写在前面
先提前叠个甲：本人6年前端开发，分享文章仅是我个人心得，就当看个乐呵。可能适合已有几年开发经验转行AI Agent的同学做参考，每个人基础、学习节奏不一样，不唯一、不绝对，大家有不同看法也可以友好交流，不喜勿喷。
第一章 LLM 和 Agent 区别
1.1 一句话区别：LLM 能"说"也能"被约束"，Agent 多的是"循环 + 动态工具 + 上下文缓存"
- LLM 本身：同样可以接收 prompt、加约束（角色 / 格式 / 规则 / few-shot），一次问答出个结果就结束
- Agent 在 LLM 之上多出的三样东西：
- 循环：能跑多轮、边想边干，不是一问一答就完
- 动态调工具：运行时自己决定调哪个 API / 函数，而不是你写死
- 上下文缓存：把中间结果、记忆塞回上下文，带着历史继续干
顺带一句：简单、可预测的活千万别请 Agent 来添乱（什么时候该上、什么时候该用固定流程，后面「Workflow 与 Agent 」那章专门聊）
第二章 一张架构图看懂 Agent 项目
2.1 逐块拆（从左到右、从外到里）
- 初始化：入口、配置加载
- 路由分发型智能体：按意图把任务分给不同智能体 / 工具（工具路由）
- 提示词工程：设定角色、指令、输出格式
- 工具调用：Function Calling / Tools Calling / MCP
- RAG 知识库：向量库检索、LlamaIndex、数据块交互
- 输出约束：
-
- 提示词约束（规则 / 示例 / 工具返回）
- 类型·协议约束（C# .NET
<T>/ Python pydantic / TypeScript zod）
- 人在回路 HITL：人工干预节点
- 最终结果输出
2.2 藏在右边的"核心主体"（Agent 本体）
- 记忆功能（短 / 长期、会话持久化、数据体交互）
- 消息层 Message（角色、数据体）
- 前端交互（SSE / WebSocket 流式、错误重试）
- 流程编排（LangGraph：节点 / 分支 / 循环 / 多智能体协作）
- 可观测性与监控跟踪（langfuse / langSmith）
- 安全与权限治理
- 配置与版本管理
第三章 Agent 的心脏：ReAct 循环
3.1 Thought → Action → Observation，循环到出答案
- Thought：模型想下一步干啥
- Action：真去调工具 / 查知识库
- Observation：拿到返回，再想
- 直到模型觉得能答了 → 输出最终答案
一个最小例子：让 Agent 查天气
- 用户："北京今天适合跑步吗？"
- Thought：我得查天气 → Action：call_weather(北京) → Observation：晴 26℃ → Thought：适合 → 答案
3.2 循环的边界与反思（埋钩子）
- 反思 Reflection：每次 Observation 拿到结果后，先让模型自评一句"这结果对吗？要不要换工具 / 重试 / 补信息？"——这是最简单的自我纠正，也是后面 RAG 3.0、Code Agent 自验证的雏形
- 最大步数、重复检测：避免"死循环烧钱"
- 钩子：后面"循环死锁避坑"会展开
第四章 Workflow ↔ Agent 光谱：什么时候该上 Agent
4.1 一半需求根本不用上 Agent（判定 + 提醒）
- 很多需求：输入固定、步骤固定、结果可预测 → 用 if/else + 模板就够，别硬上 Agent
- 判定清单（要不要上 Agent）：
-
- 结果可预测吗？→ 是 → 用 Workflow
- 需要调外部工具 / 查实时数据吗？→ 否 → 直接 prompt
- 步骤多且不确定、要自主决策？→ 是 → 上 Agent
- 别为了用 Agent 而用 Agent：成本、延迟、可控性都更贵更不可控，Agent 是重武器不是螺丝刀
4.2 光谱三档
-
- 固定 Workflow：纯确定性编排（0 LLM 或极少 LLM）
-
- 半自动：LLM 做部分决策（如分类、抽取），主体还是流程
-
- 自主 Agent：ReAct 循环 + 工具 + 记忆，自己决定怎么干
小结 + 预告
- 收束：Agent 不是黑魔法，就是「一张架构图（骨架）+ 一个 ReAct 循环（心脏）+ 一条 Workflow↔Agent 光谱（分寸）」三件套
- 预告下一篇（系列 ②） ：《Agent 的手和脚：工具 / MCP 与 Skills》—— Function Calling 怎么跑、MCP 协议是啥、Skills 怎么让 Agent 渐进加载能力
- 钩子回收：循环死锁、RAG、编排、驾驭工程，后面逐篇来
