很多人第一次接触 Agent是从 LangChain、CrewAI、AutoGen 开始。框架文档里 Chain、Tool、Memory、Planner 一堆抽象很容易让人觉得Agent 很复杂必须先学框架。其实把框架剥开底层逻辑就三件事LLM 负责思考工具负责行动循环负责持续推进。即Agent LLM Tools Loop。理解这个公式比背任何框架 API 都重要。框架会变机制不会。下面用最小 Python Agent 把循环跑起来。1. Agent 到底是什么普通 LLM 调用是一次性的用户提问模型回答结束。Agent 多了”行动循环”LLM 读取用户问题和当前状态LLM 判断是否需要工具如果需要程序执行工具并把结果返回给 LLMLLM 基于新结果继续判断直到模型认为任务完成输出最终答案。这个模式常称ReActReasoning Acting。先推理再行动再观察结果继续推理。图1Agent 循环流程图——用户输入进入 LLMLLM 要么直接回答要么调用工具工具结果回传 LLM 继续思考直到输出最终答案什么时候需要 Agent任务需要”多步判断 外部动作”时如查资料、算数、调接口、读文件。只做改写、摘要、分类普通 LLM 调用就够。2. 用 Python 写一个最小 Agent示例用 Anthropic Claude API 的tool_use。OpenAI function calling 同一套思想定义工具 → 模型选工具 → 程序执行 → 结果回传。先安装依赖通过环境变量设置 Key不要写进代码pip install anthropicexport ANTHROPIC_API_KEY你的_API_Key2.1 定义工具工具不是函数本身而是给模型看的能力说明书工具叫什么、能做什么、需要哪些参数。import reimport anthropicclient anthropic.Anthropic()tools [{ name: calculator, description: 计算简单数学表达式只支持数字、加减乘除和括号。, input_schema: { type: object, properties: { expression: { type: string, description: 数学表达式例如 123 * 456 789 } }, required: [expression] }}]工具描述越清楚模型越容易选对。这里只放一个计算器方便看懂完整链路。2.2 执行工具模型不会真的执行代码。它只提出”我要调 calculator参数是 x”。真正执行的是你的 Python 程序。def run_tool(name: str, args: dict) - str: if name ! calculator: return未知工具 expr args[expression] ifnot re.fullmatch(r[0-9\-*/(). ], expr): return表达式包含不允许的字符 try: return str(eval(expr, {__builtins__: {}}, {})) except Exception as e: returnf计算失败{e}这里用白名单限制字符。生产环境更建议用专门数学解析库别让模型生成内容直接进入高权限执行环境。2.3 写 Agent 循环核心就是一个for循环请求模型 → 检查工具调用 → 执行工具 → 结果塞回历史 → 再请求模型。def agent(user_input: str, max_steps: int 5) - str: messages [{role: user, content: user_input}] for _ in range(max_steps): response client.messages.create( modelclaude-opus-4-8, max_tokens1024, toolstools, messagesmessages, ) messages.append({role: assistant, content: response.content}) if response.stop_reason ! tool_use: return.join( block.text for block in response.content if block.type text ) tool_results [] for block in response.content: if block.type tool_use: result run_tool(block.name, block.input) tool_results.append({ type: tool_result, tool_use_id: block.id, content: result, }) messages.append({role: user, content: tool_results}) return达到最大循环次数Agent 停止。print(agent(123 乘以 456 再加上 789 等于多少))典型运行用户提问 → LLM 判断需要计算器 → 生成工具调用calculator({expression:123*456789})→ Python 执行得56877→ 结果回传 LLM → LLM 输出自然语言答案。图2Agent 运行过程——LLM 思考需要计算器→ 调用 calculator → 工具返回 56787 → LLM 组织最终回答注意图中示例数值用于展示流程如果你换表达式结果以程序实际计算为准。什么时候用这个最小版学原理、验证工具调用、做内部小工具。还不适合直接上生产——缺权限控制、日志、重试、上下文管理和人工确认。3. 拆开看Agent 的 4 个关键机制机制一工具定义工具定义就是 LLM 的“工具菜单”。模型根据name、description和参数 schema 判断能不能用、该不该用、怎么传参。坑点工具描述太泛会导致误选。例如“处理数据”不如“计算数学表达式并返回结果”。工具越多描述越要互斥。什么时候用只要模型需要访问外部世界——数据库、文件、接口、搜索、计算——就要定义工具。机制二模型决策Agent 不是你硬编码“先调 A再调 B”。LLM 会根据问题和工具列表自己决定下一步。这是 Agent 相比普通脚本最大的区别。什么时候用路径不固定时用 Agent路径固定时用普通代码编排更稳定、更便宜。机制三工具执行LLM 只负责“提出动作”程序负责“执行动作”。这个边界很重要工具权限、参数校验、失败处理都应该在你控制的代码里完成。什么时候用永远如此。不要让模型直接执行任意 shell、SQL 或高权限 API。机制四循环终止stop_reason tool_use表示模型还想行动否则说明它准备回答。除此之外还要加max_steps防止无限循环。什么时候用所有 Agent 都必须有循环上限。没有上限成本和风险都会失控。4. 从最小 Agent 到实用 Agent最小版本能说明原理但实用 Agent 至少要补三层能力。图3从最简 Agent 到实用 Agent 的演进——补循环上限、补错误回传、补上下文管理第一循环上限。用max_steps控制最多执行几轮避免模型在“搜索—总结—再搜索”里打转。第二错误回传。工具失败时不要吞错误要把错误作为tool_result返回给模型。模型看见“参数不合法”或“接口超时”才有机会换策略。第三上下文管理。每轮工具调用都会让消息历史变长。短任务可以直接保留全部历史长任务要做截断、摘要或外部记忆否则 token 会爆。什么时候升级当 Agent 需要跑很多步、接多个工具、给多人使用或者会触碰文件/数据库/生产系统时就不能停留在教学版。5. 要不要用框架方案适合场景优点坑点原生 API 循环学原理、简单工具透明、好调试基建要自己补LangChain快速原型、RAG生态大抽象多、版本变化快CrewAI多角色协作任务组织清晰简单任务容易过度设计AutoGen多 Agent 对话适合研究协作模式调试链路长建议路线先写原生 Agent搞懂 LLM Tool Loop再学框架。否则框架出错时你分不清是模型没选对工具、schema 写错、工具执行失败还是框架封装层的问题。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️最佳学习路线只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】