AI Agent（智能体）深度学习教程

AI Agent（智能体）深度学习教程

版本: v1.0 | 日期: 2026-06-03 | 作者: 实战笔记系列

从零到一掌握 AI Agent 核心原理与实践，覆盖 LLM 大脑、规划推理、工具调用、记忆系统、多智能体协作等完整知识体系。

目录

• 1.1 什么是 AI Agent？
• 1.2 谁适合学习本教程？
• 1.3 思维转变：从对话到任务执行

• 2.1 结构组成四要素
• 2.2 运行方式详解
• 2.3 与普通大模型的区别
• 2.4 类比理解
• 2.5 实例场景：北京三日游

• 3.1 架构总览
• 3.2 Python 代码示例：天气穿衣助手
• 3.3 Agent 运行循环（ReAct 模式）
• 3.4 工具调用（Tool Calling）机制
• 3.5 记忆系统设计

• 4.1 理论基础路线
• 4.2 实践操作路线
• 4.3 Vibe Coding 新范式
• 4.4 Python 实现智能体路线

• 5.1 Claude Code 入门
• 5.2 Skills 系统教程
• 5.3 LangChain / LangGraph 实战
• 5.4 CrewAI 多智能体协作
• 5.5 OpenClaw (Clawdbot) 教程

一、AI Agent 简介

1.1 什么是 AI Agent？

AI Agent（人工智能智能体 / Artificial Intelligence Agent） 是一种能够感知环境、自主决策并执行行动以达成目标的智能软件实体。

与传统的"一问一答"聊天机器人不同，AI Agent 不仅仅是"回答问题"，而是能够"动手做事"。

┌──────────────────────────────────────────────────────────────────────┐
│ AI Agent 核心公式 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ Agent = LLM (大脑) + Planning (规划) + Tool Use (执行) + Memory (记忆) │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 🧠 LLM │ │ 📋 规划 │ │ 🔧 工具 │ │ 🗄️ 记忆 │ │
│ │ 大语言模型│ │ Planning │ │ Tool Use │ │ Memory │ │
│ │ │ │ │ │ │ │ │ │
│ │ 理解意图 │───→│ 拆解任务 │───→│ 执行操作 │───→│ 存储上下文│ │
│ │ 生成方案 │ │ 编排步骤 │ │ 调用 API │ │ 积累经验 │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│ │
└──────────────────────────────────────────────────────────────────────┘

与传统聊天机器人的对比：

1.2 谁适合学习本教程？

1.3 思维转变：从对话到任务执行

旧思维：人 → 「帮我查天气」 → AI → 「北京今天晴，22°C」 → 人自己决定穿什么
─────────────────────────────────────────────────────────────────────
新思维：人 → 「明天去北京出差，行程怎么安排？」 → Agent ─┐
├→ 查天气
├→ 查航班
├→ 订酒店
├→ 排日程
└→ 返回完整方案

核心思维转变：从"对话框问答"（Dialog-based Q&A）升级为"目标驱动的任务执行"（Goal-driven Task Execution）。Agent 不再是被动的信息提供者，而是主动的任务完成者。

二、AI Agent 核心概念

2.1 结构组成四要素

┌──────────────────────────────────────────────────────────────────────┐
│ Agent 结构四要素详解 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────────────────────────────────────────────────────┐ │
│ │ 🎯 目标 (Goal) │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 明确任务意图：用户想达成什么结果？ │ │
│ │ 示例："规划三天北京行程，预算 5000 元" │ │
│ │ 好的目标 = 可量化、有边界、可验证 │ │
│ └──────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────────────────────────┐ │
│ │ 📋 逻辑/推理 (Reasoning / Planning) │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 按规则拆解为可执行步骤： │ │
│ │ 步骤1: 查询北京未来三天天气 │ │
│ │ 步骤2: 搜索北京热门景点 │ │
│ │ 步骤3: 查询机票/高铁价格 │ │
│ │ 步骤4: 按预算筛选酒店 │ │
│ │ 步骤5: 编排生成最终行程表 │ │
│ │ 常用方法: ReAct, Chain-of-Thought, Tree-of-Thoughts │ │
│ └──────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────────────────────────┐ │
│ │ 🔧 工具 (Tools) │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 通过代码或 API 落地执行： │ │
│ │ search_web(query) → 搜索引擎 API │ │
│ │ get_weather(city) → 天气 API │ │
│ │ query_flights(from,to)→ 机票 API │ │
│ │ book_hotel(…) → 酒店预订 API │ │
│ │ send_email(…) → 邮件 API │ │
│ │ 工具 = Agent 的"手脚"，将意图转化为现实世界的行动 │ │
│ └──────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────────────────────────┐ │
│ │ 🗄️ 记忆 (Memory) │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 短时记忆 (Short-term)：当前对话上下文、中间结果 │ │
│ │ 长时记忆 (Long-term)：用户偏好、历史经验、知识库 │ │
│ │ 工作记忆 (Working)：当前任务执行中的临时状态 │ │
│ │ 示例：记住用户"不吃辣"的偏好，后续推荐餐厅时自动过滤 │ │
│ └──────────────────────────────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────────────────────────────┘

2.2 运行方式详解

Agent 的完整运行闭环：

┌──────────────────────────────────┐
│ Agent 运行闭环 │
└──────────────────────────────────┘

① 接收输入 ② 理解+判断 ③ 拆解任务
User: "帮我订 LLM 理解意图： ReAct 规划：
明天去上海的 出差订票需求 1) 查航班
机票" ──────→ 紧急程度：高 ──────→ 2) 比较价格
3) 选择下单

│ │
│ ┌────────────────────┐ │
│ │ ⑦ 调整策略 │ │
│ │ 遇到错误/阻塞 │ │
│ │ 重新规划路线 │←──────────┤
│ └────────────────────┘ │
│ ▲ │
▼ │ ▼
⑥ 返回结果 │ ④ 调用工具
"已为您预订 │ search_flights(
MU5101 航班 │ from=上海,
8:00-10:30 │ to=北京,
¥680" ──────────────┘ date=2026-06-04
)
│ │
└────────────── ⑤ 解析结果 ◄────────────────┘
提取航班号、时间、价格
存入短时记忆

关键能力说明：

2.3 与普通大模型的区别

普通 LLM：
你: "帮我分析这份 Excel 销售数据"
LLM: "请上传文件，我无法直接访问你的电脑"

AI Agent：
你: "帮我分析这份 Excel 销售数据"
Agent:
① 读取 D:/reports/sales.xlsx
② 按月份汇总销售额
③ 生成趋势图
④ 输出分析报告到 D:/reports/analysis.md
⑤ "分析完成！已生成报告到 analysis.md，要点：本月环比+15%"

2.4 类比理解

┌──────────────────────────────────────────────────────────────────────┐
│ 两种"程序"的对比 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ 传统程序 = 自动售货机 AI Agent = 私人助理 │
│ ──────────────── ──────────────── │
│ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ 🥤 投币 → │ │ 👤 "帮我安排 │ │
│ │ 选按钮 → │ │ 明天行程" │ │
│ │ 出货 │ │ │ │
│ └──────────────┘ │ ① 查日历 │ │
│ │ ② 预约会议 │ │
│ ✅ 固定流程（if-else） │ ③ 订餐厅 │ │
│ ✅ 可预测、可靠 │ ④ 发邮件 │ │
│ ❌ 无法处理未知场景 │ │ │
│ ❌ 无自主决策 │ ⑤ 回复你 │ │
│ └──────────────┘ │
│ ✅ 自主规划 │
│ ✅ 灵活应变 │
│ ⚠️ 结果需验证 │
│ │
└──────────────────────────────────────────────────────────────────────┘

2.5 实例场景：北京三日游

以"规划三天北京行程，预算 5000 元"为例，演示 Agent 的完整工作流程：

┌──────────────────────────────────────────────────────────────────────┐
│ 🎯 目标: 规划三天北京行程，预算 ¥5000 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ Step 1 — 信息收集 │
│ ┌────────────────────────────────────────────────────────────────┐ │
│ │ 🔧 search_flights("深圳→北京", "2026-06-10") │ │
│ │ → 共 15 班航班，最低 ¥650，最高 ¥2100 │ │
│ │ 🔧 get_weather("北京", "2026-06-10..2026-06-12") │ │
│ │ → 晴 28°C / 多云 25°C / 小雨 22°C │ │
│ │ 🔧 search_hotels("北京", budget="<300/晚") │ │
│ │ → 3 家可选酒店，均价 ¥220-280/晚 │ │
│ │ 🔧 search_attractions("北京", "热门") │ │
│ │ → 故宫 ¥60, 长城 ¥40, 颐和园 ¥30, 天坛 ¥15 │ │
│ └────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ Step 2 — 预算规划 │
│ ┌────────────────────────────────────────────────────────────────┐ │
│ │ 机票往返: ¥650 × 2 = ¥1300 │ │
│ │ 酒店(2晚): ¥250 × 2 = ¥500 │ │
│ │ 景点门票: 故宫+长城+颐和园+天坛 = ¥145 │ │
│ │ 餐饮预算: ¥120 × 3天 = ¥360 │ │
│ │ 交通(市内): ¥50 × 3天 = ¥150 │ │
│ │ ───────────────────────────────────── │ │
│ │ 合计: ¥2455 ✅ 在 ¥5000 预算内 │ │
│ └────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ Step 3 — 生成行程 │
│ ┌────────────────────────────────────────────────────────────────┐ │
│ │ 📅 Day 1 (6/10 晴 28°C) │ │
│ │ 08:00 抵达北京首都机场 │ │
│ │ 10:00 入住酒店（如家·王府井店 ¥240/晚） │ │
│ │ 12:00 午餐：护国寺小吃 ¥35 │ │
│ │ 14:00 故宫博物院 ¥60（需提前预约） │ │
│ │ 18:00 晚餐：全聚德烤鸭 ¥120 │ │
│ │ │ │
│ │ 📅 Day 2 (6/11 多云 25°C) │ │
│ │ 07:00 出发 → 八达岭长城 ¥40 │ │
│ │ 12:00 午餐：长城脚下农家菜 ¥50 │ │
│ │ 15:00 返回市区 → 颐和园 ¥30 │ │
│ │ 19:00 晚餐：簋街 ¥100 │ │
│ │ │ │
│ │ 📅 Day 3 (6/12 小雨 22°C) │ │
│ │ 09:00 天坛公园 ¥15 │ │
│ │ 11:00 前门大街逛街 │ │
│ │ 14:00 前往机场 → 16:00 航班返回 │ │
│ └────────────────────────────────────────────────────────────────┘ │
│ │
│ 💰 预算使用率: 49.1% | 剩余 ¥2545 │
│ ⚠️ 提示: Day 3 有雨，建议携带雨具 │
│ │
└──────────────────────────────────────────────────────────────────────┘

三、AI Agent 工作原理

3.1 架构总览

┌──────────────────────────────────────────────────────────────────────┐
│ AI Agent 通用架构 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 用户界面层 (UI) │ │
│ │ Chat / Voice / CLI / API Gateway │ │
│ └──────────────────────────┬──────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ Agent 核心 (Core) │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
│ │ │ 规划器 │ │ 执行器 │ │ 记忆管理 │ │ 安全守卫 │ │ │
│ │ │ Planner │ │ Executor │ │ Memory │ │ Guard │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │
│ └──────────────────────────┬──────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ LLM 层 (Brain) │ │
│ │ GPT-4 / Claude / Gemini / DeepSeek / Qwen / LLaMA │ │
│ └──────────────────────────┬──────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 工具层 (Tools) │ │
│ │ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │ │
│ │ │ 搜索 │ │ 代码 │ │ 文件 │ │ API │ │ 浏览器 │ │ │
│ │ │ Search │ │ Code │ │ File │ │ Call │ │Browser │ │ │
│ │ └────────┘ └────────┘ └────────┘ └────────┘ └────────┘ │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────────────────────────────┘

3.2 Python 代码示例：天气穿衣助手

下面是一个完整的 AI Agent 最小实现，无需任何框架依赖，仅用 Python + OpenAI API：

"""
天气穿衣助手 Agent — 最小可运行示例
依赖: pip install openai requests
"""

import json
import requests
from openai import OpenAI

# ─── 1. 定义工具 (Tools) ───
def get_weather(city: str) –> dict:
"""获取城市天气（模拟数据）"""
# 实际项目中替换为天气 API（和风/OpenWeather/中国气象局）
weather_data = {
"北京": {"temp": 22, "humidity": 45, "condition": "晴"},
"上海": {"temp": 28, "humidity": 80, "condition": "多云转小雨"},
"深圳": {"temp": 32, "humidity": 90, "condition": "雷阵雨"},
}
return weather_data.get(city, {"temp": 20, "humidity": 60, "condition": "未知"})

def suggest_clothing(temp: int, humidity: int, condition: str) –> str:
"""根据天气生成穿衣建议"""
suggestion = ""

# 温度判断
if temp < 10:
suggestion += "❄️ 寒冷 | 建议羽绒服 + 围巾 + 手套\\n"
elif temp < 20:
suggestion += "🍂 微凉 | 建议薄外套 + 长裤\\n"
elif temp < 28:
suggestion += "☀️ 温暖 | 建议短袖 + 薄长裤\\n"
else:
suggestion += "🔥 炎热 | 建议短袖短裤 + 防晒\\n"

# 湿度判断
if humidity > 70:
suggestion += "💧 潮湿 | 携带雨具，注意防潮\\n"
elif humidity < 30:
suggestion += "🏜️ 干燥 | 注意补水保湿\\n"

# 天气判断
if "雨" in condition:
suggestion += "🌧️ 有雨 | 务必带伞！\\n"
elif "雪" in condition:
suggestion += "🌨️ 有雪 | 穿防滑鞋\\n"

return suggestion

# ─── 2. 定义工具调用协议 ───
TOOLS = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的实时天气，返回温度(°C)、湿度和天气状况",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，如: 北京、上海、深圳"
}
},
"required": ["city"]
}
}
}
]

# 工具名 → 函数映射
TOOL_MAP = {
"get_weather": get_weather,
}

# ─── 3. Agent 主类 ───
class WeatherAgent:
"""
AI Agent — 天气穿衣助手

核心组件:
– tools: 可调用的工具函数
– memory: 存储中间结果和上下文
– run: 解析指令 → 规划 → 执行 → 输出
"""

def __init__(self, api_key: str, model: str = "gpt-4o-mini"):
self.client = OpenAI(api_key=api_key, base_url="https://api.openai.com/v1")
self.model = model
self.memory: list[dict] = [] # 对话历史

def run(self, user_input: str) –> str:
"""主运行方法"""
print(f"👤 用户: {user_input}")
print("🤖 Agent 工作中…")

# Step 1: 添加用户消息到记忆
self.memory.append({"role": "user", "content": user_input})

# Step 2: 调用 LLM 获取响应（可能包含工具调用请求）
response = self.client.chat.completions.create(
model=self.model,
messages=[
{"role": "system", "content": (
"你是一个穿衣助手 Agent。用户会询问某个城市的天气并寻求穿衣建议。"
"请先调用 get_weather 工具获取天气数据，\\
然后根据温度、湿度、天气状况给出穿衣建议。"
"回复风格：简洁、实用、友好。"
)},
*self.memory
],
tools=TOOLS,
tool_choice="auto", # 让 LLM 自动决定是否需要调用工具
)

assistant_msg = response.choices[0].message

# Step 3: 处理工具调用请求
if assistant_msg.tool_calls:
print(f" 🔧 调用工具: {assistant_msg.tool_calls[0].function.name}")

for tool_call in assistant_msg.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)

# 执行工具
func = TOOL_MAP[func_name]
weather = func(**func_args) # 获取天气数据

# 生成穿衣建议
clothing_advice = suggest_clothing(
weather["temp"], weather["humidity"], weather["condition"]
)

# Step 4: 将工具结果返回给 LLM 生成最终回复
self.memory.append(assistant_msg.model_dump())
self.memory.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(weather, ensure_ascii=False)
})

# 调用 LLM 生成最终自然语言回复
final_response = self.client.chat.completions.create(
model=self.model,
messages=self.memory
)
reply = final_response.choices[0].message.content
else:
# LLM 直接回复（无需工具）
reply = assistant_msg.content

# Step 5: 保存回复到记忆
self.memory.append({"role": "assistant", "content": reply})

print(f"🤖 Agent: {reply}\\n")
return reply

# ─── 4. 运行示例 ───
if __name__ == "__main__":
import os

# 初始化 Agent（请替换为你的 API Key）
agent = WeatherAgent(
api_key=os.getenv("OPENAI_API_KEY", "sk-your-key-here"),
model="gpt-4o-mini"
)

# 测试用例
test_cases = [
"我想知道北京的天气，该怎么穿衣服？",
"明天去上海出差，需要带伞吗？",
"深圳今天的天气适合跑步吗？",
]

for question in test_cases:
agent.run(question)
print("-" * 50)

代码执行流程解析：

用户输入: "我想知道北京的天气，该怎么穿衣服？"
│
▼
┌──────────────────────────────────────────┐
│ ① LLM 分析意图 │
│ → 需要调用 get_weather 工具 │
│ → 从输入中提取 city=北京 │
│ → 生成 tool_calls: │
│ [{function: "get_weather", │
│ args: {city: "北京"}}] │
└──────────────────┬───────────────────────┘
▼
┌──────────────────────────────────────────┐
│ ② Agent 执行工具 │
│ get_weather("北京") = { │
│ temp: 22, 湿度: 45%, 天气: 晴 │
│ } │
│ suggest_clothing(…) = │
│ "温暖 | 短袖 + 薄长裤" │
└──────────────────┬───────────────────────┘
▼
┌──────────────────────────────────────────┐
│ ③ 将工具结果返回 LLM │
│ LLM 整理为自然语言: │
│ "北京今天晴，22°C，湿度45%。建议穿 │
│ 短袖+薄长裤，天气干燥注意补水！" │
└──────────────────┬───────────────────────┘
▼
┌──────────────────────────────────────────┐
│ ④ 回复用户 + 存入记忆 │
│ memory.append(assistant_reply) │
│ 下次用户问"那上海呢？"时 Agent 可 │
│ 利用记忆直接关联上下文 │
└──────────────────────────────────────────┘

3.3 Agent 运行循环（ReAct 模式）

ReAct（Reasoning + Acting） 是当前最主流的 Agent 推理模式：

┌──────────────────────────────────────────────────────────────────────┐
│ ReAct 循环 (Reasoning + Acting) │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Thought │────→│ Action │────→│Observation│────→│ Thought │ │
│ │ 思考 │ │ 行动 │ │ 观察 │ │ 思考 │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│ ▲ │ │
│ │ ┌──────────────────────────────────────┐ │ │
│ └─────│ 循环直到任务完成 │◄─────┘ │
│ │ 最终 Answer: "任务完成，结果是…" │ │
│ └──────────────────────────────────────┘ │
│ │
│ 示例流程（订机票）： │
│ Thought 1: "我需要先查询航班" │
│ Action 1: search_flights("北京→上海", "明天") │
│ Observe 1: {flights: [{MU5101, ¥680}, {CA1234, ¥920}]} │
│ Thought 2: "MU5101 价格合适，但需要确认时间" │
│ Action 2: get_flight_detail("MU5101") │
│ Observe 2: {dep: "08:00", arr: "10:30", seats: 23} │
│ Thought 3: "时间合适，座位充足，可以下单" │
│ Action 3: book_flight("MU5101", passenger="用户") │
│ Observe 3: {status: "success", order_id: "FL20260603001"} │
│ Thought 4: "预订成功" │
│ Answer: "已为您预订 MU5101 航班，8:00-10:30，订单号 FL20260603…"│
│ │
└──────────────────────────────────────────────────────────────────────┘

3.4 工具调用（Tool Calling）机制

工具调用是 Agent "动手能力"的核心，分为函数调用（Function Calling）和MCP 协议两种主流方式：

# Function Calling 的 JSON Schema 定义示例
TOOL_SCHEMA = {
"name": "send_email",
"description": "发送邮件",
"parameters": {
"type": "object",
"properties": {
"to": {"type": "string", "description": "收件人邮箱"},
"subject": {"type": "string", "description": "邮件主题"},
"body": {"type": "string", "description": "邮件正文"},
"cc": {"type": "string", "description": "抄送邮箱（可选）"},
},
"required": ["to", "subject", "body"]
}
}

3.5 记忆系统设计

┌──────────────────────────────────────────────────────────────────────┐
│ Agent 三级记忆系统 │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 🗄️ 工作记忆 (Working Memory) 生命周期: 当前任务 │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 存放: 当前执行的中间步骤、工具调用结果、临时变量 │ │
│ │ 实现: Python 变量 / Redis / memcached │ │
│ │ 容量: 小（单次任务上下文） │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 🗄️ 短期记忆 (Short-term Memory) 生命周期: 当前会话 │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 存放: 对话历史、用户偏好、上下文关联 │ │
│ │ 实现: LLM 上下文窗口 / 会话缓存 │ │
│ │ 容量: 中等（受 LLM Context Window 限制） │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 🗄️ 长期记忆 (Long-term Memory) 生命周期: 跨会话持久化 │ │
│ │ ─────────────────────────────────────────────────────────── │ │
│ │ 存放: 用户档案、知识库、历史经验、项目文档 │ │
│ │ 实现: 向量数据库 (Milvus/Pinecone) / PostgreSQL / 文件系统 │ │
│ │ 容量: 大（无上限） │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────────────────────────────┘

四、AI Agent 完整课程体系

4.1 理论基础路线

AI Agent 理论知识栈（由底向上）

Layer 6 Agent 架构设计 → 单智能体 → 多智能体协作
Layer 5 Agent 上下文工程 & Harness Engineering
Layer 4 RAG & 向量数据库
Layer 3 推理与规划 (CoT/ToT/ReAct/Plan-and-Solve)
Layer 2 提示词工程 & Token 概念
Layer 1 大语言模型基础 (Transformer/预训练/微调/RLHF)

4.2 实践操作路线

新手入门(1-3天) → Miaoda无代码 + Claude Code安装
↓
基础进阶(1-2周) → Claude Code深度 + Vibe Coding + Skills
↓
框架实战(2-4周) → LangChain + LangGraph + CrewAI + OpenClaw
↓
Python原生(4-8周) → Python完整Agent + RAG + 多Agent + 部署

4.3 Vibe Coding 新范式

4.4 Python 实现 Agent 完整路线

五、核心工具与平台实战

5.1 Claude Code 入门

npm install -g @anthropic-ai/claude-code
claude # 交互模式
claude -p "write a server" # 单次任务
claude –resume # 恢复会话

Claude Code 核心能力：自动读项目结构→自主选工具→多步任务编排→MCP连接外部服务。

5.2 Skills 系统

Skills = Agent的"能力包"，三级存储：

5.3 LangChain / LangGraph

# LangGraph 最小示例
from langgraph.graph import StateGraph, END
class State(TypedDict):
query: str; result: str | None

graph = StateGraph(State)
graph.add_node('fetch', lambda s: s.update({'result': 'done'}) or s)
graph.add_edge('fetch', END)
graph.set_entry_point('fetch')
app = graph.compile()

5.4 CrewAI 多智能体

三个角色协作完成任务：研究员(收集数据)→撰写员(写报告)→审核员(质量把关)

5.5 OpenClaw / Clawdbot

开源多平台Agent机器人框架，支持Telegram/Discord/Slack/WhatsApp，多LLM后端，插件系统。

六、学习资源推荐

推荐学习时间线：第1周理解概念→第2周动手实践→第3周深入开发→第4周生产部署。

七、快速体验：无代码构建 Agent

Miaoda（一句话生成应用）

其他平台

八、实战项目：构建个人工作助理

功能架构：输入层(自然语言/定时触发) → Agent核心(日程管理/邮件处理/文件管理/信息检索) → 工具层(日历API/邮件API/文件系统/搜索API/通知推送)

MVP代码

from openai import OpenAI; import json, os
client = OpenAI(api_key=os.getenv("API_KEY"))

def add_todo(task, due=""): return f"已添加待办: {task}"
def search_files(kw, path="."):
import subprocess
r = subprocess.run(["find",path,"-name",f"*{kw}*","-maxdepth","3"],capture_output=True,text=True)
return r.stdout.strip() or "未找到"

TOOLS = [...] # 工具定义(省略schema)
TOOL_MAP = {"add_todo":add_todo, "search_files":search_files}

def run(user_input, memory):
memory.append({"role":"user","content":user_input})
resp = client.chat.completions.create(model="gpt-4o-mini",messages=memory,tools=TOOLS)
msg = resp.choices[0].message
if msg.tool_calls:
memory.append(msg.model_dump())
for tc in msg.tool_calls:
r = TOOL_MAP[tc.function.name](**json.loads(tc.function.arguments))
memory.append({"role":"tool","tool_call_id":tc.id,"content":r})
final = client.chat.completions.create(model="gpt-4o-mini",messages=memory)
reply = final.choices[0].message.content
else:
reply = msg.content
memory.append({"role":"assistant","content":reply})
return reply

附录：术语表

版本: v1.1 | 日期: 2026-06-03 | 更新: 实验环境部署完成 服务器集群: ecs-7175 系列 4 台 c6.large.2 已配置 (2026-06-03 21:18)