AI Agent开发实战指南：从零构建智能应用，打通RAG与LangChain

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

如果你正在学习大模型应用开发，面对“Agent”、“RAG”、“LangChain”这些层出不穷的新概念，是否感到无从下手？网上资料要么是零散的代码片段，要么是晦涩的理论论文，想找一个系统、能落地、从环境搭建到项目实战的完整教程，却发现要么收费昂贵，要么质量参差不齐。

这正是大多数开发者从“知道大模型”到“用好大模型”之间最大的鸿沟。信息很多，但缺乏一条清晰的、可执行的路径。本文将为你彻底拆解这条路径。我们不谈空泛的趋势，而是聚焦于一个核心目标：如何系统性地掌握AI Agent开发，并构建出真正可用的智能应用。本文将基于广泛的学习资源和社区实践，为你梳理出一套从零基础到进阶的完整学习框架与实战指南。

你会发现，掌握Agent开发的关键，不在于追逐每一个新出的框架，而在于理解其背后的核心范式（如规划、工具使用、记忆），并掌握关键的工程化组件（如LangChain）。本文将带你穿越概念迷雾，直击实战核心。

1. 这篇文章真正要解决的问题

很多开发者对大模型应用开发，尤其是Agent开发，存在几个典型的认知误区和实践困境：

1. 概念混淆，无从下手：Agent、RAG、LangChain、LLM这些词经常一起出现，但它们到底是什么关系？是先学RAG还是先学Agent？
2. 教程碎片化，不成体系：网上充斥着“5分钟搭建一个ChatPDF”的教程，但看完后只知道复制代码，并不理解其原理，更无法应对自己业务中更复杂的需求。
3. 环境复杂，劝退新手：Python环境、包依赖、API密钥、模型服务部署……任何一个环节出错都可能导致无法运行，缺乏一个清晰的“避坑指南”。
4. 缺乏从Demo到产品的思维：能跑通一个示例，但不知道如何设计一个健壮的、可维护的、适合团队协作的AI应用架构。

本文旨在系统性地解决这些问题。本文的核心价值不是提供另一个“视频课程”的目录，而是为你构建一个清晰的“学习地图”和“实战检查清单”。无论你是刚刚对AI应用开发产生兴趣的小白，还是已经尝试过一些Demo想深入进阶的开发者，都能从中找到明确的下一步行动指南。

我们将从最根本的概念辨析开始，厘清Agent、RAG、LangChain各自扮演的角色，然后规划一条循序渐进的学习路径，最后深入到环境搭建、核心代码解读、项目实战以及至关重要的工程化最佳实践。

2. 基础概念与核心原理：Agent、RAG与LangChain究竟是什么关系？

在深入代码之前，必须建立正确的认知框架。这三个概念并非并列关系，而是处于AI应用开发的不同层次。

LLM（大语言模型）：这是基石，是“大脑”。它提供了强大的语言理解和生成能力，如GPT-4、Claude、文心一言等。但原始的LLM是一个“通才”，它缺乏特定领域的深度知识，也无法直接操作外部系统。

RAG（检索增强生成）：这是为LLM“注入专业知识”和“解决幻觉问题”的关键技术。你可以把它想象成给LLM配了一个强大的“外部知识库”和“搜索引擎”。

• 核心流程：用户提问 → 从向量数据库等知识库中检索相关文档片段 → 将检索到的片段和问题一起交给LLM → LLM生成基于可靠知识的回答。
• 解决了什么问题：让LLM的回答更精准、更专业、更有时效性，并且答案有据可查。它扩展了LLM的知识边界，但LLM依然是执行生成动作的主体。

Agent（智能体）：这是让LLM“具备行动能力”的范式。一个Agent的核心思想是让LLM作为决策中心，能够自主规划、调用工具、持续执行直至完成任务。

• 核心组件：
  1. 规划（Planning）：将复杂任务分解为子任务。
  2. 工具使用（Tool Use）：调用外部API、函数、数据库等（例如：计算器、搜索引擎、代码执行器）。
  3. 记忆（Memory）：保存对话历史、工具执行结果等，用于上下文理解。
• 解决了什么问题：让LLM从“聊天机器人”升级为“自动执行任务的智能助手”。例如，一个Agent可以帮你分析数据：它先规划（获取数据、清洗数据、分析图表），然后调用工具（数据库查询、Python绘图库），最后生成报告。

LangChain：这是一个开发框架，或者说是一个“工具箱”。它的目标是把构建LLM应用时需要的各种组件（模型调用、提示词模板、记忆、索引、链、代理）标准化、模块化，让开发者能像搭积木一样快速构建应用。

• 与Agent/RAG的关系：LangChain提供了实现RAG（通过其RetrievalQA链）和构建Agent（通过其AgentExecutor和各种Toolkit）的现成模块。你可以用LangChain轻松搭建一个具备RAG能力的Agent。

关系总结：

• LLM是引擎，提供核心智能。
• RAG是扩展包，为引擎提供燃料（特定知识）。
• Agent是控制系统，让引擎不仅能输出，还能操作车辆（外部工具）。
• LangChain是整车制造厂，提供了引擎、控制系统、扩展包的标准接口和组装流水线。

理解这个层次关系，你就知道学习顺序应该是：先理解LLM能力 → 学习用LangChain框架调用LLM → 学习用RAG增强LLM → 最后学习用Agent范式让LLM自主完成任务。

3. 环境准备与前置条件

在开始任何代码实践前，一个稳定、干净的环境是成功的基石。以下是为AI应用开发推荐的通用环境配置。

3.1 基础软件准备

1. Python环境：推荐使用Python 3.9 或 3.10。更高版本（如3.11+）虽然支持，但某些库可能兼容性不佳。使用conda或venv创建独立的虚拟环境是必须的，以避免包冲突。

   # 使用 conda（推荐） conda create -n ai-agent python=3.10 conda activate ai-agent # 或使用 venv python -m venv ai-agent-env # Windows ai-agent-env\Scripts\activate # Linux/Mac source ai-agent-env/bin/activate

2. 代码编辑器/IDE：强烈推荐使用 VSCode，并安装Python扩展。它对Jupyter Notebook、调试、代码提示的支持非常好。PyCharm也是优秀选择。

3. 版本控制：安装Git，并使用GitHub/GitLab等平台管理你的代码。AI项目迭代快，版本管理至关重要。

3.2 核心依赖安装

我们将安装最核心的几个库。在虚拟环境中执行以下命令：

# 核心框架 pip install langchain langchain-community # 用于构建Agent的工具库和标准工具 pip install langchain-agents # OpenAI模型接口 (如果你使用OpenAI的API) pip install openai # 用于本地运行开源模型的常用库（可选，后续进阶需要） # pip install ollama # pip install transformers torch # 用于RAG的向量数据库客户端（以Chroma为例） pip install chromadb # 文档加载与处理 pip install pypdf python-docx beautifulsoup4 # 环境变量管理（安全地存储API密钥） pip install python-dotenv

注意：langchain是一个元包，它会安装核心模块。langchain-community包含了大量第三方集成（工具、模型等）。根据你的具体需求，可能还需要安装其他专用包。

3.3 获取API密钥

大多数教程会使用OpenAI的API，因为它稳定、易用。你需要：

1. 访问 OpenAI平台 注册并登录。
2. 进入“API Keys”页面，创建一个新的密钥。
3. 非常重要：永远不要将API密钥直接硬编码在代码中！将其保存在环境变量里。
   • 在项目根目录创建.env文件：

     # .env OPENAI_API_KEY=你的-api-key-here

   • 在代码中通过os.getenv或dotenv加载。

4. 核心流程拆解：从零构建你的第一个AI Agent

我们从一个简单的目标开始：构建一个能查询当前天气并给出穿衣建议的Agent。这个例子涵盖了Agent的核心要素：LLM、工具、执行循环。

4.1 第一步：定义工具（Tool）

工具是Agent与外界交互的手和脚。我们需要定义一个获取天气的函数，并将其“包装”成LangChain能识别的工具。

# weather_agent.py import os from typing import Type from pydantic import BaseModel, Field from langchain.tools import BaseTool from langchain.agents import AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate import requests from dotenv import load_dotenv # 加载环境变量 load_dotenv() # 1. 定义工具的输入参数模型（Schema） class WeatherInput(BaseModel): location: str = Field(description="城市名称，例如：北京、上海") # 2. 实现工具函数 def get_current_weather(location: str) -> str: """获取指定城市的当前天气情况。""" # 注意：这里使用一个模拟的天气API。真实项目中请替换为如OpenWeatherMap的API。 # 你需要注册并获取自己的API密钥。 api_key = "your_real_weather_api_key" # 请替换 url = f"http://api.weatherapi.com/v1/current.json?key={api_key}&q={location}&aqi=no" try: response = requests.get(url) data = response.json() if response.status_code == 200: temp_c = data['current']['temp_c'] condition = data['current']['condition']['text'] return f"{location}的当前天气是{condition}，气温{temp_c}摄氏度。" else: return f"无法获取{location}的天气信息。错误：{data.get('error', {}).get('message', 'Unknown')}" except Exception as e: return f"请求天气API时出错：{str(e)}" # 3. 创建自定义工具类 class WeatherTool(BaseTool): name = "get_current_weather" description = "获取某个城市的当前天气信息" args_schema: Type[BaseModel] = WeatherInput def _run(self, location: str) -> str: """执行工具的主方法""" return get_current_weather(location) async def _arun(self, location: str): """异步执行（可选）""" raise NotImplementedError("此工具不支持异步")

关键点解析：

• BaseModel用于定义工具输入的结构，这能帮助LLM理解如何调用这个工具。
• description字段至关重要，LLM（Agent）会根据描述来决定在什么情况下使用这个工具。
• _run方法是工具的实际执行逻辑。

4.2 第二步：初始化LLM和工具集

# 接上面的代码 # 4. 初始化LLM（使用OpenAI GPT-3.5-turbo，成本较低适合实验） llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, # 温度设为0，使输出更确定 openai_api_key=os.getenv("OPENAI_API_KEY") ) # 5. 创建工具列表 tools = [WeatherTool()] # 6. 创建ReAct风格的Agent提示词模板 # ReAct (Reasoning + Acting) 是一种让LLM在思考（Reason）和行动（Act）间交替的范式 prompt = PromptTemplate.from_template( """你是一个有帮助的助手，可以查询天气。 你可以使用以下工具： {tools} 使用以下格式回答： 问题：用户提出的问题 思考：你需要思考如何一步步解决问题 行动：要使用的工具名称，必须是[{tool_names}]中的一个 行动输入：工具的输入参数 观察：工具返回的结果 ... (这个思考/行动/观察循环可以重复多次) 最终答案：基于所有观察，给用户的最终回答 开始！ 问题：{input} 思考：{agent_scratchpad}""" ) # 7. 创建Agent agent = create_react_agent(llm, tools, prompt)

4.3 第三步：创建执行器并运行Agent

# 接上面的代码 # 8. 创建Agent执行器 agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 设为True可以看到Agent的思考过程，调试非常有用！ handle_parsing_errors=True, # 处理解析错误 max_iterations=5, # 限制最大迭代次数，防止死循环 early_stopping_method="generate" # 当Agent认为任务完成时停止 ) # 9. 运行Agent if __name__ == "__main__": # 模拟查询 question = "北京今天天气怎么样？适合穿短袖吗？" print(f"用户问题：{question}") print("-" * 50) try: result = agent_executor.invoke({"input": question}) print("\n" + "="*50) print(f"最终答案：{result['output']}") except Exception as e: print(f"执行出错：{e}")

5. 运行结果与效果验证

运行上述weather_agent.py脚本（确保已设置OPENAI_API_KEY环境变量）。当verbose=True时，你将在控制台看到类似以下的详细推理过程：

用户问题：北京今天天气怎么样？适合穿短袖吗？ -------------------------------------------------- > 进入新的Agent执行链... 思考：用户想知道北京的天气，并询问是否适合穿短袖。我需要先获取北京的天气信息。 行动：get_current_weather 行动输入：北京 观察：北京的当前天气是晴朗，气温25摄氏度。 思考：我已经获得了北京的天气信息。气温25摄氏度，晴朗。现在需要判断是否适合穿短袖。通常25摄氏度的晴朗天气是适合穿短袖的。 最终答案：北京今天的天气是晴朗，气温25摄氏度。这样的天气非常适合穿短袖外出。 ================================================== 最终答案：北京今天的天气是晴朗，气温25摄氏度。这样的天气非常适合穿短袖外出。

如何验证成功？

1. 观察思考链：verbose输出显示了Agent的完整推理过程（思考 → 行动 → 观察），这是Agent工作的核心证据。
2. 结果准确性：最终答案正确回答了用户的两个子问题（天气情况、穿衣建议）。
3. 工具调用：日志中明确显示了行动：get_current_weather和行动输入：北京，证明Agent成功调用了我们定义的工具。

如果运行失败，请按以下顺序排查：

1. API密钥错误：检查.env文件是否正确，以及环境变量是否被加载。在代码开头print(os.getenv(“OPENAI_API_KEY”))进行验证。
2. 网络问题：确保能访问OpenAI API（可能需要网络代理）。
3. 依赖缺失：确认所有pip install的包都已成功安装。
4. 工具函数错误：如果模拟天气API失败，可以暂时将get_current_weather函数改为返回一个固定的字符串（如return “北京：晴朗，25度”）来测试Agent逻辑是否正常。

6. 进阶实战：构建具备RAG能力的多技能Agent

单一工具的Agent能力有限。一个实用的Agent往往需要结合RAG（知识库查询）和多种工具。下面我们构建一个更复杂的“技术助手Agent”，它能回答基于特定文档（如公司技术手册）的问题，并能进行简单的计算。

6.1 项目结构

tech_assistant_agent/ ├── .env # 存储API密钥 ├── requirements.txt # 项目依赖 ├── data/ # 存放知识库文档 │ └── company_handbook.pdf ├── vector_store/ # 保存向量数据库（自动生成） ├── tools/ # 自定义工具 │ └── calculator.py ├── rag_module.py # RAG检索模块 └── main_agent.py # 主Agent程序

6.2 实现RAG检索模块

# rag_module.py from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI import os from dotenv import load_dotenv load_dotenv() class RAGHelper: def __init__(self, persist_directory="./vector_store"): self.embeddings = OpenAIEmbeddings(openai_api_key=os.getenv("OPENAI_API_KEY")) self.llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0, openai_api_key=os.getenv("OPENAI_API_KEY")) self.persist_directory = persist_directory self.vector_store = None self.qa_chain = None def create_knowledge_base(self, document_path): """从PDF文档创建知识库""" print("正在加载文档...") loader = PyPDFLoader(document_path) documents = loader.load() print("正在分割文本...") # 将长文档分割成小块，便于检索 text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, # 每个块的大小 chunk_overlap=200 # 块之间的重叠，避免上下文断裂 ) splits = text_splitter.split_documents(documents) print("正在生成向量并存储...") # 创建向量数据库 self.vector_store = Chroma.from_documents( documents=splits, embedding=self.embeddings, persist_directory=self.persist_directory ) self.vector_store.persist() print(f"知识库已创建并保存至 {self.persist_directory}") def load_knowledge_base(self): """加载已存在的知识库""" if os.path.exists(self.persist_directory): self.vector_store = Chroma( persist_directory=self.persist_directory, embedding_function=self.embeddings ) print("知识库加载成功。") return True else: print("未找到已存在的知识库。") return False def get_qa_chain(self): """创建检索问答链""" if self.vector_store is None: if not self.load_knowledge_base(): raise ValueError("请先创建或加载知识库。") # 创建检索器 retriever = self.vector_store.as_retriever( search_type="similarity", search_kwargs={"k": 4} # 返回最相关的4个片段 ) # 创建问答链 self.qa_chain = RetrievalQA.from_chain_type( llm=self.llm, chain_type="stuff", # 将检索到的文档“塞”进提示词 retriever=retriever, return_source_documents=True, # 返回源文档，用于验证 verbose=False ) return self.qa_chain def query(self, question: str): """查询知识库""" if self.qa_chain is None: self.get_qa_chain() result = self.qa_chain.invoke({"query": question}) return { "answer": result["result"], "sources": [doc.metadata for doc in result["source_documents"]] } # 使用示例 if __name__ == "__main__": rag = RAGHelper() # 如果是第一次运行，创建知识库 # rag.create_knowledge_base("./data/company_handbook.pdf") # 后续运行，直接加载并查询 if rag.load_knowledge_base(): answer = rag.query("公司的年假政策是怎样的？") print("答案：", answer["answer"]) print("来源：", answer["sources"])

6.3 实现计算器工具

# tools/calculator.py from typing import Type from pydantic import BaseModel, Field from langchain.tools import BaseTool import math class CalculatorInput(BaseModel): expression: str = Field(description="一个有效的数学表达式，例如：'3 + 5 * 2' 或 'sqrt(16)'") class CalculatorTool(BaseTool): name = "calculator" description = "用于计算数学表达式。支持加减乘除(+, -, *, /)、乘方(**)、括号和常见函数如sqrt, sin, cos等。" args_schema: Type[BaseModel] = CalculatorInput def _run(self, expression: str) -> str: """计算数学表达式。注意：使用eval有安全风险，仅用于演示。生产环境需使用安全计算库。""" try: # 警告：在实际生产环境中，直接使用eval是危险的，可能执行任意代码。 # 此处仅为演示。应使用如`ast.literal_eval`或`numexpr`等安全库。 # 这里我们做一个简单的安全过滤（非常基础，不用于生产） allowed_chars = set("0123456789+-*/.() ** sqrt sin cos tan log pi e ") if not all(c in allowed_chars for c in expression): return "错误：表达式中包含不安全字符。" # 将数学函数名映射到math库 safe_dict = {k: getattr(math, k) for k in dir(math) if not k.startswith("_")} safe_dict.update({"abs": abs, "pi": math.pi, "e": math.e}) result = eval(expression, {"__builtins__": {}}, safe_dict) return f"计算结果：{result}" except Exception as e: return f"计算错误：{str(e)}。请检查表达式格式。"

6.4 集成多工具Agent

# main_agent.py import os from dotenv import load_dotenv from langchain.agents import AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from tools.calculator import CalculatorTool from rag_module import RAGHelper load_dotenv() class TechAssistantAgent: def __init__(self): self.llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, openai_api_key=os.getenv("OPENAI_API_KEY") ) # 初始化RAG模块 self.rag = RAGHelper() if not self.rag.load_knowledge_base(): print("警告：未加载知识库。文档问答功能将不可用。") # 创建工具列表 self.tools = [CalculatorTool()] # 注意：我们将RAG查询也封装成一个“工具”，让Agent在需要时调用 self._init_rag_tool() # 创建Agent self.agent_executor = self._create_agent() def _init_rag_tool(self): """将RAG查询封装成一个LangChain工具""" from langchain.tools import Tool def rag_query(query: str) -> str: """查询公司内部知识库，获取相关政策、技术文档等信息。""" try: result = self.rag.query(query) # 将答案和来源整合成一个字符串 answer = result["answer"] sources = result.get("sources", []) source_info = "\n".join([f"- 来源页码: {s.get('page', 'N/A')}" for s in sources[:2]]) # 显示前两个来源 return f"{answer}\n\n参考来源：\n{source_info}" except Exception as e: return f"查询知识库时出错：{str(e)}" rag_tool = Tool( name="query_company_knowledge_base", func=rag_query, description="当问题涉及公司内部政策、技术规范、产品手册等内容时，使用此工具进行查询。" ) self.tools.append(rag_tool) def _create_agent(self): """创建并配置Agent执行器""" prompt = PromptTemplate.from_template( """你是一个全能的技术助手，擅长回答技术问题、查询公司文档和进行数学计算。 你可以使用以下工具： {tools} 请严格遵循以下格式： 问题：用户的问题 思考：分析问题，决定是否需要使用工具以及使用哪个工具 行动：工具名称（必须是[{tool_names}]中的一个） 行动输入：工具的输入 观察：工具返回的结果 ...（此循环可重复） 最终答案：给用户的最终、完整的回答 如果问题明显是关于公司内部信息（如政策、流程、产品细节），请优先使用`query_company_knowledge_base`工具。 如果问题是数学计算，请使用`calculator`工具。 如果问题是一般性技术咨询或无需工具即可回答，请直接给出答案。 当前对话： 问题：{input} 思考：{agent_scratchpad}""" ) agent = create_react_agent(self.llm, self.tools, prompt) executor = AgentExecutor( agent=agent, tools=self.tools, verbose=True, handle_parsing_errors=True, max_iterations=6, early_stopping_method="generate" ) return executor def run(self, question): """运行Agent处理问题""" print(f"\n用户问题：{question}") print("-" * 60) try: result = self.agent_executor.invoke({"input": question}) print("\n" + "="*60) print(f"最终答案：\n{result['output']}") return result['output'] except Exception as e: error_msg = f"Agent执行过程中出错：{e}" print(error_msg) return error_msg if __name__ == "__main__": assistant = TechAssistantAgent() # 测试不同类型的问题 test_questions = [ "请计算一下(15 + 7) * 3 / 2 等于多少？", # 假设你的PDF手册里有年假政策，可以问： # “我们公司的年假有多少天？” # “新员工入职多久可以休年假？” "根据员工手册，报销流程需要哪些步骤？", "Python中如何优雅地处理异常？", ] for q in test_questions: assistant.run(q) print("\n" + "="*60 + "\n")

7. 常见问题与排查思路

在学习和开发AI Agent过程中，你几乎一定会遇到以下问题。这里提供系统的排查思路。

8. 最佳实践与工程化建议

当你掌握了基础开发后，要将AI应用投入生产或团队协作，必须关注以下工程化实践。

8.1 提示词工程

• 结构化与模块化：不要将庞大的提示词写在一个字符串里。使用PromptTemplate或ChatPromptTemplate进行管理，将系统指令、上下文、示例等部分分离。
• 提供清晰示例：在提示词中提供少量但高质量的“少样本示例”（Few-shot Examples），能极大提升Agent执行复杂任务的准确性。
• 迭代优化：提示词不是一次写成的。通过观察Agent的失败案例，持续优化你的提示词。可以建立一个测试用例集来评估提示词修改的效果。

8.2 工具设计

• 单一职责：每个工具应只做一件事，并做好。这降低了复杂度，也便于LLM理解和使用。
• 健壮的错误处理：工具函数内部必须有完善的try-except，返回对人类和LLM都友好的错误信息，而不是抛出异常导致整个Agent崩溃。
• 安全的输入验证：像计算器工具的例子所示，永远不要信任LLM生成的输入直接用于eval或系统命令。必须进行白名单过滤或使用安全的解析库。

8.3 应用架构

• 状态管理：对于多轮对话应用，必须妥善管理对话历史（记忆）。LangChain提供了多种Memory组件（如ConversationBufferMemory），根据需求选择。
• 异步优化：如果工具调用涉及网络I/O（如调用多个API），使用异步版本（_arun）可以显著提升并发性能。
• 可观测性：在生产环境中，必须记录Agent的完整思考过程、工具调用和结果。这不仅用于调试，也是理解AI行为、审计和优化的重要依据。

8.4 生产环境部署

• 配置外部化：API密钥、模型名称、温度等所有配置项都应通过环境变量或配置文件管理，绝不能硬编码。
• 设置超时与重试：为LLM API调用和工具调用设置合理的超时和重试机制，提高应用鲁棒性。
• 实施速率限制：对用户访问Agent的接口进行限流，防止滥用和过高的API成本。
• 制定回滚策略：Agent的行为可能不稳定。对于关键业务流程，设计人工审核环节或快速切换回传统规则的降级方案。

8.5 持续学习路径

1. 深入框架：在掌握LangChain基础后，探索更高级的框架如LangGraph，它用图（Graph）的方式来描述和控制Agent的工作流，非常适合复杂、有状态的任务编排。
2. 探索AutoGen/CrewAI：了解微软的AutoGen、CrewAI等多Agent框架，学习如何让多个专业Agent协作解决复杂问题。
3. 研究开源模型：尝试使用Ollama本地部署运行Llama 3、Qwen等开源模型，降低API成本，并了解模型微调（Fine-tuning）的基础知识。
4. 关注评估与测试：学习如何系统性地评估你的AI应用（RAG系统、Agent任务完成率等），这是项目走向成熟的关键。

学习AI Agent开发是一个“认知-实践-迭代”的循环。不要试图一次性掌握所有内容。从一个能运行的小例子开始，理解其每一行代码的作用，然后逐步添加新功能（如记忆、新工具、复杂规划）。在这个过程中，持续思考你要解决的实际问题是什么，现有的技术组件如何组合起来解决它。这套从概念理解、环境搭建、简单实践到复杂项目集成，最后到工程化部署和进阶学习的路径，为你提供了一个清晰、可执行的地图。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度