Agent 开发全流程：从概念到生产
AI 核心技能系列 · 第 8 篇
导语
2026 年，Agent 是 AI 领域最热的方向，没有之一。
但"Agent"这个词被用得太泛了——ChatBot 是 Agent 吗？自动化脚本是 Agent 吗？一个套了 System Prompt 的聊天窗口就能叫 Agent 吗？
这篇文章帮你彻底搞清楚：Agent 到底是什么，主流架构模式有哪些，怎么选框架，以及——怎么从零开发一个能在生产环境跑的 Agent。
一、什么是 Agent：从概念到定义
1.1 核心定义
Agent 是能自主感知环境、做出决策、采取行动来完成任务的 AI 系统。
关键词是"自主"——你给它一个目标，它自己决定怎么实现，而不是你一步步告诉它做什么。
1.2 Agent vs ChatBot vs Workflow
| 维度 | ChatBot | Workflow | Agent |
|---|---|---|---|
| 决策方式 | 人主导对话 | 预设流程 | AI 自主决策 |
| 灵活性 | 低（一问一答） | 中（固定路径） | 高（动态调整） |
| 工具使用 | 不用/很少 | 预设顺序 | 按需选择 |
| 错误处理 | 依赖人类 | 预设分支 | 自主重试/换策略 |
| 复杂任务 | 不擅长 | 固定复杂度 | 开放式复杂任务 |
| 类比 | 客服接线员 | 流水线工人 | 独立负责项目的员工 |
1.3 Agent 的核心能力
┌─────────────────────────────────────────┐
│ Agent 核心架构 │
│ │
│ ┌──────────────┐ │
│ │ 感知 Perceive │ │
│ │ 理解环境和任务 │ │
│ └──────┬───────┘ │
│ │ │
│ ┌──────▼───────┐ │
│ │ 推理 Reason │ │
│ │ 分析+规划方案 │ │
│ └──────┬───────┘ │
│ │ │
│ ┌──────▼───────┐ ┌──────────┐ │
│ │ 行动 Act │───│ 工具调用 │ │
│ │ 执行具体操作 │ │ API/DB.. │ │
│ └──────┬───────┘ └──────────┘ │
│ │ │
│ ┌──────▼───────┐ │
│ │ 记忆 Memory │ │
│ │ 积累经验教训 │ │
│ └──────────────┘ │
│ │
│ ↻ 循环直到任务完成或达到限制 │
└─────────────────────────────────────────┘
二、Agent 的架构模式
2.1 四种主流模式
1. ReAct 模式（Reasoning + Acting）
推理和行动交替进行，最经典的 Agent 模式。
Thought: 用户想知道最新的 AI 论文，我需要搜索。
Action: search_arxiv("LLM agent 2026")
Observation: 找到 5 篇相关论文...
Thought: 需要筛选出最相关的 2 篇，总结要点。
Action: read_paper("2026.12345")
Observation: 论文主要讲...
Thought: 我有足够的信息来回答了。
Answer: 以下是最新的 AI Agent 研究进展...
2. Plan-and-Execute 模式
先制定完整计划，再按步骤执行。
Planning Phase:
Step 1: 搜索最新 AI 论文
Step 2: 筛选前 3 篇最相关的
Step 3: 阅读并总结每篇要点
Step 4: 整合成一份综述
Execution Phase:
执行 Step 1... ✓
执行 Step 2... ✓
执行 Step 3... ✓（可能根据结果调整计划）
执行 Step 4... ✓
3. 反思模式（Reflexion）
执行后自我评估，从错误中学习。
Action: 生成代码
Check: 运行测试 → 失败
Reflect: 分析错误原因，是边界条件没处理
Action: 修改代码，加上边界条件处理
Check: 运行测试 → 通过 ✓
4. 多 Agent 协作
多个专业化 Agent 分工合作。
Manager Agent
├── Research Agent（负责搜索和调研）
├── Coding Agent（负责写代码）
├── Review Agent（负责代码审查）
└── Testing Agent（负责测试）
2.2 选择指南
| 模式 | 适用场景 | 复杂度 |
|---|---|---|
| ReAct | 大部分单 Agent 场景 | ★★ |
| Plan-and-Execute | 步骤明确的复杂任务 | ★★★ |
| Reflexion | 代码生成、写作等可验证任务 | ★★★ |
| 多 Agent | 大型项目、需要不同专业能力 | ★★★★★ |
三、主流 Agent 框架对比
| 框架 | 出品 | 学习曲线 | 功能 | 特点 |
|---|---|---|---|---|
| LangGraph | LangChain | ★★★ | ★★★★★ | 状态图、最灵活 |
| Claude Agent SDK | Anthropic | ★★ | ★★★★ | 官方框架、集成好 |
| CrewAI | 社区 | ★★ | ★★★★ | 多 Agent 协作最简单 |
| AutoGen | 微软 | ★★★ | ★★★★ | 多 Agent 对话 |
| Dify / Coze | 各厂商 | ★ | ★★★ | 低代码、快速原型 |
| 纯代码 | 自己写 | ★★★★ | ∞ | 最灵活、理解原理 |
选择建议：
- 理解原理：先用纯代码实现一遍（本文会带你做）
- 快速原型：Dify / Coze
- 生产系统：LangGraph（复杂流程）或 Claude Agent SDK（Claude 生态）
- 多 Agent：CrewAI 或 AutoGen
四、实战：从零构建一个完整 Agent
不依赖任何框架，用纯 Python + OpenAI API 实现一个 ReAct Agent。
import json
import openai
from typing import Callable
client = openai.OpenAI()
# ===== 1. 定义工具 =====
def search_web(query: str) -> str:
"""模拟网页搜索"""
# 实际项目中对接搜索 API
return f"搜索'{query}'的结果: [模拟搜索结果]"
def calculate(expression: str) -> str:
"""安全的数学计算"""
try:
result = eval(expression, {"__builtins__": {}}, {})
return str(result)
except Exception as e:
return f"计算错误: {e}"
def read_file(path: str) -> str:
"""读取文件内容"""
try:
with open(path) as f:
return f.read()[:2000]
except Exception as e:
return f"读取失败: {e}"
# 工具注册表
TOOLS = {
"search_web": search_web,
"calculate": calculate,
"read_file": read_file,
}
# OpenAI 工具定义
TOOL_DEFINITIONS = [
{
"type": "function",
"function": {
"name": "search_web",
"description": "搜索互联网上的信息",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "搜索关键词"}
},
"required": ["query"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "执行数学计算",
"parameters": {
"type": "object",
"properties": {
"expression": {"type": "string", "description": "数学表达式，如 '2+3*4'"}
},
"required": ["expression"]
}
}
},
{
"type": "function",
"function": {
"name": "read_file",
"description": "读取本地文件的内容",
"parameters": {
"type": "object",
"properties": {
"path": {"type": "string", "description": "文件路径"}
},
"required": ["path"]
}
}
}
]
# ===== 2. Agent 核心循环 =====
SYSTEM_PROMPT = """你是一个智能助手，可以使用工具来完成任务。
请仔细分析用户的需求，选择合适的工具，逐步完成任务。
如果工具返回的结果不理想，可以尝试换一种方式。
当你有足够的信息回答用户问题时，直接给出最终回答。"""
def run_agent(user_message: str, max_iterations: int = 10):
"""Agent 主循环"""
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": user_message}
]
for i in range(max_iterations):
print(f"\n--- 迭代 {i+1} ---")
# 调用 LLM
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=TOOL_DEFINITIONS,
tool_choice="auto",
)
message = response.choices[0].message
messages.append(message)
# 如果没有工具调用，说明 Agent 已经给出了最终回答
if not message.tool_calls:
print(f"最终回答: {message.content}")
return message.content
# 执行工具调用
for tool_call in message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
print(f"调用工具: {func_name}({func_args})")
# 执行
if func_name in TOOLS:
result = TOOLS[func_name](**func_args)
else:
result = f"未知工具: {func_name}"
print(f"工具结果: {result[:200]}")
# 将结果加入对话
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": str(result)
})
return "达到最大迭代次数，任务未完成。"
# ===== 3. 运行 =====
if __name__ == "__main__":
answer = run_agent("帮我搜索一下 2026 年最新的 AI Agent 框架，然后算一下如果每个框架学习需要 2 周，学完前 3 个需要多少天？")
print(f"\n{'='*50}\n最终回答:\n{answer}")
这个 Agent 虽然简单，但已经具备了核心能力：
- 感知：理解用户问题
- 推理：决定用什么工具、按什么顺序
- 行动：调用工具获取信息
- 循环：根据结果决定下一步
五、生产部署注意事项
| 维度 | 措施 |
|---|---|
| 成本控制 | Token 用量监控、设置 max_iterations 上限、用便宜模型做简单判断 |
| 延迟优化 | 流式输出、并行工具调用、缓存常见查询结果 |
| 可靠性 | 工具调用重试(3次)、超时处理(30s)、降级策略 |
| 可观测性 | 记录每轮的 thought/action/observation、追踪 Token 消耗 |
| 安全性 | 工具权限控制、沙箱隔离、高风险操作人工确认 |
| 评测 | 构建评测数据集，定期回归测试 |
六、职业视角
Agent 开发工程师是 2026 年最热门的技术岗位方向之一。
| 面试问题 | 核心答案要点 |
|---|---|
| Agent 的核心架构？ | 感知-推理-行动-记忆循环 |
| ReAct 的原理？ | 推理和行动交替，Thought→Action→Observation 循环 |
| Agent 和 Workflow 的区别？ | Agent 自主决策动态调整，Workflow 预设流程固定路径 |
| 怎么保证 Agent 的可靠性？ | 设置迭代上限、工具重试、错误降级、人工兜底 |
Agent 工程师 vs 传统后端工程师的核心差异：不确定性。传统后端的输入输出是确定的，Agent 的每一步都有不确定性——你必须学会设计"容错"和"兜底"的系统。
总结
- Agent 定义：能自主决策、使用工具、完成复杂任务的 AI 系统
- 架构模式：ReAct（最通用）、Plan-and-Execute（复杂任务）、Reflexion（可验证任务）、多 Agent（大型项目）
- 框架选择：理解原理用纯代码，快速原型用 Dify，生产用 LangGraph/Claude SDK
- 核心循环：LLM 决策 → 工具执行 → 结果反馈 → 继续或结束
- 生产要点：成本、延迟、可靠性、可观测性、安全性缺一不可
本文是 AI 核心技能系列 第 8 篇，共 12 篇。上一篇：Fine-tuning 实战 | 下一篇：MCP 深入理解
关注公众号「coft」，获取完整系列更新、配套代码和学习路线图。一起交流 AI 转行经验，助力职业跃升，迈向高薪岗位。
