本文介绍了AI Agent的核心概念，通过简化的Python代码示例，阐述了Agent的基本运行机制，即LLM负责思考、工具负责行动、循环负责持续推进。文章从Agent的定义、最小Python Agent实现、关键机制解析到进阶建议，帮助读者理解Agent的工作原理，无需深入框架API即可掌握Agent构建的核心逻辑。
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。
- 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 LLM；
LLM 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 ReAct：Reasoning + Acting。先推理，再行动，再观察结果，继续推理。
图1：Agent 循环流程图——用户输入进入 LLM，LLM 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。
- 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 anthropic export ANTHROPIC_API_KEY="你的_API_Key"2.1 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 re import anthropic client = 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( model="claude-opus-4-8", max_tokens=1024, tools=tools, messages=messages, ) 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*456+789"})→ Python 执行得56877→ 结果回传 LLM → LLM 输出自然语言答案。
图2：Agent 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。
- 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。
- 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。
- 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。
- 继续练习
如果你想继续深入，做三个小练习：
加一个
read_file工具，让 Agent 能读本地文件；加一个
search工具，让 Agent 能查外部资料；把
messages保存到文件里，实现最简单的记忆。
做完这三个练习，你就真正理解了 Agent 的基本机制：模型负责决策，工具负责行动，循环负责推进，边界负责安全。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
