AAgent 实战教程
PYTHON + VUE · ZERO TO ONE

AI Agent
从零到一

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。

10章完整教程
12周计划
100+代码与操作

学习路线

1Python 基础
2网络与 API
3大模型基础
4Agent 核心
5工具与记忆
6RAG 知识库
7前后端项目
8部署与优化

🐍 agent_loop.py

# Agent 的核心:观察 → 思考 → 行动
def agent_loop(task):
  messages = [task]
  while True:
    action = think(messages)
    if action.is_final:
      return action.answer
    result = use_tool(action)
    messages.append(result)

agent_loop("制定学习计划")
✓ 已理解需求
✓ 已拆解学习阶段
✓ 已生成 12 周计划
任务完成!

学习进度

💬 智能问答助手
🔎 信息检索 Agent
📄 知识库问答
START HERE

先弄明白:Agent 到底是什么?

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。

用户目标
“帮我查天气并规划出行”
→
大模型大脑
判断下一步做什么
→
执行工具
搜索、计算、读文件、调用 API
一句话记忆:Agent = 大模型(大脑)+ 提示词(规则)+ 工具(手脚)+ 记忆(上下文)+ 循环(持续执行)。它不是魔法,而是一套可以拆开学习的程序结构。
LLM

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。

TOOLS

工具

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。

MEMORY

记忆

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。

12-WEEK ROADMAP

完整学习路线

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。

01
第 1–2 周 · 零基础编程

Python 与开发环境

学习内容
  • 变量、字符串、数字、布尔值
  • if、for、while
  • list、dict、set
  • 函数、模块、类、异常处理
  • 文件读写、JSON、环境变量
  • 终端、Git、虚拟环境、pip
过关作品:命令行任务管理器

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。

Python 官方教程 ↗

02
第 3 周 · 连接互联网

HTTP、API 与异步编程

  • 请求、响应、状态码
  • GET / POST 与 JSON
  • API Key 和 .env
  • requests / httpx
  • async / await 基础
过关作品:天气查询程序

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。

03
第 4 周 · 认识模型

大模型 API 与提示词

  • system / user / assistant 消息
  • Token、上下文窗口、温度
  • 结构化 JSON 输出
  • 流式输出
  • 幻觉、成本和延迟
过关作品:命令行聊天助手

支持多轮对话、流式显示,并能用 Pydantic 校验模型返回的数据。

04
第 5 周 · 真正进入 Agent

Tool Calling 与 Agent 循环

  • 把 Python 函数描述成工具
  • 校验模型给出的工具参数
  • 执行工具并返回结果
  • 终止条件和最大步数
  • 重试、超时与错误恢复
过关作品:三工具 Agent

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。

05
第 6 周 · 让行为更稳定

记忆、规划与安全边界

  • 会话状态与历史裁剪
  • 摘要记忆、数据库记忆
  • Plan → Act → Observe
  • 人工确认节点
  • 敏感操作白名单
过关作品:个人学习教练

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。

06
第 7–8 周 · 给 Agent 私有知识

RAG 知识库

  • 文档解析与 Chunk 切分
  • Embedding 与向量相似度
  • Chroma / pgvector
  • 检索、重排、引用来源
  • 评估召回率与答案准确性
过关作品:PDF 问答系统

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。

07
第 9–10 周 · 做成真正产品

FastAPI + Vue 3

  • FastAPI 路由、Pydantic、CORS
  • SSE 流式响应
  • Vue 组件、路由、Pinia
  • Markdown、代码高亮、文件上传
  • 会话列表和工具调用时间线
过关作品:网页版 Agent

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。

08
第 11–12 周 · 工程化

框架、评估与部署

  • Agents SDK / LangGraph
  • MCP 工具协议
  • 日志、Tracing、评估集
  • Docker、PostgreSQL、Redis
  • 限流、鉴权、成本监控
毕业作品:可部署的知识助手

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。

BUILD IT YOURSELF

手写第一个 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。

1. 创建项目

mkdir my-first-agent cd my-first-agent python3 -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate pip install openai python-dotenv pydantic

2. 准备环境变量

# 新建 .env,不要上传到 Git OPENAI_API_KEY=你的密钥

3. 理解工具调用的骨架

import json from datetime import datetime def calculator(a: float, b: float, operation: str): if operation == "add": return a + b if operation == "multiply": return a * b raise ValueError("不支持的运算") TOOLS = {"calculator": calculator} def execute_tool(name: str, arguments: dict): if name not in TOOLS: return {"error": "未知工具"} try: return {"result": TOOLS[name](**arguments)} except Exception as e: return {"error": str(e)} # 真正的 Agent 循环: # 1. 把用户消息和工具说明发给模型 # 2. 若模型返回工具调用,执行 execute_tool # 3. 把执行结果追加到 messages # 4. 再次请求模型,直到得到最终答案或超过最大步数
必须设置护栏:最大执行步数、单次工具超时、参数校验、工具白名单、敏感操作确认。永远不要让模型直接拼接并执行任意 Shell 或 SQL。
PROJECT LADDER

六个项目,从简单到毕业

01 入门

命令行聊天助手

多轮对话、流式输出、保存历史。重点:消息结构和上下文。

02 工具

生活助手 Agent

天气、计算、时间三个工具。重点:工具选择和参数校验。

03 记忆

学习规划师

记录目标、生成计划、每日复盘。重点:短期与长期记忆。

04 RAG

PDF 知识库

上传、切分、检索、引用。重点:让答案有据可查。

05 全栈

Vue Agent 工作台

FastAPI + Vue + SSE。重点:产品体验和状态管理。

06 毕业

企业知识助手

鉴权、评估、日志、Docker 部署。重点:可靠性而非炫技。

一个合格毕业项目应包含

✓ 清楚的 README
✓ 一键启动方式
✓ 环境变量示例
✓ 20 条以上评估问题
✓ 错误处理与超时
✓ 成本和日志记录
✓ 页面演示
✓ 架构说明
✓ 已知限制与后续计划
TECH STACK

技术选择:先少后多

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
框架学习原则:框架会更新,核心原理更耐用。先能手写 Tool Calling 和 Agent Loop,再学习框架,你才知道框架替你做了什么。
FAQ

小白最常遇到的问题

完全不会编程,可以直接学 Agent 吗?

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。

需要学习机器学习和高等数学吗?

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。

LangChain、LangGraph、Agents SDK 先学哪个?

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。

为什么我的 Agent 经常乱调用工具?

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 和微调有什么区别?

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。

什么时候需要多 Agent?

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。

每天学多久合适?

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。

FINAL CHECKLIST

你什么时候算“学会了”?

你能解释

  • Agent 和普通聊天机器人的区别
  • 模型为什么能选择工具
  • 短期记忆与长期记忆
  • RAG 的完整链路
  • 为什么必须设置终止条件

你能独立完成

  • 写一个可校验参数的工具
  • 实现 Agent 执行循环
  • 构建带引用的知识库
  • 制作 Vue + FastAPI 页面
  • 用测试集评估并部署项目
真正的终点:不是看完所有教程,而是你能面对一个需求,自己拆解、设计工具、实现、测试、发现错误并改进。现在从阶段 01 的任务管理器开始。
阅读进度:0%