大模型
理解自然语言、制定计划、选择工具、组织最终答案。它负责“判断”,但不应直接相信它编造的事实。
从第一行 Python 到能独立完成 Agent 项目。为零基础学习者设计:每章都有完整代码、命令、预期结果、练习和验收,照着操作做到毕业项目。
普通聊天机器人通常只回答一次;Agent 会围绕目标,多次思考、选择工具、观察结果,直到完成任务。
理解自然语言、制定计划、选择工具、组织最终答案。它负责“判断”,但不应直接相信它编造的事实。
普通 Python 函数。比如查天气、计算价格、搜索数据库。模型只决定调用什么,真正执行仍由程序完成。
短期记忆是当前对话;长期记忆通常存数据库。不要把所有历史一股脑塞给模型。
按顺序学习。每一阶段都必须做出一个能运行的小作品,再进入下一阶段。
能添加、查看、完成任务,并把数据保存为 JSON 文件。过关标准:退出程序再打开,任务仍存在。
输入城市后调用公开 API,处理超时、无结果和错误状态。绝不把密钥写死在代码里。
支持多轮对话、流式显示,并能用 Pydantic 校验模型返回的数据。
至少包含计算器、时间查询和本地笔记搜索,并在界面中展示每一步调用。
保存学习目标和进度;删除文件、发消息等操作必须先向用户确认。
上传文档后回答问题;答案必须附页码或原文片段,找不到时明确说不知道。
前后端分离;支持对话、流式输出、停止生成、查看工具过程和历史会话。
包含 README、架构图、测试集、演示视频和线上地址。先做好单 Agent,再考虑多 Agent。
下面是教学版结构。真实项目可替换成模型 API,但循环思想完全一样。
多轮对话、流式输出、保存历史。重点:消息结构和上下文。
天气、计算、时间三个工具。重点:工具选择和参数校验。
记录目标、生成计划、每日复盘。重点:短期与长期记忆。
上传、切分、检索、引用。重点:让答案有据可查。
FastAPI + Vue + SSE。重点:产品体验和状态管理。
鉴权、评估、日志、Docker 部署。重点:可靠性而非炫技。
| 用途 | 入门选择 | 什么时候升级 |
|---|---|---|
| 语言 | Python 3.11+ | 一直使用即可 |
| 模型接入 | 官方 Python SDK | 需要切换多家模型时再抽象 |
| Agent | 先手写循环 | 流程复杂后用 Agents SDK / LangGraph |
| 后端 | FastAPI | 大多数 Agent 项目都够用 |
| 前端 | Vue 3 + Vite | 配合 Pinia、Vue Router |
| 数据库 | SQLite | 多人和部署时换 PostgreSQL |
| 向量库 | Chroma | 生产环境可用 pgvector |
| 部署 | Docker Compose | 规模上来后再考虑云原生 |
不用一次看完。学到哪个阶段,就打开对应资料解决当前问题。
可以,但前两周必须认真学 Python。你不需要先成为算法专家,但必须能读懂函数、字典、循环、异常和 API 请求。
做 API 型 Agent 暂时不需要。先学应用开发;当你想训练、微调或深入模型原理时,再补线性代数、概率和深度学习。
先不用框架,手写一次工具调用循环。之后优先 Agents SDK;需要明确状态和分支流程时学 LangGraph;LangChain 的检索和工具生态可按需使用。
常见原因是工具说明模糊、工具功能重叠、参数没有约束、缺少示例或上下文太乱。先减少工具数量,并让每个工具职责单一。
RAG 是运行时检索外部资料,适合知识更新和引用;微调主要改变模型的行为、格式或特定能力。知识库项目通常先做 RAG。
只有当任务确实存在角色隔离、独立上下文或并行专业工作时。多数入门项目用一个 Agent 加多个工具更简单、更便宜、更可靠。
建议每天 1.5–2 小时:30 分钟看概念,60 分钟写代码,最后 15 分钟记录问题。连续学习比周末突击更有效。