文章
「手搓 Agent」是一个 28 篇的系列:从最朴素的 LLM 调用开始,每一篇只加一个能力,从工具、上下文、记忆、规划,一路写到安全、成本、部署、测试与架构设计。每篇都能落回可运行的代码。
手搓 Agent
28 篇 · 按系列顺序2026.10.07Session 01:让 AI 不只是回答问题,而是自己决定下一步——从 LLM 到 Agent很多人第一次接触 Agent,看到的都是一堆名词:Agent Loop、Tool Calling、Memory、Planning、MCP…… 这样很容易…2026.10.09Session 02:Tool 规模化的 3 个工程问题:成本、选择、维护在上一篇里,我们把第一个 Agent 跑起来了。它根据用户的要求决定下一步做什么,能通过一个简单的循环不断行动,直到任务完成2026.10.09Session 03:上下文工程(上):LLM 到底看到了什么?在 Agent 开发中,我们经常会说“把上下文传给模型”。这句话包含有不少细节:程序需要决定发送哪些消息,工具定义放在哪里,历史记录保留多少。2026.10.10Session 03:上下文工程(下)——如何管理不断增长的上下文?上篇解决的是一个基础问题:一次模型调用里,程序给 LLM 发送了什么: System Prompt、用户消息、历史对话、工具定义、工具调用结果。2026.10.13Session 04:Memory——让 Agent 记住真正有用的信息前面讨论 Context Engineering 时,我们一直在解决一个问题:每次调用模型。2026.10.13Session 05:Planning——让 Agent 根据执行结果调整计划前面几篇已经讨论过 Agent 的基本循环、Tool、Context Engineering 和 Memory。2026.10.14Session 06:Reflection——让 Agent 检查结果并决定是否继续前面的 Agent Loop 已经能让模型根据用户目标决定下一步、调用工具,再根据工具返回的结果继续执行。2026.10.14Session 07:RAG / Knowledge——让 Agent 能够检索和利用外部知识LLM 可以根据当前上下文回答问题,但它不一定掌握任务所需的全部信息。知识可能来自企业文档、数据库、网页、内部知识库,也可能是最近才更新的内容。2026.10.14Session 08:Workflow——让 Agent 按流程完成任务之前讨论 Agent 时,我们主要关注模型如何决定下一步、调用 Tool,再根据工具返回的结果继续执行。2026.10.14Session 09:Multi-Agent——让多个 Agent 分工协作前面讨论 Workflow 时,我们用一个 Research Agent 完成研究报告:搜索资料、分析资料、检查证据是否充分,最后生成报告。2026.10.14Session 10:Agent Runtime——让 Agent 可靠地运行起来前面几篇讨论了 Tool、Planning、Reflection、Workflow 和 Multi-Agent。2026.10.20Session 11:Human-in-the-Loop——让 Agent 在关键节点等待人工介入Agent 执行任务时,经常会遇到一些不能完全交给模型自行决定的情况2026.10.21Session 12:MCP——让手搓 Agent 接入标准化的外部能力Research Agent 要完成一份研究报告,通常需要访问搜索引擎、网页、文件、数据库,或者企业内部系统。2026.10.21Session 13:Skill——让 Agent 掌握可复用的任务执行方法一个 Research Agent 需要完成研究报告时,除了搜索工具,还需要知道如何拆解研究问题、筛选来源、判断证据是否充分、处理相互矛盾的材料。2026.10.19Session 14:Agent Security——Agent 安全到底应该由谁来保证?Agent 能调用工具、读取网页、访问数据库、执行代码,也能根据中间结果不断决定下一步做什么。这些能力让它可以完成复杂任务,同时也增加了风险。2026.10.19Session 15:Guardrails——给 Agent 加上可执行的约束Agent Security 讨论的是整个 Agent 系统会遇到哪些安全风险,以及应该如何建立权限边界。2026.10.19Session 16:Agent Error Handling——Agent 出错以后,系统应该怎么处理?Agent 的执行过程通常包含模型调用、工具执行、状态更新和多轮决策。任何一个环节出错,都可能影响整个任务2026.10.19Session 17:Agent Model API——理解模型接口与调用机制开发 Agent 时,经常会使用 LangChain 的 Chat Model 接口,或者直接调用模型供应商提供的 SDK。2026.10.19Session 18:Model Routing——模型路由与选择策略在 Agent 系统中,不同步骤对模型能力的要求差异很大2026.10.19Session 19:Agent Context Optimization——上下文优化Agent 在执行任务时,需要把相关信息传递给模型。随着任务推进,消息历史、Tool 返回结果、研究材料、执行状态和中间分析可能越来越多2026.10.19Session 20:Agent Caching——缓存机制与复用策略Agent 执行一次任务,可能会调用模型多次、查询数据库、检索知识库、访问外部 API,还可能对同一批资料反复分析。2026.10.19Session 21:Agent Cost & Latency Optimization——成本与延迟优化Agent 的成本和响应时间,通常比普通业务接口更难控制。一次任务可能调用多次 LLM,执行若干 Tool,反复读取上下文。2026.10.20Session 22:Agent Deployment——Agent 的部署与运行架构Agent 在本地跑通,只能说明基本功能可用。真正部署到生产环境,还需要考虑请求如何进入系统、任务执行多久、模型调用如何管理、多个用户如何共享资源。2026.10.20Session 23:Agent Persistence——状态持久化与任务恢复Agent 跑起来之后,状态持久化很容易被当成一个简单的技术问题:把对话历史和任务状态存进数据库,程序出问题后再读出来继续执行2026.10.20Session 24:Agent Testing——如何测试一个 Agent 系统传统后端系统的测试相对容易理解:给定输入,检查输出是否符合预期。Agent 系统多了一层不确定性,LLM 的输出不固定,工具调用可能变化。2026.10.20Session 25:Agent Evaluation——如何评估 Agent 的实际效果Agent 能够跑通流程,不代表它真正完成了任务。Research Agent 可以成功调用搜索工具、生成一份结构完整的报告,甚至所有节点都正常执行。2026.10.20Session 26:Agent Debugging——如何定位和排查 Agent 的问题传统后端程序出现问题时,通常可以沿着调用链排查:请求进入哪个接口,执行了哪些方法,在哪一步抛出异常,输入参数和返回值是什么。2026.10.20Session 28:Agent Architecture Design——如何设计一个可维护的 Agent 系统开发一个简单的 Agent,可能只需要几行代码:接收用户输入,调用 LLM,根据模型返回的 Tool Call 执行工具,再把结果交给模型,直到任务完成