智能体的觉醒
第四本《从Token到AI应用》里，小哲做出了会聊天的「账小灵」。但老板的要求升级了：「别光聊天，让它自己把月报写出来、把异常账单找出来、把报表发给财务！」——从「回答问题」到「动手办事」，这就是 AI Agent（智能体）。周师傅说：Agent = 大脑（LLM）+ 规划 + 记忆 + 工具。这一本，把 Agent 从骨架到落地完整拆解。
AI 会聊天，但会干活吗
Agent 定义 · 三要素 · 从助手到员工师傅！老板看了账小灵说：「聊天很厉害，但能不能让它自己干活？——月初自动把经营月报整理好、把异常账单标出来、发到财务邮箱？」这……不就是聊天加个按钮吗？
差的远了——这就是 AI Agent（智能体）和普通聊天应用的分水岭：
- 聊天应用：你问一句，它答一句——「答话」。
- AI Agent：你给一个目标，它自己规划步骤、调用工具、查资料、干活、验证结果——「办事」。
Agent 的三要素（记住这个框架，全书都在讲它）：大脑（LLM 做决策）+ 记忆（记得住上下文）+ 工具（能动手操作）——再加「规划」让它们串起来。
记住一句话：LLM 是「会说话的大脑」，Agent 是「有手有脚有记忆、会自己安排活儿的员工」。走，第一站，看看大脑是怎么长出手脚的。
从 LLM 到 Agent：进化之路
Prompt → RAG → Function Calling → Agent · ReActAgent 不是一夜出现的——它是 LLM 应用「四步进化」的结果。看懂这条进化链，就懂了「为什么需要 Agent」。
LLM 应用的四级进化（全是系列老朋友）：
- ① Prompt 工程：会「好好说话」——第四本的起点。
- ② RAG：会「查资料再答」——给大脑装知识库。
- ③ Function Calling：会「调用函数」——给大脑装一只手。
- ④ Agent：会「自己决定何时查、何时调、何时停」——大脑 + 手 + 眼睛 + 思考循环。
Agent 的核心工作模式是 ReAct（Reason + Act）：思考 → 行动 → 观察结果 → 再思考……直到任务完成。它把「一步问答」升级成「多步办事」。
【进化四步（每步都是上一部的老朋友）】
① Prompt 工程：写提示词让模型好好答
例：你是一个记账助手……
② RAG：回答前先查知识库（第四本第5站）
例：先查报销规则再回答
③ Function Calling：让模型调用工具（第四本第4站）
例：模型说"我要调 query_expense(month)"
④ Agent：模型自己决定调用链（这一本！）
例：查账 → 发现异常 → 调分析工具 → 生成报告 → 发邮件
【ReAct 循环（Agent 的心跳）】
用户目标：「分析本月支出并发送报告」
↓
Thought（思考）：我需要先查本月支出数据
↓
Action（行动）：调用 query_expense(month: "2026-09")
↓
Observation（观察）：支出 1915.50，餐饮占比 40%
↓
Thought（思考）：餐饮占比异常，需要分析趋势
↓
Action（行动）：调用 trend_analysis(category: "餐饮")
↓
……（循环直到任务完成）……
↓
Final（收尾）：生成报告并调用 send_email()
【Agent vs 普通应用（对照）】
普通应用：固定流程，人一步一步点
Agent ：目标驱动，自己拆步骤、自己决定工具
→ 灵活性是 Agent 的价值，不确定性是 Agent 的挑战进化术语
- Agent 定义：目标驱动的自主智能体——规划 + 记忆 + 工具。
- 进化四步：Prompt → RAG → Function Calling → Agent——能力逐级叠加。
- ReAct：Reason + Act——思考-行动-观察循环。
- Thought/Action/Observation：循环三件套——Agent 的「内心独白」。
- 目标驱动：给目标不给定步骤——Agent 自己拆。
- 不确定性：Agent 可能走错路——需要护栏（第 7、8 站）。
本站收获：进化链 = Prompt 会说话 → RAG 有知识 → Function Calling 有手 → Agent 会自己安排活儿。ReAct 循环（想→做→看→再想）是 Agent 的心跳——这一站是全书的地基。
骨架：规划与思考
任务分解 · 规划 · 反思 · 思维链Agent 的第一块骨架是「规划」——把大目标拆成小步骤，走一步看一步，错了能回头。没有规划，Agent 就是「无头苍蝇」。
规划三层能力：
- 任务分解（Decomposition）：把大目标拆成可执行的小任务——「写月报」→「查数据 → 算指标 → 写正文 → 生成 PDF → 发邮件」。
- 计划制定（Planning）：排序 + 依赖——先查数据才能写正文。
- 反思（Reflection）：执行后「回头看」——结果对不对？要不要重来？错了能自己纠正（自我批评是 Agent 质量的倍增器）。
底层依赖：CoT（思维链）（第一本老朋友）——让模型「一步一步想」，复杂任务正确率暴涨。规划通常用 Plan-and-Execute 模式：先出计划，再逐步执行，执行中可调整。
【Plan（先出计划）】
用户目标：整理本月经营月报并发给财务
↓
模型生成计划：
1. 查询本月营收/支出/分类汇总（query_summary）
2. 与上月对比，标注异常（analyze_trend）
3. 生成 Markdown 月报（generate_report）
4. 转 PDF 并发邮件（send_email）
→ 计划确认后再逐步执行
【Execute（逐步执行 + 反思）】
步骤1：查数据 ✓ → 反思：数据完整，OK
步骤2：分析 ✓ → 反思：餐饮支出 +40% 异常，标注
步骤3：生成报告 ✓ → 反思：格式正确
步骤4：发送 ✓ → 完成！
【规划失效的兜底】
步骤失败 → 重试 2 次 → 仍失败 → 跳过并说明（别硬编！）
结果异常 → 反思触发「重新规划」分支
→ 给 Agent 设「最大步数」上限（第8站成本控制）
【ReAct vs Plan-and-Execute】
ReAct：走一步想一步（灵活，适合未知任务）
Plan-and-Execute：先计划再执行（稳定，适合流程清晰任务）
→ 复杂任务常用「Plan 先行 + ReAct 微调」混合模式规划术语
- 任务分解：大目标 → 小任务——Agent 的第一能力。
- Planning（计划）：排序 + 依赖管理。
- Reflection（反思）：回头看结果——自我纠正。
- CoT（思维链）：一步一步想——正确率倍增器。
- Plan-and-Execute：先计划再执行——稳定模式。
- 最大步数：执行上限——防止无限循环烧钱。
- 混合模式：Plan 先行 + ReAct 微调——复杂任务标配。
本站收获：规划 = 任务分解（拆）+ 计划（排）+ 反思（查）。Plan-and-Execute 保稳定、ReAct 保灵活、反思保质量——没有规划的 Agent 是乱撞，有规划的 Agent 才是员工。
记忆：大脑皮层
短期记忆 · 长期记忆 · 记忆写入/召回 · 工作记忆Agent 干活要「记得住」：当前任务做到哪了（短期）、上次对话说过啥（长期）。记忆是 Agent 的「大脑皮层」——第四本讲过记忆，这本讲 Agent 专属的记忆架构。
Agent 记忆分三层：
- 短期记忆（上下文）：当前任务的全部对话 + 思考过程——装进上下文窗口（第四本第 2 站的知识）。
- 工作记忆：任务中途的「草稿本」——临时数据、中间结果（执行到一半断了能续）。
- 长期记忆（向量库）：跨任务/跨会话的持久知识——用户偏好、历史决策、领域规则（第四本第 7 站 + 第八本向量检索的老朋友）。
记忆两大操作：写入（Extraction）——从对话中提炼值得记的；召回（Recall）——干活前检索相关的记忆。Agent 框架把这两步做成自动管线。
┌────────────────────────────────────────┐
│ 短期记忆：当前任务上下文（窗口内） │
│ 用户目标 + 思考过程 + 工具结果 │
├────────────────────────────────────────┤
│ 工作记忆：任务草稿本（执行状态） │
│ 中间结果 / 进行到哪一步 / 临时数据 │
├────────────────────────────────────────┤
│ 长期记忆：向量数据库（跨任务） │
│ 用户偏好 / 历史决策 / 领域规则 │
└────────────────────────────────────────┘
【记忆写入（自动提炼）】
任务完成后扫描对话 → 提取值得记的：
{ "type": "preference", "content": "财务报告用 PDF 格式" }
→ 存入向量库（带时间戳，可过期）
【记忆召回（干活前唤醒）】
新任务开始 → 语义检索相关记忆 → 拼进上下文
→ Agent 像「有经验的老员工」，不每次都从零开始
【记忆管理要点】
容量：短期窗口有限 → 摘要压缩（第四本第2站）
时效：旧记忆要过期/降权（用户改主意了别死记）
隐私：敏感记忆要隔离（第8站安全）
可删：用户要求删除记忆 → 必须能删（第八本合规）
【案例：账小灵的月报 Agent】
长期记忆：老板偏好 PDF + 只发财务部 + 上月基线数据
短期记忆：本次任务上下文
召回 → 「老板喜欢 PDF」→ 自动生成 PDF 而不是 Excel记忆术语
- 短期记忆：当前任务上下文——窗口内。
- 工作记忆：任务草稿本——中间状态。
- 长期记忆：向量库持久知识——跨任务。
- 记忆写入：自动提炼值得记的信息。
- 记忆召回：任务前检索相关记忆。
- 记忆时效：过期/降权——别死记旧事。
- 记忆隐私：隔离 + 可删除——合规底线。
本站收获：记忆 = 短期（上下文）+ 工作（草稿）+ 长期（向量库）。写入提炼、召回唤醒——「有记忆的 Agent 是老员工，没记忆的是新实习生」。别忘时效和隐私。
工具：手脚与 MCP
Function Calling · 工具编排 · MCP 协议 · 工具安全记忆管「记得」，工具管「动手」——查数据库、发邮件、操作文件全靠工具。第四本讲了 Function Calling 的基础，这本讲 Agent 时代的工具体系：MCP 协议。
Agent 工具三层：
- Function Calling（基础）：模型请求调用函数 → 代码执行 → 结果回喂（第四本第 4 站）。
- 工具编排（进阶）：多个工具的组合逻辑——「先查再算再发」的工具链；工具描述写得好，模型才知道啥时候用它。
- MCP（模型上下文协议）：工具的「USB 标准」——统一接口，一个 Agent 能接任意 MCP 工具服务器（文件系统/数据库/浏览器/日历……即插即用）。
你现在用的 Loomy，就是通过 MCP 接了一大堆工具（浏览器/邮箱/飞书……）——Agent 的「插线板」。
【工具定义（描述决定会不会被正确调用）】
工具：query_expense
描述：查询用户在指定月份的支出汇总（元）
参数：{ month: "YYYY-MM" }
→ 描述写清楚 = 模型知道何时用它
【工具编排（组合拳）】
月报任务的工具链：
query_summary → analyze_trend → generate_report → send_email
→ 每个工具的输出是下一个工具的输入（管道思想）
【MCP 架构（USB 标准）】
┌─────────┐ MCP 协议 ┌──────────────────┐
│ Agent │ ←────────→ │ MCP 工具服务器 │
│ (宿主) │ │ ├ 文件系统工具 │
└─────────┘ │ ├ 数据库工具 │
│ ├ 浏览器工具 │
│ └ 邮件工具 │
→ 工具即插即用，Agent 通用，生态共享
【工具安全（第8站重点，先立规矩）】
最小权限：只给必要的工具（能读就别给删）
高危操作：删除/付款 → 必须人工确认（Human-in-the-loop）
沙箱执行：工具代码跑在隔离环境（别让 Agent 乱碰系统）
【工具失败处理】
工具报错 → 反馈给模型 → 换参数重试 / 换工具 / 放弃
→ 工具会失败是常态，别让 Agent 一条道走到黑工具术语
- Function Calling：模型请求调用函数——手的基础。
- 工具描述：工具的使用说明书——描述越好调用越准。
- 工具编排：多工具组合链——输出接输入。
- MCP 协议：工具连接标准——Agent 的 USB 口。
- 工具服务器：MCP 服务端——文件/数据库/浏览器的封装。
- 最小权限：只给必要的工具——安全第一原则。
- 人工确认：高危操作 human-in-the-loop——保命闸。
本站收获：工具 = Function Calling 打底 + 编排成链 + MCP 统一插口。工具描述要写好、权限给最小、高危要人工确认——「Agent 的手脚越强，越要栓好绳子」。
多智能体：Agent 团队
多 Agent 架构 · 主管-下属 · 通信 · 角色分工一个 Agent 干复杂活会「一肩挑」——又查数据又写文案又发邮件，容易乱。多智能体像「公司团队」：主管拆活、专家各干一摊、最后汇总。这一站，Agent 的组织学。
多智能体三种经典组织：
- 主管-下属（Supervisor）：一个「主管 Agent」拆任务、分派给「专家 Agent」，汇总结果——最常见（像项目经理）。
- 流水线（Pipeline）：A 干完传给 B——产出是下一步输入（像工厂流水线）。
- 辩论/协作（Collaborative）：多个 Agent 各持视角互相评审——提高质量（红蓝对抗的 Agent 版）。
Agent 间通信：结构化消息（JSON）+ 共享黑板（状态存储）——通信协议要定义清楚，不然团队就「吵起来」了。
【主管-下属模式（月报生产线）】
┌──────── Supervisor（主管）────────┐
│ 拆任务：查数据 / 分析 / 写报告 / 发邮件 │
└────┬──────┬──────┬──────┬──────┘
┌─────┘ │ │ └─────┐
┌────┴───┐ ┌────┴───┐ ┌┴─────┐ ┌─────┴───┐
│数据 Agent│ │分析 Agent│ │文案 Agent│ │邮件 Agent│
│查库 │ │算指标 │ │写报告 │ │发送+归档│
└────────┘ └────────┘ └──────┘ └────────┘
→ 每个 Agent 一个职责，主管统一协调
【角色分工原则（康威定律 Agent 版）】
一个 Agent 一个「职业」：数据专家 / 文案专家 / 质检员
职责边界清晰 → 提示词简单 → 效果稳定
→ 别让一个 Agent 干所有事（角色越纯越好）
【通信协议】
消息格式：JSON（{sender, action, payload, status}）
共享状态：黑板（Blackboard）——全局变量存储中间结果
超时/重试：Agent 不响应 → 主管重派 / 跳过
【多 Agent 的代价】
成本：N 个 Agent = N 倍 token
复杂度：通信 bug 排查难
→ 简单任务别上多 Agent！「一个能干完就别组队」
适用：任务确实需要多角色协作（报告+审核+发送）多智能体术语
- 主管-下属：Supervisor 拆活分派——最常见模式。
- 流水线：A→B→C 接力——产出即输入。
- 协作/辩论：多视角评审——质量提升。
- 角色分工：一个 Agent 一个职业——边界清晰。
- Agent 通信：JSON 消息 + 黑板共享状态。
- 代价控制：N 倍 token——简单任务别组队。
- 康威定律：组织架构决定系统架构——Agent 团队同理。
本站收获：多智能体 = 主管拆活 + 专家各干一摊 + 消息通信。角色越纯越好、简单任务别组队——「团队」是手段不是目的，复杂任务才值得上。
框架：Agent 开发
LangGraph · AutoGen · CrewAI · Dify · 低代码从零写 Agent 要处理太多细节（循环、状态、工具、记忆）——框架就是 Agent 的「脚手架」。这一站，认识主流框架并学会选型。
主流框架地图（按「代码 vs 低代码」分）：
- LangChain / LangGraph：最流行——LangGraph 是图状工作流（节点 + 边 + 状态机），适合复杂 Agent。
- AutoGen（微软）：多 Agent 对话——擅长多智能体协作。
- CrewAI：角色化团队——「定义角色、分配任务」的极简多 Agent。
- Dify / Coze（扣子）：低代码/可视化——拖拽搭 Agent，业务同学也能玩。
- 其他：LlamaIndex（RAG 强）、OpenAI Assistants（官方托管）。
选型口诀：个人学习用 LangChain 系；团队生产看 LangGraph；快速验证用 Dify/Coze；多 Agent 协作看 AutoGen/CrewAI。
from langgraph.graph import StateGraph, END
# 节点（Agent 的每一步）
def call_tool(state): ... # 调工具
def think(state): ... # 思考
def should_continue(state): # 循环判断
return "continue" if state["steps"] < MAX else "end"
# 图：节点 + 边（状态机）
graph = StateGraph(AgentState)
graph.add_node("think", think)
graph.add_node("tool", call_tool)
graph.add_edge("think", "tool")
graph.add_conditional_edges("tool", should_continue,
{"continue": "think", "end": END})
app = graph.compile()
# 运行
result = app.invoke({"task": "分析本月支出", "steps": 0})
【LangGraph 核心概念】
StateGraph：图状状态机——Agent 的「地图」
节点（Node）：一步操作（思考/工具/结束）
边（Edge）：流转关系 + 条件分支
状态（State）：全局共享数据（工作记忆）
【框架选型速查】
场景 推荐
学习/灵活 Agent LangChain / LangGraph
多 Agent 团队 AutoGen / CrewAI
快速验证/业务同学 Dify / Coze（可视化）
RAG 为主 LlamaIndex
省运维/官方托管 OpenAI Assistants API
【框架 vs 自研】
框架：快、有生态、更新快——但黑盒 + 版本变化快
自研：可控、贴业务——但重复造轮子
→ 先框架验证，复杂处再自研（第十一本老智慧）框架术语
- LangGraph：图状工作流框架——节点/边/状态机。
- LangChain：最流行的 Agent 生态——工具/记忆/链。
- AutoGen：多 Agent 对话框架（微软）。
- CrewAI：角色化团队——极简多 Agent。
- Dify / Coze：低代码可视化——拖拽搭 Agent。
- StateGraph：状态机图——Agent 的地图。
- 选型口诀：学习 LangChain、生产 LangGraph、快验 Dify、协作 AutoGen。
本站收获：框架 = LangGraph（图状状态机）领跑 + AutoGen/CrewAI 管多 Agent + Dify/Coze 低代码快验。先框架验证、复杂处自研——别从零造轮子。
工作流：稳定干活
Agentic Workflow · 状态管理 · Human-in-the-loop · 可靠性Agent 的自由是优点也是风险——生产环境要的是「自由但不失控」。工作流与状态管理，就是把 Agent 从「脱缰野马」驯成「可靠员工」。
稳定三件套：
- Agentic Workflow（智能体工作流）：给 Agent 框定「流程骨架」——哪些步自由发挥、哪些步强制检查、哪些步必须人工确认——「框内自由」。
- 状态管理：任务状态（进行中/待确认/完成/失败）+ 幂等性（重跑不重复）——断点续跑的基础（第四本状态机老朋友）。
- Human-in-the-loop（人工介入）：关键节点人拍板——发邮件前确认、删数据前确认、付款前确认——「Agent 提议，人类决定」。
【Agentic Workflow（框内自由）】
输入 → [自由执行区] → [强制检查点] → [人工确认点] → 完成
↑ Agent 可自主 ↑ 规则校验 ↑ 人拍板
│ 查数据/分析 │ 格式/金额校验 │ 发邮件/删除
└───────────────────┘
【月报任务的工作流设计】
① 查数据（Agent 自由：选工具、定参数）
② 生成报告（Agent 自由）
③ 校验点：金额合计与财务系统对账（规则检查，不符打回）
④ 人工确认点：发送前老板点「批准」——Human-in-the-loop
⑤ 发送 + 归档（Agent 执行）
【状态管理】
任务状态机：pending → running → awaiting_approval → done/failed
持久化状态：数据库存状态 + 上下文（任务重启可续跑）
幂等：重试不产生重复操作（发两次邮件 = 事故！）
【可靠性工程（第十一本老朋友）】
重试 + 超时 + 熔断（工具调用）
日志全链路（TraceID——第十二本）
失败降级：Agent 挂了 → 退回人工流程
【设计原则】
「让 AI 做的事」：可验证、可回滚、低风险
「让人做的事」：高风险、不可逆、要判断
→ 分工明确，Agent 才敢放手工作流术语
- Agentic Workflow：框内自由——流程骨架 + 自由发挥。
- 检查点：强制校验——格式/金额/规则。
- Human-in-the-loop：人工介入——Agent 提议人决定。
- 状态机：任务状态流转——可续跑可追踪。
- 幂等性：重跑不重复——防事故。
- 可回滚：高风险操作设计退路。
- 降级预案：Agent 挂 → 人工流程兜底。
本站收获：工作流 = 框内自由（Agentic Workflow）+ 检查点（强制校验）+ 人工确认（HITL）+ 状态管理（幂等续跑）。「AI 提议，人类决定」——这是 Agent 上生产的黄金法则。
评估与安全：质检护栏
任务成功率 · 幻觉 · 提示注入 · 权限隔离 · 审计Agent 自由度高 = 出错的姿势也多。评估（它干得好不好）+ 安全（别让它闯祸）——是 Agent 上生产的生死线。第七本安全 + 第四本评估在这里合体。
评估四维度（第四本第 8 站的 Agent 版）：
- 任务成功率：目标有没有完成——不是「答得对」，是「事办成了」。
- 效率与成本：步数、token 消耗、耗时——Agent 烧钱快，要监控。
- 可靠性：同样的任务跑 10 次，几次成功——方差大 = 不稳定。
- 幻觉率：编造数据/事实——Agent 干活时编数据更危险！
安全四道闸：提示注入（用户输入骗 Agent 干坏事——第七本老朋友）、权限隔离（工具最小权限 + 沙箱）、输出审核（结果过一道检查）、审计日志（全程留痕，出事能查）。
【评估：Agent 的「考试」】
评测集：一批真实任务 + 标准结果
跑分：任务成功率 / 平均步数 / token 成本 / 方差
版本对比：改了提示词，成功率升没升？
→ 没有评测的 Agent 改动 = 玄学（第四本老朋友）
【安全四道闸】
① 提示注入防护：
用户输入和系统指令严格隔离
工具参数校验（别让用户输入直接拼进命令！）
② 权限隔离：
工具最小权限（能读不给写、能查不给删）
沙箱执行（代码跑隔离环境）
③ 输出审核：
结果校验（金额对账/格式检查——第7站检查点）
敏感信息脱敏（第八本脱敏手艺）
④ 审计日志：
谁在何时调了哪个工具、输入输出全记录
→ 出事了能还原现场（第七本审计）
【高危操作护栏（必须）】
删除/覆盖/付款/发信 → 双重确认 + 人工审批
Agent 越权尝试 → 直接拒绝 + 告警
超出权限的工具 → 返回「无权限」并记录
【成本控制】
最大步数上限（防无限循环）
模型分级：简单步骤用小模型（第十六本路由）
缓存：相同子任务结果复用评估安全术语
- 任务成功率：Agent 的核心 KPI——事办成了没。
- 可靠性方差：同任务多次结果稳定性。
- 提示注入：用户输入劫持 Agent——头号威胁。
- 权限隔离：最小权限 + 沙箱——手脚要拴绳。
- 输出审核：结果校验 + 脱敏——防编造防泄露。
- 审计日志：全程留痕——出事能查。
- 成本控制：步数上限 + 模型路由 + 缓存。
本站收获：评估 = 成功率 + 成本 + 方差 + 幻觉四维考分；安全 = 防注入 + 限权限 + 审输出 + 留审计。Agent 越强越要护栏——「自由是能力，护栏是责任」。
落地：真实场景
客服 Agent · 代码 Agent · 数据分析 Agent · 运维 Agent技术学完了，Agent 到底能干什么？这一站看五大成熟场景——都是已经在真实生产里「上班」的 Agent 岗位。
五大成熟场景：
- 客服 Agent：最成熟——查订单、退换货、答 FAQ；复杂问题转人工（RAG + 工具 + HITL 组合）。
- 代码 Agent（Copilot）：写代码、修 bug、跑测试——GitHub Copilot/Cursor 都是它（Agent 模式自动改多文件）。
- 数据分析 Agent：问一句话出报表——查库、算指标、画图（账小灵的进化版！）。
- 运维 Agent：看监控、查日志、定位故障、执行预案——SRE 的数字助手（第十二本 ELK 的 Agent 化）。
- 个人助理 Agent：管日程、发邮件、订会议——多工具编排的样板（MCP 的用武之地）。
【用户一句话 → Agent 干完一整套】
用户：「帮我看下这季度哪个分类超支最多，并生成图表」
↓
① 规划：查数据 → 分析 → 画图 → 生成报告
② 工具调用：
query_summary(季度汇总) → 数据
analyze_category(占比/增长) → 发现餐饮 +40%
generate_chart(柱状图) → 图表
render_report(Markdown) → 报告
③ 反思：检查数据完整性 ✓
④ 交付：报告 + 图表 + 一句话结论
↓
用户看到：图文报告（全程没手动操作）
【各场景的关键组合】
客服 ：RAG（知识库）+ 工具（订单查询）+ HITL（转人工）
代码 ：工具（终端/文件）+ 上下文（仓库）+ 测试验证
数据分析 ：工具（SQL/图表）+ 校验（对账检查点）
运维 ：工具（监控/日志）+ 预案 + 审计（第七本闭环）
个人助理 ：MCP 多工具（日历/邮件/会议）+ 记忆（偏好）
【落地要点】
先小后大：单场景验证（如只做「异常账单标注」）再扩展
有人兜底：复杂/高风险留人工复核（第7站 HITL）
持续评估：上线后每月跑评测集（第8站）小哲给账小灵接了工具链（查库 + 算指标 + 生成图表 + 发邮件）+ 长期记忆（老板偏好 PDF）+ 人工确认点（发送前审批）。老板说「月度经营分析」——Agent 自己查数据、算指标、画图表、生成报告，发到老板待批，老板点「批准」才送达。第一版只做「异常账单标注」单场景验证，跑稳后再扩展。
场景术语
- 客服 Agent：RAG + 工具 + 转人工——最成熟场景。
- 代码 Agent：写改测一体——Copilot 类产品。
- 数据分析 Agent：问一句话出报表——查算图报。
- 运维 Agent：监控日志排查——SRE 数字助手。
- 个人助理：多工具编排——MCP 样板。
- 先小后大：单场景验证再扩展——落地铁律。
- 持续评估：上线后每月评测——防退化。
本站收获：五大场景 = 客服（最成熟）/代码（写改测）/数据分析（问话出报表）/运维（排障）/助理（多工具）。落地铁律：先小后大 + 有人兜底 + 持续评估——「Agent 要从小事干起」。
未来：Agent 工程师
Agent 工程师 · 自主 Agent · 多模态/具身 · 学习路线2025 年后最火的新职业之一：Agent 工程师。这一站，看 Agent 的方向、Agent 工程师的技能栈，以及怎么入门。
方向四看：
- 自主 Agent（Autonomous）：AutoGPT 类——目标驱动长时间自主运行（当前还不可靠，但方向明确）。
- 多模态 Agent：看图/听音/读文档——不只是文本（第四本 + 第三本的多模态趋势）。
- 具身智能（Embodied）：Agent + 机器人——能「动手」改变物理世界（自动驾驶/机器人）。
- Agent 经济：Agent 替人干活 → Agent 之间交易/协作——未来工作形态的想象。
Agent 工程师技能栈 = 提示词工程 + 工具/MCP + 工作流编排 + 评估 + 安全——「会调 API 的人很多，能把 Agent 驯成可靠员工的少」。
【Agent 工程师技能栈（五件套）】
① 提示词工程：会写系统提示词（第四本）
② 工具与 MCP：会定义工具、会接 MCP（本册第4站）
③ 工作流编排：会用 LangGraph 类框架（第6-7站）
④ 评估：会建评测集、跑分对比（第8站）
⑤ 安全与合规：护栏设计（第8站 + 第七本）
【学习路线（3 个月）】
第1月：复习 LLM 基础（第四本）+ 提示词进阶
第2月：Function Calling + 一个简单 Agent（查天气/记账）
第3月：LangGraph 工作流 + MCP 工具 + 评测集
+ 做一个完整项目（如「日报自动生成 Agent」）
【练手项目推荐（从易到难）】
Lv1：单工具 Agent（查天气）
Lv2：RAG + 工具（知识库客服）
Lv3：多工具工作流（月报自动生成 + 审批）
Lv4：多 Agent 协作（主管 + 专家）
Lv5：带评估与安全护栏的生产级 Agent
【给新人的话】
别追「全自主」噱头——先做「可靠的单场景」
Agent 不是黑魔法，是「LLM + 工程」的组合艺术
会写代码 + 会写 Prompt + 会设计流程 = 抢手小哲三个月路线：第 1 月复习第四本 + 练提示词；第 2 月给账小灵接 Function Calling（先做「异常账单标注」单场景）；第 3 月用 LangGraph 搭「月报生成工作流」+ MCP 接邮件 + 评测集对比——上线后月报任务成功率 95%，成本比人工低 80%。公司正式设了「Agent 工程师」岗，小哲成了第一个。
未来术语
- Agent 工程师：新职业——驯 Agent 的人。
- 自主 Agent：长时间自主运行——方向明确、现状未满。
- 多模态 Agent：文本 + 图像 + 音频——感知更全。
- 具身智能：Agent + 机器人——改变物理世界。
- Agent 经济：Agent 干活与协作——未来工作形态。
- 技能栈五件套：Prompt + 工具 + 编排 + 评估 + 安全。
- 可靠优先：先单场景可靠，再谈自主。
本站收获：方向 = 自主/多模态/具身/Agent 经济；技能 = Prompt + 工具 + 编排 + 评估 + 安全。别追噱头，先把「可靠的单场景」做出来——「Agent 不是黑魔法，是 LLM + 工程的组合艺术」。
知识点速查总表
面试/开发前最后一页Agent 知识全景表
| 环节 | 核心知识点 | 一句话人话 |
|---|---|---|
| 进化之路 | Prompt→RAG→Function Calling→Agent、ReAct | 从会说话到会办事 |
| 规划 | 任务分解、Plan-and-Execute、反思、CoT | 拆活、排活、查活 |
| 记忆 | 短期/工作/长期记忆、写入召回、时效 | 大脑皮层 |
| 工具 | Function Calling、工具编排、MCP、最小权限 | 手脚与 USB 口 |
| 多智能体 | 主管-下属、流水线、协作、角色分工 | Agent 团队 |
| 框架 | LangGraph、AutoGen、CrewAI、Dify/Coze | 脚手架 |
| 工作流 | Agentic Workflow、状态机、HITL、幂等 | 框内自由 |
| 评估安全 | 成功率、幻觉、提示注入、权限隔离、审计 | 质检与护栏 |
| 落地场景 | 客服/代码/数据分析/运维/助理 | 五大岗位 |
| 未来职业 | Agent 工程师、自主/多模态/具身、学习路线 | 新职业 |
高频面试题速记
- Agent 和普通 LLM 应用区别？→ 目标驱动 + 自主规划 + 工具调用 + 多步循环。
- ReAct 是什么？→ Reason+Act——思考-行动-观察循环。
- Agent 三要素？→ 大脑（LLM）+ 记忆 + 工具（+规划）。
- 短期/长期记忆区别？→ 上下文窗口 vs 向量库持久化。
- MCP 是什么？→ 工具连接协议——Agent 的 USB 标准。
- 多智能体怎么组织？→ 主管-下属 / 流水线 / 协作辩论。
- LangGraph 核心概念？→ StateGraph 图状状态机——节点/边/状态。
- Human-in-the-loop 用在哪？→ 高风险不可逆操作（删除/付款/发送）。
- Agent 怎么防提示注入？→ 指令隔离 + 工具参数校验 + 权限最小化。
- Agent 上线前怎么评估？→ 评测集跑任务成功率 + 成本 + 方差 + 幻觉率。
Agent 是「有手有脚有记忆、会自己安排活儿的员工」。
工作流让它稳，护栏让它不闯祸——
Agent 不是黑魔法，是 LLM + 工程的组合艺术；
而 Agent 工程师，就是那个驯服智能体的人。