简介这份PDF资料面向具备一定AI与机器学习基础、希望系统掌握AI Agent开发全流程的研发人员、产品经理与技术爱好者。内容从人工智能、机器学习、深度学习与大语言模型等基础概念切入逐步过渡到AI Agent的定义、与传统程序的区别以及在自媒体、智能客服、自动驾驶、股票交易和游戏NPC等场景中的落地方式。资源以字节跳动扣子COZE平台为例完整拆解需求梳理、软件选型、提示工程、数据库搭建、UI构建、测试评估到部署发布的七个步骤并附抖音短视频文案转小红书笔记、小红书文案结合OCR同步飞书两个实战案例帮助读者把提示工程与工作流设计真正跑通。压缩包内为1个PDF文件约12.01MB结构紧凑便于通读与查阅。目前已有1349人学习适合作为从零打造自有Agent智能体的入门到实战参考。1. 从零手搓一个 AI Agent这套全流程资源到底能解决什么问题很多人第一次接触 AI Agent 智能体开发卡住的地方不是不会调大模型 API而是不知道一个「能自己规划、自己调工具、自己纠错」的智能体代码到底该长什么样。你可能已经看过不少讲 ReAct、Function Calling、多智能体协作的科普概念都懂但真让你从 0 开始搭一个能跑通完整任务链路的 Agent脑子里还是一团浆糊。这套「从基础概念到项目实战」的全流程资源解决的就是这个断层——它把大语言模型、提示工程、工具调用、记忆管理、任务规划这几块拼成一个可复现的工程骨架而不是停在 PPT 层面。适合谁适合已经会写 Python、调过 OpenAI 或国产大模型接口但没独立完成过一个 Agent 闭环的开发者也适合想系统梳理智能体开发知识体系、准备面试或做课程大作业的人。下面我按自己拆包复现的顺序把这份资源里真正能落地的部分讲透。2. 智能体的四块核心拼图LLM、提示工程、工具与记忆怎么串起来在动手写代码之前得先把一个 Agent 到底由什么构成讲清楚。不然后面抄代码也是照猫画虎参数一改就翻车。这份资源把智能体拆成四块大语言模型作为推理内核、提示工程作为行为约束、工具调用作为手脚、记忆机制作为上下文管理。四者缺一不可而且顺序不能乱——先有稳定的推理内核才谈得上约束行为再谈扩展能力。2.1 大语言模型选型不是越贵越好而是看任务链路Agent 的推理内核就是大语言模型LLM。选型时最容易犯的错是「无脑上最强模型」结果成本和延迟都爆炸。我的经验是按任务链路分层规划层用强模型执行层用便宜模型。比如一个「查资料→总结→写报告」的 Agent规划「先搜什么、再做什么」这一步需要强推理用 GPT-4 级别而具体的信息抽取、格式转换用 GPT-3.5 或国产的轻量模型就够。这份资源里对模型选型的讨论比较克制没有堆参数而是给了几个判断维度维度说明常见取值上下文窗口决定能塞多少历史对话和工具返回8K / 32K / 128K函数调用能力是否原生支持 tool_calls原生支持优先推理延迟影响 Agent 多轮循环的体感首 token 2s 较理想成本按 token 计费多轮循环会放大执行层用低价模型我一般会先确认模型是否原生支持 Function Calling因为靠提示词硬凑 JSON 输出的方案在复杂任务里稳定性差很多属于典型的玄学调参。2.2 提示工程把「人设」和「工具说明」写进系统提示提示工程在 Agent 里不是写一句「你是一个助手」就完事。系统提示要同时承担三件事定义角色与目标、说明可用工具及调用格式、约束输出结构。这份资源给了一个可复用的系统提示模板我把它简化成下面这样SYSTEM_PROMPT 你是一个任务规划智能体目标是把用户需求拆解成可执行步骤。 可用工具 - search(query): 搜索资料返回文本摘要 - calculator(expression): 计算数学表达式 - finish(answer): 当任务完成时调用提交最终答案 调用规则 1. 每次只调用一个工具等待返回结果后再决定下一步。 2. 工具调用必须输出 JSON格式为 {tool: 工具名, args: {...}}。 3. 信息足够时必须调用 finish 提交答案不要自行编造。 这段提示的关键在于「每次只调用一个工具」和「必须调用 finish」。前者避免模型一次性输出多个动作导致解析混乱后者给 Agent 一个明确的终止条件否则很容易陷入无限循环。参数上args用字典而不是位置参数是为了后续扩展工具时不用改解析逻辑。2.3 工具调用把函数签名暴露给模型工具调用的本质是把 Python 函数的名称、参数、说明「翻译」成模型能理解的描述模型返回调用意图后由你的代码真正执行函数。这份资源用的是「注册表 分发」的模式比一堆 if-else 清晰得多import json TOOLS {} def register(name): def wrapper(func): TOOLS[name] func return func return wrapper register(calculator) def calculator(expression: str) - str: # 只允许数字和运算符防止注入 allowed set(0123456789-*/(). ) if not set(expression) allowed: return 表达式包含非法字符 return str(eval(expression)) def dispatch(action: dict) - str: tool_name action.get(tool) args action.get(args, {}) if tool_name not in TOOLS: return f未知工具: {tool_name} return TOOLS[tool_name](**args)register装饰器把函数登记进TOOLS字典dispatch根据模型返回的tool字段找到对应函数并执行。这里有个安全细节calculator里做了字符白名单校验因为直接eval用户可控的表达式是血泪教训线上出过事。参数说明上args用**展开要求工具函数的参数名和提示里写的完全一致否则会报unexpected keyword argument。2.4 记忆机制短期靠对话历史长期靠外部存储Agent 的记忆分两层。短期记忆就是对话历史把每轮的「模型输出 工具返回」追加进消息列表下一轮一起发给模型。长期记忆则要落到外部存储比如把关键事实写进向量库或数据库需要时检索回来。这份资源在基础篇只实现了短期记忆用列表维护messages [{role: system, content: SYSTEM_PROMPT}] def add_message(role, content): messages.append({role: role, content: content}) # 控制上下文长度超出就丢弃最早的几轮 if len(messages) 20: messages [messages[0]] messages[-15:]这里messages[0]是系统提示必须保留所以裁剪时单独拎出来。20和15这两个数字不是固定的取决于模型上下文窗口和单条消息的平均长度我一般会按 token 估算动态调整而不是写死。3. 从 0 搭一个可运行 Agent主循环、工具注册与调试概念讲完进入真正能跑的部分。这一章把主循环写出来加上工具注册和一个最小可用的搜索工具最后给出调试方法。照着敲一遍你就能得到一个能回答「帮我算一下 (2317)*3 再解释步骤」这类任务的 Agent。3.1 主循环感知—规划—行动—观察Agent 的主循环就是不断重复「把当前状态发给模型 → 解析模型输出 → 执行工具 → 把结果塞回历史」。终止条件是模型调用了finish工具或者达到最大轮数。下面是核心实现import json MAX_STEPS 8 def run_agent(user_input: str) - str: add_message(user, user_input) for step in range(MAX_STEPS): # 1. 调用大模型拿到输出 response call_llm(messages) add_message(assistant, response) # 2. 尝试解析工具调用 try: action json.loads(response) except json.JSONDecodeError: # 模型没按格式输出提示它纠正 add_message(user, 请按 JSON 格式输出工具调用。) continue # 3. 终止条件 if action.get(tool) finish: return action[args].get(answer, ) # 4. 执行工具把结果写回历史 result dispatch(action) add_message(user, f工具返回: {result}) return 达到最大步数任务未完成。逻辑上call_llm是你要对接具体模型 SDK 的地方把messages传进去拿文本输出。MAX_STEPS是保险丝防止模型陷入死循环烧 token。解析失败时不是直接报错退出而是追加一条纠正提示让模型重试这个容错设计在实际跑任务时能救回不少次。参数上MAX_STEPS设 8 是我跑简单任务的常用值复杂任务可以调到 15但要注意成本。3.2 注册一个真实工具搜索函数怎么写光有计算器不够Agent 得有获取外部信息的能力。下面是一个搜索工具的骨架实际对接时把search_api换成你用的搜索服务即可register(search) def search(query: str) - str: # query 是模型生成的搜索词 if not query or len(query) 100: return 搜索词为空或过长 results search_api(query, top_k3) # 把结果压成一段文本控制长度 snippets [f[{i1}] {r[title]}: {r[snippet]} for i, r in enumerate(results)] return \n.join(snippets)top_k3是权衡返回太多会撑爆上下文太少信息不够。snippets里带上序号和标题方便模型在最终答案里引用来源。这里没有做结果去重如果搜索服务本身会返回重复内容建议在search_api里处理而不是在 Agent 层。3.3 调试把每一步的输入输出打出来Agent 调试最痛苦的是「它为什么这么决策」看不见。我的习惯是在主循环里加日志把每轮发给模型的完整消息和模型原始输出都打出来def call_llm(messages): print( 发送给模型的消息 ) for m in messages: print(f[{m[role]}] {m[content][:200]}) response llm_client.chat(messages) print( 模型原始输出 ) print(response) return response截断到 200 字符是为了日志可读排查格式问题时再临时放开。这套日志在定位「模型不调工具」「工具参数传错」这两类问题时几乎是必备的比盯着最终答案猜要高效得多。4. 避坑与排查智能体开发里最容易翻车的五个地方这一章是我自己复现和带人做项目时踩过的坑按「现象 → 原因 → 解决」整理。很多问题不是代码写错而是对模型行为和工程边界理解不到位。4.1 模型不调用工具一直用自然语言回答现象明明注册了工具模型却直接输出一段文字不返回 JSON。原因通常是系统提示里工具说明不够明确或者模型本身函数调用能力弱。解决把工具说明写得更结构化明确「必须输出 JSON」如果模型不支持原生 Function Calling换模型比调提示词更省事。4.2 JSON 解析频繁失败现象json.loads报错模型输出里带了「好的我来调用」这类前缀。原因模型把解释性文字和 JSON 混在一起。解决在提示里要求「只输出 JSON不要任何其他文字」同时在解析前用正则提取第一个{...}块兜底而不是直接json.loads整段文本。4.3 工具参数名对不上导致报错现象dispatch抛unexpected keyword argument。原因提示里写的参数名和 Python 函数签名不一致比如提示写expr函数是expression。解决把工具函数的签名作为唯一事实来源提示里的工具说明最好由代码自动生成而不是手写避免两边不同步。4.4 上下文越滚越长成本和延迟失控现象跑十几轮后单次请求 token 数暴涨响应变慢。原因每轮的工具返回都原样追加历史消息无限增长。解决对工具返回做截断只保留关键片段同时按 token 估算裁剪历史保留系统提示和最近若干轮。别等到账单出来才后悔。4.5 无限循环任务永远不结束现象Agent 反复调用同一个工具步数用满也没结果。原因缺少终止条件或模型没意识到信息已足够。解决强制要求模型在信息足够时调用finish同时设MAX_STEPS硬上限并在达到上限时返回中间结果而不是空手而归。5. 进阶技巧用验证清单让 Agent 输出可交付基础版跑通后真正拉开差距的是「怎么确认它输出的是对的」。我现在的习惯是给 Agent 加一个自检环节在finish之前让模型对照一份验证清单检查自己的答案。这份资源在实战篇里也提到了类似思路我把它落成一个可复用的检查函数。CHECK_PROMPT 请检查你的答案是否满足以下条件 1. 是否直接回答了用户的问题没有跑题。 2. 引用的数据是否来自工具返回而非编造。 3. 如果涉及计算结果是否经过 calculator 工具验证。 若全部满足调用 finish 提交否则说明哪一条不满足并继续处理。 这个自检不是让模型「再想一遍」而是给它一份明确的核对项把模糊的「检查一下」变成可执行的判断。实测下来编造数据的情况能明显减少。参数上清单条目控制在 3 到 5 条太多模型会顾此失彼。另一个技巧是给工具返回加「可信度标记」。比如搜索结果里来自权威来源的标[高]来自论坛的标[低]让模型在最终答案里优先采用高可信内容。这比事后人工核对省事得多。验证方法上我一般会准备一组固定测试用例覆盖「纯计算」「需要搜索」「需要多步规划」三类任务每次改完提示或工具就跑一遍看通过率有没有下降。这套回归测试不需要多复杂一个脚本循环调用run_agent比对预期关键词即可。从那以后我每次改系统提示或加新工具都强制走一遍这组用例不然很容易出现「修好一个场景、弄坏另一个场景」的情况。希望帮到你。本文还有配套的精品资源点击获取
从零手搓AI Agent：LLM、工具调用与记忆机制全流程实战
简介这份PDF资料面向具备一定AI与机器学习基础、希望系统掌握AI Agent开发全流程的研发人员、产品经理与技术爱好者。内容从人工智能、机器学习、深度学习与大语言模型等基础概念切入逐步过渡到AI Agent的定义、与传统程序的区别以及在自媒体、智能客服、自动驾驶、股票交易和游戏NPC等场景中的落地方式。资源以字节跳动扣子COZE平台为例完整拆解需求梳理、软件选型、提示工程、数据库搭建、UI构建、测试评估到部署发布的七个步骤并附抖音短视频文案转小红书笔记、小红书文案结合OCR同步飞书两个实战案例帮助读者把提示工程与工作流设计真正跑通。压缩包内为1个PDF文件约12.01MB结构紧凑便于通读与查阅。目前已有1349人学习适合作为从零打造自有Agent智能体的入门到实战参考。1. 从零手搓一个 AI Agent这套全流程资源到底能解决什么问题很多人第一次接触 AI Agent 智能体开发卡住的地方不是不会调大模型 API而是不知道一个「能自己规划、自己调工具、自己纠错」的智能体代码到底该长什么样。你可能已经看过不少讲 ReAct、Function Calling、多智能体协作的科普概念都懂但真让你从 0 开始搭一个能跑通完整任务链路的 Agent脑子里还是一团浆糊。这套「从基础概念到项目实战」的全流程资源解决的就是这个断层——它把大语言模型、提示工程、工具调用、记忆管理、任务规划这几块拼成一个可复现的工程骨架而不是停在 PPT 层面。适合谁适合已经会写 Python、调过 OpenAI 或国产大模型接口但没独立完成过一个 Agent 闭环的开发者也适合想系统梳理智能体开发知识体系、准备面试或做课程大作业的人。下面我按自己拆包复现的顺序把这份资源里真正能落地的部分讲透。2. 智能体的四块核心拼图LLM、提示工程、工具与记忆怎么串起来在动手写代码之前得先把一个 Agent 到底由什么构成讲清楚。不然后面抄代码也是照猫画虎参数一改就翻车。这份资源把智能体拆成四块大语言模型作为推理内核、提示工程作为行为约束、工具调用作为手脚、记忆机制作为上下文管理。四者缺一不可而且顺序不能乱——先有稳定的推理内核才谈得上约束行为再谈扩展能力。2.1 大语言模型选型不是越贵越好而是看任务链路Agent 的推理内核就是大语言模型LLM。选型时最容易犯的错是「无脑上最强模型」结果成本和延迟都爆炸。我的经验是按任务链路分层规划层用强模型执行层用便宜模型。比如一个「查资料→总结→写报告」的 Agent规划「先搜什么、再做什么」这一步需要强推理用 GPT-4 级别而具体的信息抽取、格式转换用 GPT-3.5 或国产的轻量模型就够。这份资源里对模型选型的讨论比较克制没有堆参数而是给了几个判断维度维度说明常见取值上下文窗口决定能塞多少历史对话和工具返回8K / 32K / 128K函数调用能力是否原生支持 tool_calls原生支持优先推理延迟影响 Agent 多轮循环的体感首 token 2s 较理想成本按 token 计费多轮循环会放大执行层用低价模型我一般会先确认模型是否原生支持 Function Calling因为靠提示词硬凑 JSON 输出的方案在复杂任务里稳定性差很多属于典型的玄学调参。2.2 提示工程把「人设」和「工具说明」写进系统提示提示工程在 Agent 里不是写一句「你是一个助手」就完事。系统提示要同时承担三件事定义角色与目标、说明可用工具及调用格式、约束输出结构。这份资源给了一个可复用的系统提示模板我把它简化成下面这样SYSTEM_PROMPT 你是一个任务规划智能体目标是把用户需求拆解成可执行步骤。 可用工具 - search(query): 搜索资料返回文本摘要 - calculator(expression): 计算数学表达式 - finish(answer): 当任务完成时调用提交最终答案 调用规则 1. 每次只调用一个工具等待返回结果后再决定下一步。 2. 工具调用必须输出 JSON格式为 {tool: 工具名, args: {...}}。 3. 信息足够时必须调用 finish 提交答案不要自行编造。 这段提示的关键在于「每次只调用一个工具」和「必须调用 finish」。前者避免模型一次性输出多个动作导致解析混乱后者给 Agent 一个明确的终止条件否则很容易陷入无限循环。参数上args用字典而不是位置参数是为了后续扩展工具时不用改解析逻辑。2.3 工具调用把函数签名暴露给模型工具调用的本质是把 Python 函数的名称、参数、说明「翻译」成模型能理解的描述模型返回调用意图后由你的代码真正执行函数。这份资源用的是「注册表 分发」的模式比一堆 if-else 清晰得多import json TOOLS {} def register(name): def wrapper(func): TOOLS[name] func return func return wrapper register(calculator) def calculator(expression: str) - str: # 只允许数字和运算符防止注入 allowed set(0123456789-*/(). ) if not set(expression) allowed: return 表达式包含非法字符 return str(eval(expression)) def dispatch(action: dict) - str: tool_name action.get(tool) args action.get(args, {}) if tool_name not in TOOLS: return f未知工具: {tool_name} return TOOLS[tool_name](**args)register装饰器把函数登记进TOOLS字典dispatch根据模型返回的tool字段找到对应函数并执行。这里有个安全细节calculator里做了字符白名单校验因为直接eval用户可控的表达式是血泪教训线上出过事。参数说明上args用**展开要求工具函数的参数名和提示里写的完全一致否则会报unexpected keyword argument。2.4 记忆机制短期靠对话历史长期靠外部存储Agent 的记忆分两层。短期记忆就是对话历史把每轮的「模型输出 工具返回」追加进消息列表下一轮一起发给模型。长期记忆则要落到外部存储比如把关键事实写进向量库或数据库需要时检索回来。这份资源在基础篇只实现了短期记忆用列表维护messages [{role: system, content: SYSTEM_PROMPT}] def add_message(role, content): messages.append({role: role, content: content}) # 控制上下文长度超出就丢弃最早的几轮 if len(messages) 20: messages [messages[0]] messages[-15:]这里messages[0]是系统提示必须保留所以裁剪时单独拎出来。20和15这两个数字不是固定的取决于模型上下文窗口和单条消息的平均长度我一般会按 token 估算动态调整而不是写死。3. 从 0 搭一个可运行 Agent主循环、工具注册与调试概念讲完进入真正能跑的部分。这一章把主循环写出来加上工具注册和一个最小可用的搜索工具最后给出调试方法。照着敲一遍你就能得到一个能回答「帮我算一下 (2317)*3 再解释步骤」这类任务的 Agent。3.1 主循环感知—规划—行动—观察Agent 的主循环就是不断重复「把当前状态发给模型 → 解析模型输出 → 执行工具 → 把结果塞回历史」。终止条件是模型调用了finish工具或者达到最大轮数。下面是核心实现import json MAX_STEPS 8 def run_agent(user_input: str) - str: add_message(user, user_input) for step in range(MAX_STEPS): # 1. 调用大模型拿到输出 response call_llm(messages) add_message(assistant, response) # 2. 尝试解析工具调用 try: action json.loads(response) except json.JSONDecodeError: # 模型没按格式输出提示它纠正 add_message(user, 请按 JSON 格式输出工具调用。) continue # 3. 终止条件 if action.get(tool) finish: return action[args].get(answer, ) # 4. 执行工具把结果写回历史 result dispatch(action) add_message(user, f工具返回: {result}) return 达到最大步数任务未完成。逻辑上call_llm是你要对接具体模型 SDK 的地方把messages传进去拿文本输出。MAX_STEPS是保险丝防止模型陷入死循环烧 token。解析失败时不是直接报错退出而是追加一条纠正提示让模型重试这个容错设计在实际跑任务时能救回不少次。参数上MAX_STEPS设 8 是我跑简单任务的常用值复杂任务可以调到 15但要注意成本。3.2 注册一个真实工具搜索函数怎么写光有计算器不够Agent 得有获取外部信息的能力。下面是一个搜索工具的骨架实际对接时把search_api换成你用的搜索服务即可register(search) def search(query: str) - str: # query 是模型生成的搜索词 if not query or len(query) 100: return 搜索词为空或过长 results search_api(query, top_k3) # 把结果压成一段文本控制长度 snippets [f[{i1}] {r[title]}: {r[snippet]} for i, r in enumerate(results)] return \n.join(snippets)top_k3是权衡返回太多会撑爆上下文太少信息不够。snippets里带上序号和标题方便模型在最终答案里引用来源。这里没有做结果去重如果搜索服务本身会返回重复内容建议在search_api里处理而不是在 Agent 层。3.3 调试把每一步的输入输出打出来Agent 调试最痛苦的是「它为什么这么决策」看不见。我的习惯是在主循环里加日志把每轮发给模型的完整消息和模型原始输出都打出来def call_llm(messages): print( 发送给模型的消息 ) for m in messages: print(f[{m[role]}] {m[content][:200]}) response llm_client.chat(messages) print( 模型原始输出 ) print(response) return response截断到 200 字符是为了日志可读排查格式问题时再临时放开。这套日志在定位「模型不调工具」「工具参数传错」这两类问题时几乎是必备的比盯着最终答案猜要高效得多。4. 避坑与排查智能体开发里最容易翻车的五个地方这一章是我自己复现和带人做项目时踩过的坑按「现象 → 原因 → 解决」整理。很多问题不是代码写错而是对模型行为和工程边界理解不到位。4.1 模型不调用工具一直用自然语言回答现象明明注册了工具模型却直接输出一段文字不返回 JSON。原因通常是系统提示里工具说明不够明确或者模型本身函数调用能力弱。解决把工具说明写得更结构化明确「必须输出 JSON」如果模型不支持原生 Function Calling换模型比调提示词更省事。4.2 JSON 解析频繁失败现象json.loads报错模型输出里带了「好的我来调用」这类前缀。原因模型把解释性文字和 JSON 混在一起。解决在提示里要求「只输出 JSON不要任何其他文字」同时在解析前用正则提取第一个{...}块兜底而不是直接json.loads整段文本。4.3 工具参数名对不上导致报错现象dispatch抛unexpected keyword argument。原因提示里写的参数名和 Python 函数签名不一致比如提示写expr函数是expression。解决把工具函数的签名作为唯一事实来源提示里的工具说明最好由代码自动生成而不是手写避免两边不同步。4.4 上下文越滚越长成本和延迟失控现象跑十几轮后单次请求 token 数暴涨响应变慢。原因每轮的工具返回都原样追加历史消息无限增长。解决对工具返回做截断只保留关键片段同时按 token 估算裁剪历史保留系统提示和最近若干轮。别等到账单出来才后悔。4.5 无限循环任务永远不结束现象Agent 反复调用同一个工具步数用满也没结果。原因缺少终止条件或模型没意识到信息已足够。解决强制要求模型在信息足够时调用finish同时设MAX_STEPS硬上限并在达到上限时返回中间结果而不是空手而归。5. 进阶技巧用验证清单让 Agent 输出可交付基础版跑通后真正拉开差距的是「怎么确认它输出的是对的」。我现在的习惯是给 Agent 加一个自检环节在finish之前让模型对照一份验证清单检查自己的答案。这份资源在实战篇里也提到了类似思路我把它落成一个可复用的检查函数。CHECK_PROMPT 请检查你的答案是否满足以下条件 1. 是否直接回答了用户的问题没有跑题。 2. 引用的数据是否来自工具返回而非编造。 3. 如果涉及计算结果是否经过 calculator 工具验证。 若全部满足调用 finish 提交否则说明哪一条不满足并继续处理。 这个自检不是让模型「再想一遍」而是给它一份明确的核对项把模糊的「检查一下」变成可执行的判断。实测下来编造数据的情况能明显减少。参数上清单条目控制在 3 到 5 条太多模型会顾此失彼。另一个技巧是给工具返回加「可信度标记」。比如搜索结果里来自权威来源的标[高]来自论坛的标[低]让模型在最终答案里优先采用高可信内容。这比事后人工核对省事得多。验证方法上我一般会准备一组固定测试用例覆盖「纯计算」「需要搜索」「需要多步规划」三类任务每次改完提示或工具就跑一遍看通过率有没有下降。这套回归测试不需要多复杂一个脚本循环调用run_agent比对预期关键词即可。从那以后我每次改系统提示或加新工具都强制走一遍这组用例不然很容易出现「修好一个场景、弄坏另一个场景」的情况。希望帮到你。本文还有配套的精品资源点击获取
