字觉得很酷。 一旦部署上线，面对用户的投诉：“它怎么卡住了？”、“它为什么乱说话？”、“它

第 6 章：从“万能工”到“专家团”——Skill 技能系统与角色定义 6.1 核心痛点：瑞士军刀的尴尬 在前几章，我们解决了工具调用（手脚）和 MCP 互联（接口）的问题。现在，你的 Agent 拥

第 5 章：Agent 的“USB 时刻”——MCP 协议与生态互联 4.1 核心冲突：数字世界的"巴别塔" 在 2024 年以前，Agent 开发者面临的是一个碎片化到极致的世界。如果你想开发一个能

第 4 章：工具调用基础——让 LLM 走出“缸中之脑” 4.1 核心痛点：全知全能的"局限性" 哲学上有一个思想实验叫缸中之脑：一个大脑即使能思考整个宇宙，如果无法感知当下的温度，也无法改变任何现实

第 2 章：ReAct 循环 —— Agent 的心脏 如果说 LLM（大语言模型）是 Agent 的大脑，那么 ReAct (Reasoning + Acting) 就是它的心跳。

Agent 开发的第一性原理：结构化工程 (Structured Engineering) 1. 痛点：LLM 的“话唠”属性 vs 程序的“严谨”需求 在 Agent 开发的早期，开发者最头疼的问题