Agent入门指南：从零到精通，收藏这份学习资料！

本文介绍了Agent的基础概念，包括Agent的核心公式、Agent与大模型的对比、记忆系统设计等。文章还对比了主流的Agent开发框架，并提供了选型建议。此外，本文详细阐述了Agent的三种工作模式：反应式、深思熟虑式和混合式，并探讨了RAG与Tool的知识管理策略。最后，文章分享了LangGraph实战要点、Agent与工作流的区别、实战技巧以及进阶学习路径。对于想要学习大模型开发的小白或程序员来说，本文提供了一个全面而实用的入门指南。

一、Agent 基础概念

1. 1 Agent 核心公式

Agent = 大模型 + System Prompt + 工具(Tools) + 知识库(RAG) + 记忆(Memory)

智能体是大模型的工程化应用，通过配备插件使其具备：

-大模型：推理引擎 规划能力 将复杂任务分解为可执行步骤
-System Prompt：角色定义和行为指导
-工具(Tools)：调用外部 API、检索数据、执行操作
-知识库(RAG)：领域知识检索
-记忆(Memory)：短期记忆（上下文）+ 长期记忆（文件存储）

1. 2 Agent vs 大模型

对比维度	纯大模型	Agent
交互模式	对话式问答	长程任务执行
能力范围	文本生成	自主规划 + 工具调用
记忆机制	上下文窗口	文件系统持久化
适用场景	简单咨询	复杂任务链

关键特性：

• Agent 具备自主规划能力，可根据要求自行决策调用哪些工具
• 通过多步执行（Action）完成复杂任务
• 典型限制：单次执行步数上限约 50 步

1. 3 记忆系统设计

短期记忆

• 当前对话的上下文（如前 5 轮）
• 存储在会话状态中

长期记忆

• 通过文件读写（read_file / write_file）实现
• 案例：Kimi 会记住用户历史偏好，背后是 write_file 机制

二、Agent 开发框架对比

2. 1 主流框架

框架	特点	适用场景
LangChain / LangGraph	高代码，工作流可视化（Mermaid），生态完善	企业级项目，需要精细控制流程
Qwen-Agent	轻量级，内置 GUI，快速验证	原型开发，小型项目
Coze / Dify	低代码拖拉拽，入门友好	业务人员快速搭建，不需深度定制
OpenClaw / Hermes	Skill 两段式调用，内置工具	需要模块化工具管理

2. 2 框架选型建议

高代码框架（推荐）

• LangChain / LangGraph：面试必备，企业主流
• Qwen-Agent：代码量是 LangGraph 的一半，快速交付

低代码框架

• Coze / Dify：理解 Agent 逻辑的学习工具，生产环境受限

2.3 LangGraph 核心机制

状态图（StateGraph）

# 创建状态图

workflow = StateGraph(AgentState)

# 添加节点（每个节点 = 一个任务）

workflow.add_node("感知", perception_node)

workflow.add_node("建模", modeling_node)

workflow.add_node("推理", reasoning_node)

# 添加边（定义执行顺序）

workflow.add_edge("感知", "建模")

workflow.add_edge("建模", "推理")

# 设置入口和出口

workflow.set_entry_point("感知")

workflow.add_edge("推理", END)

条件边（Conditional Edge）

# 根据运行时状态动态选择路径

workflow.add_conditional_edges(

    "评估节点",

    route_function,  # 返回 "reactive" 或 "deliberative"

    {

        "reactive": "快速响应节点",

        "deliberative": "深思熟虑节点"

    }

)

三、Agent 三种工作模式

3.1 反应式（Reactive）

特点

• 接收输入 → 单次工具调用 → 立即返回
• 无复杂推理链路
• 适合高频、简单、时效性强的场景

典型场景

• 查询股票实时价格
• NPC 对话响应
• 工业控制传感器报警

优缺点

优势	劣势
速度快，延迟低	无法处理复杂任务
易于验证和调试	可能陷入循环（如扫地机器人转圈）

案例：私募基金问答助手

# 工具注册示例

@tool

defsearch_rules_by_keywords(keywords: str):

    """根据关键词检索私募基金规则"""

    # 从知识库匹配关键词

    return matched_rules

@tool

defsearch_rules_by_category(category: str):

    """根据类别检索私募基金规则"""

    # 按类别筛选

    return category_rules

# Agent 创建

agent = create_agent(

    llm=ChatOpenAI(model="qwen-plus"),

    tools=[search_rules_by_keywords, search_rules_by_category],

    system_prompt="你是私募基金咨询助手..."

)

工具调用的不确定性

• 同一问题可能调用不同工具（关键词检索 vs 类别检索）
• 概率性选择工具，无法完全预测

3. 2 深思熟虑式（Deliberative）

特点

• 多节点流水线（Pipeline）
• 每个节点独立完成子任务
• 结果逐层传递，最终汇总

典型场景

• 投资研究报告生成
• 物流路径优化
• 复杂决策（需比较多个候选方案）

工作流设计（5 节点示例）

节点	职责	输入	输出
感知	收集市场数据	研究主题、行业焦点	市场信息摘要
建模	分析市场状态	感知节点输出	经济周期判断、风险因素
推理	生成多个候选方案	建模节点输出	3-5 个投资策略方案
决策	方案评分筛选	候选方案列表	选中方案（置信度最高）
报告	撰写完整报告	所有前序节点结果	最终投研报告

置信度（Confidence）的作用

• 解决"每个方案看起来都很好"的问题
• 让 Agent 自我打分，辅助决策
• 适用于方案数量 > 3 的场景

案例：智能投研助手

# 状态定义

classAgentState(TypedDict):

    research_topic: str      # 研究主题

    industry_focus: str      # 行业焦点

    time_horizon: str        # 时间范围（短期/中期/长期）

    perception_data: str     # 感知阶段输出

    modeling_result: str     # 建模阶段输出

    candidate_plans: List    # 候选方案

    selected_plan: str       # 选中方案

    final_report: str        # 最终报告

# 节点示例：建模节点

defmodeling_node(state: AgentState):

    prompt = f"""

    你是专业投资分析师，根据以下市场信息分析：

    {state['perception_data']}

    请分析：

    1. 当前经济周期阶段

    2. 主要风险因素

    3. 结构性机会

    """

    result = llm.invoke(prompt)

    return {"modeling_result": result.content}

执行时间

• 单次运行约 1-2 分钟
• 每个节点独立推理，无法并行

3. 3 混合式（Hybrid）

设计思路

• 意图识别节点（Router）判断任务复杂度
• 简单任务 → Reactive 路径
• 复杂任务 → Deliberative 路径

架构图

意图识别实现

defassess_query(state: AgentState):

    """评估任务复杂度"""

    prompt = f"""

    用户问题：{state['user_query']}

    判断任务类型：

    - reactive：需要快速查询（如查股价、查余额）

    - deliberative：需要深度分析（如投资规划、风险评估）

    返回 JSON：{{"mode": "reactive"或"deliberative"}}

    """

    result = llm.invoke(prompt)

    return {"processing_mode": result.mode}

# 条件路由

workflow.add_conditional_edges(

    "assess_query",

    lambdax: x["processing_mode"],

    {

        "reactive": "reactive_agent",

        "deliberative": "collect_data"

    }

)

典型对话场景

用户提问	路由选择	原因
今天上证指数多少点？	Reactive	单次查询，无需分析
如何应对经济衰退调整投资组合？	Deliberative	需市场分析 + 多方案比较

四、RAG vs Tool：知识管理策略

4. 1 对比分析

维度	RAG（知识库）	Tool（工具调用）
稳定性	高（Pipeline 固定）	低（AI 随机选择工具）
灵活性	低（受切分/检索算法限制）	高（多维度动态检索）
适用场景	领域知识相对固定	多维度、复杂领域
实现方式	文件切分 → Top-K 检索	注册多个检索工具

4. 2 推荐策略

简单场景（优先 RAG）

• 知识库边界清晰（如企业内部规章制度）
• 问题类型相对固定

复杂场景（RAG + Tool 组合）

# 工具层：多维度检索

@tool

defsearch_by_keyword(keyword: str): ...

@tool

defsearch_by_category(category: str): ...

@tool

defsearch_financial_report(company: str): ...

# RAG 层：提供"使用说明书"

faq_content = """

情况 1：用户询问公司财报，调用 search_financial_report(公司名)

情况 2：用户询问行业分类信息，调用 search_by_category(类别名)

情况 3：...

"""

# 将 faq_content 作为 RAG 文档，指导 Agent 何时用哪个工具

核心原则

• Tool 负责"数据获取"（多维度灵活检索）
• RAG 负责"决策指导"（Few-Shot 示例 + 思维链）

4.3 RAG 的新角色

传统 RAG：直接提供答案片段

现代 RAG：提供"操作手册"

faq.txt（作为 RAG 文档）

用户询问财报数据

- 调用：search_financial_report(公司名)

- 示例：用户问"贵州茅台营收"，调用 search_financial_report("贵州茅台")

用户询问行业趋势

- 步骤1：调用 web_search(行业关键词)

- 步骤2：调用 search_by_category(行业类别)

- 步骤3：综合结果生成分析

五、LangGraph 实战要点

5. 1 核心组件

6. StateGraph（状态图）

from langgraph.graph import StateGraph, END

# 定义共享状态

classAgentState(TypedDict):

    user_query: str

    processing_mode: str

    tools_output: str

    final_result: str

# 创建图

workflow = StateGraph(AgentState)

2. 节点（Node）

• 每个节点 = 一个函数
• 函数签名：def node_func(state: AgentState) -> dict
• 返回值会更新 state

3. 边（Edge）

• 普通边：workflow.add_edge("A", "B")
• 条件边：根据运行时状态动态路由

5. 2 调试技巧

生成 Mermaid 流程图

# 打印流程图代码

print(workflow.get_graph().draw_mermaid())

# 粘贴到 https://mermaid.live/ 可视化

状态追踪

# 在节点中打印状态

defdebug_node(state):

    print(f"当前状态：{state}")

    return {}

5. 3 与 Coze 的对比

维度	LangGraph	Coze
开发方式	代码定义流程	拖拉拽可视化
灵活度	动态修改流程（代码控制）	受限于界面功能
开发效率	需要编码，AI 辅助快	手动配置，节点多时繁琐
适用规模	30+ 节点复杂流程	小型原型（< 10 节点）

结论：LangGraph 更适合生产环境，Coze 适合快速验证想法

六、Agent vs 工作流

6. 1 核心区别

对比维度	Agent	工作流（Workflow）
驱动方式	对话驱动（需外界 Push）	定时/事件驱动（自动执行）
流程	动态（AI 决定下一步）	固定（预定义流程图）
适用场景	通用助手、开放式任务	周期性任务、固定流程
落地难度	高（需持续对话）	低（设置后自动运行）

6. 2 项目落地建议

优先工作流（80% 价值）

• 每天固定时间执行的任务（如每日市场简报）
• 流程明确的场景（如数据同步、报告生成）

配合 Agent（20% 价值）

• 处理临时性、个性化问题
• 作为工作流的"异常处理器"

示例：量化交易系统

# 工作流：每天开盘前执行

defdaily_workflow():

    # 1. 抓取新闻

    news = fetch_news()

    # 2. 分析热点板块

    sectors = analyze_sectors(news)

    # 3. 生成持仓建议

    report = generate_report(sectors)

    # 4. 发送邮件

    send_email(report)

# Agent：处理用户临时提问

agent = create_agent(

    tools=[query_stock, query_position, ...],

    prompt="你是量化交易助手..."

)

七、实战技巧

7. 1 从 0 到 1 的正确姿势

❌ 错误做法：直接让 AI 写完整项目

• 代码不稳定，需反复调试
• 难以把控细节

✅ 推荐做法：基于现有案例改写

1. 找相似案例
2. 跑通代码，理解逻辑
3. 让 AI 基于案例修改
4. 迭代优化

示例对话

@hybrid_wealth_advisor_langgraph.py 

@assistant_ticket_bot-3.py

这是一个混合式投顾助手（LangGraph 实现）

参考 assistant_ticket_bot-3.py（Qwen-Agent 实现）

帮我用 Qwen-Agent 重写，保留混合式逻辑

写入新的 .py 文件

7.2 AI 辅助开发技巧

1. 生成代码文档

@文件路径

帮我整理代码逻辑，可以适当讲解示例

不超过 800 字，整理到 .html

包含 Mermaid 流程图

2. 二次开发

• 先跑通现有案例
• 基于案例 @原文件 + 需求描述
• 让 AI 增量修改

3. 避免从零开始

• 找同类型框架案例（Agent 类 → 找 Qwen-Agent 案例）
• 找同类型模式案例（工作流 → 找 LangGraph 案例）
• 形式确定后，改内容比改架构容易 10 倍

7. 3 工具选择决策树

八、关键知识点速查
8.1 Function Call vs MCP

对比项	Function Call	MCP
协议层	LLM API 内置	独立协议（6277 端口）
注册方式	API 参数	FastMCP 包装
适用场景	简单工具调用	跨平台工具共享

转换方式

# Function Call → MCP

from fastmcp import FastMCP

mcp = FastMCP("我的工具")

@mcp.tool()

defmy_function(param: str):

    """原有 Function Call"""

    return result

# 启动 MCP 服务（默认 6277 端口）

mcp.run()

8. 2 WebSearch 实现

方式 1：调用大模型自带 WebSearch

# Qwen / Kimi / GLM 都支持

response = llm.invoke(

    prompt,

    enable_search=True  # 参数名各厂商不同

)

方式 2：自建 WebSearch 工具

@tool

defreal_time_stock_price(symbol: str):

    """实时查询股票价格（精确到秒）"""

    # 调用东方财富 API

    return fetch_stock_api(symbol)

推荐：实时性要求高的数据（如股价）用自建工具，一般信息用大模型 WebSearch

8. 3 Skill 两段式调用

第一段：决定调用哪个 Skill

name: read_file

description: 读取指定文件内容

第二段：读取 Skill 详细说明

# SKILL.md

## 调用方式

read_file(file_path: str) -> str

## 参数说明

- file_path: 绝对路径，支持 .txt / .md / .py

## 返回值

文件内容字符串

## 示例

read_file("/path/to/file.txt")

调用流程

1. LLM 根据 name/description 选择 Skill

2. 调用 read_file 工具加载 SKILL.md

3. 根据详细说明执行具体操作

九、课程案例总结

Case 1：私募基金问答助手（反应式）

-技术栈：LangChain + Function Call

-知识库：3 条规则（JSON 格式）

-工具数量：3 个（关键词检索、类别检索、QA 匹配）

-特点：快速响应，单次工具调用

Case 2：智能投研助手（深思熟虑）

-技术栈：LangGraph 工作流

-节点数量：5 个（感知 → 建模 → 推理 → 决策 → 报告）

-运行时间：约 1-2 分钟

-特点：多方案生成 + 置信度评分

Case 3：投顾 AI 助手（混合式）

-技术栈：LangGraph + 条件边

-路由节点：意图识别（Assess Query）

-分支：Reactive（快速查询）+ Deliberative（深度分析）

-特点：根据任务复杂度自动选择模式

构建Agent的核心思想

十、进阶学习路径

1. 掌握基础：跑通三个 Case，理解三种模式

2. 框架对比：LangGraph（工作流）vs Qwen-Agent（灵活）

3. 二次开发：基于案例改写成自己的场景

4. 优化策略：

   • 工具设计：减少工具间冲突（如合并相似工具）

   • Prompt 优化：在 RAG 中提供 Few-Shot 示例

   • 流程简化：用条件边替代冗余节点

5. 生产部署：

• 错误处理：工具调用失败的兜底逻辑

  • 成本控制：缓存高频查询结果

  • 监控告警：记录异常路径和耗时

学习建议

• 先理解流程图，再看代码实现

• 用 AI 辅助生成文档（Mermaid + HTML）

• 从案例改写入手，避免从零开始

• 优先掌握 LangGraph（企业主流）

  最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

👇👇扫码免费领取全部内容👇👇

6、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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】