上一课我们给 Agent 装上了搜索。但它真的会「自己判断该不该搜」吗还是我们偷偷写死了逻辑这一课我们用三组测试把它逼出来。一、核心问题谁来决定用哪个工具很多初学者会这样写if 新闻 in user_input: search()但这不是 Agent这只是一个 if-else 脚本。真正想达到的效果是用户问「英伟达最近怎么样」 ↓ LLM 自己判断这个问题涉及实时信息 ↓ 调用 search_web 用户问「什么是牛顿第二定律」 ↓ LLM 自己判断不需要搜索 ↓ 直接回答这个「自己判断」的能力才是 Agent 的核心。维度写死 if-else模型自主决策判断谁做你模型覆盖场景只能处理你想到的能处理没预设过的情况加新工具要改判断逻辑只需加工具说明本质脚本Agent一句话概括判断逻辑由模型生成而不是你硬编码——这才是 Agent。二、测试一不需要搜索的问题把用户问题改成messages [ {role: user, content: 什么是 Transformer} ]运行python main.py。理想的输出是AITransformer 是一种……而不会出现Agent 调用工具 search_web。这说明模型做对了判断这是常识问题不用搜。三、测试二需要搜索的问题把问题改成messages [ {role: user, content: 搜索一下最近 DeepSeek 的最新消息然后总结一下。} ]运行后Agent 调用工具 search_web 参数 {query: 最近 DeepSeek 的最新消息} AI根据最新消息……这里模型自己判断出这个问题的答案在模型记忆之外必须联网。四、测试三同时需要搜索和计算高潮来了把问题改成messages [ {role: user, content: 搜索一下英伟达目前的市值然后把这个数字乘以 2。} ]理论上你的 Agent 会连续做两件事Agent 调用工具 search_web 参数 {query: 英伟达目前市值} Agent 调用工具 calculator 参数 {a: ..., b: 2, operation: multiply} AI……看到两个工具被先后调用就说明 Agent Loop 真正在「思考—行动—观察」中循环起来了。用户 ↓ DeepSeek → 需要实时信息 → search_web → 得到市值 ↓ DeepSeek 再判断 → 需要计算 → calculator → 得到结果 ↓ DeepSeek → 输出最终答案一句话概括能连续调用多个工具完成任务才算真正意义上的基础 Agent。五、Agent 的能力从此可以无限扩展理解了这个模式以后加工具就是不断往清单里加东西DeepSeek │ ├── calculator ├── search_web ├── weather ├── database ├── python ├── 文件读取 ├── PDF 分析 ├── 邮件 ├── 日历 └── ...而DeepSeek 负责决定「什么时候使用哪个工具」。你只需要负责「把工具做好」模型负责「在合适的时机使用它们」。这就是 Agent 与普通聊天机器人最本质的区别。六、自查这一课你成功了吗普通问题 → 直接回答不调工具实时问题 → 自动调用search_web计算问题 → 自动调用calculator搜索 计算 → 两个工具连续调用四条全中恭喜你你的 Agent 已经成型。总结这一课我们验证了 Agent 最关键的能力——自主决策。它不再是执行固定脚本而是根据目标自己选择工具、自己决定下一步。到这里你在终端里已经拥有了一个会聊天、有记忆、会用工具、会联网、能自主循环的 Agent。唯一的遗憾是——它跑在黑乎乎的终端里只有你自己能用。下一课我们给它做一个网页界面让它变成一个能分享给别人用的小产品。下一课预告第8课做成网页应用——FastAPI 后端 简单前端。
新手小白 Agent 开发第7课：让 Agent 自主决策，多工具协作才算真 Agent
上一课我们给 Agent 装上了搜索。但它真的会「自己判断该不该搜」吗还是我们偷偷写死了逻辑这一课我们用三组测试把它逼出来。一、核心问题谁来决定用哪个工具很多初学者会这样写if 新闻 in user_input: search()但这不是 Agent这只是一个 if-else 脚本。真正想达到的效果是用户问「英伟达最近怎么样」 ↓ LLM 自己判断这个问题涉及实时信息 ↓ 调用 search_web 用户问「什么是牛顿第二定律」 ↓ LLM 自己判断不需要搜索 ↓ 直接回答这个「自己判断」的能力才是 Agent 的核心。维度写死 if-else模型自主决策判断谁做你模型覆盖场景只能处理你想到的能处理没预设过的情况加新工具要改判断逻辑只需加工具说明本质脚本Agent一句话概括判断逻辑由模型生成而不是你硬编码——这才是 Agent。二、测试一不需要搜索的问题把用户问题改成messages [ {role: user, content: 什么是 Transformer} ]运行python main.py。理想的输出是AITransformer 是一种……而不会出现Agent 调用工具 search_web。这说明模型做对了判断这是常识问题不用搜。三、测试二需要搜索的问题把问题改成messages [ {role: user, content: 搜索一下最近 DeepSeek 的最新消息然后总结一下。} ]运行后Agent 调用工具 search_web 参数 {query: 最近 DeepSeek 的最新消息} AI根据最新消息……这里模型自己判断出这个问题的答案在模型记忆之外必须联网。四、测试三同时需要搜索和计算高潮来了把问题改成messages [ {role: user, content: 搜索一下英伟达目前的市值然后把这个数字乘以 2。} ]理论上你的 Agent 会连续做两件事Agent 调用工具 search_web 参数 {query: 英伟达目前市值} Agent 调用工具 calculator 参数 {a: ..., b: 2, operation: multiply} AI……看到两个工具被先后调用就说明 Agent Loop 真正在「思考—行动—观察」中循环起来了。用户 ↓ DeepSeek → 需要实时信息 → search_web → 得到市值 ↓ DeepSeek 再判断 → 需要计算 → calculator → 得到结果 ↓ DeepSeek → 输出最终答案一句话概括能连续调用多个工具完成任务才算真正意义上的基础 Agent。五、Agent 的能力从此可以无限扩展理解了这个模式以后加工具就是不断往清单里加东西DeepSeek │ ├── calculator ├── search_web ├── weather ├── database ├── python ├── 文件读取 ├── PDF 分析 ├── 邮件 ├── 日历 └── ...而DeepSeek 负责决定「什么时候使用哪个工具」。你只需要负责「把工具做好」模型负责「在合适的时机使用它们」。这就是 Agent 与普通聊天机器人最本质的区别。六、自查这一课你成功了吗普通问题 → 直接回答不调工具实时问题 → 自动调用search_web计算问题 → 自动调用calculator搜索 计算 → 两个工具连续调用四条全中恭喜你你的 Agent 已经成型。总结这一课我们验证了 Agent 最关键的能力——自主决策。它不再是执行固定脚本而是根据目标自己选择工具、自己决定下一步。到这里你在终端里已经拥有了一个会聊天、有记忆、会用工具、会联网、能自主循环的 Agent。唯一的遗憾是——它跑在黑乎乎的终端里只有你自己能用。下一课我们给它做一个网页界面让它变成一个能分享给别人用的小产品。下一课预告第8课做成网页应用——FastAPI 后端 简单前端。
