AI Agent 如何从零学到实战？14 章动手路线
这套 Demo 面向具备 Python 基础的读者，按“建立直觉 → 手写核心机制 → 理解框架抽象 → 完成综合项目”的顺序组织 14 章内容。建议边读边改代码，并把每章的预期输出转化为可执行断言。
先看验证边界
本 Demo 迁移自 awesome-ai-agent-learning 的 MyBranch_GPT54 分支，源提交为 4b2498b。正文、链接和图表已适配当前 VitePress，但代码与第三方框架 API 尚未在本项目逐章重新执行。每章的 verification_status: migrated_unverified 是当前事实，不能把示例输出视为已验证结果。
先给结论
学习 Agent 的有效顺序是：先用纯 Python 看清“模型提议、代码执行、结果回传”的循环，再学习记忆、工具和规划，最后使用 LangChain、LangGraph 或 Dify 提高开发效率。框架可以减少样板代码，但不会自动补齐权限、状态、评估和生产治理。
观察下图时关注能力如何逐层叠加：后续章节不是替换前面的基础，而是在同一个闭环上增加状态、检索、协作和工程约束。
图中的四个阶段对应四种验收：能解释、能手写、能评估框架、能组合项目。只完成“代码能启动”还不足以证明已经掌握。
一、这套教程适合谁
- 具备 Python 函数、列表、字典和基础命令行经验。
- 希望先理解 Agent 循环，再学习框架。
- 愿意为每个示例补充环境、版本、测试和失败记录。
- 需要循序渐进 Demo，而不是直接阅读完整生产架构。
以下读者应优先使用 AI Agent 系统知识库：准备上线生产系统、负责安全与权限治理、需要严格版本核验，或希望直接检索某个工程主题。
二、14 章学习地图
1. 认知篇：先分清模型与 Agent
| 章节 | 核心问题 | 完成标志 |
|---|---|---|
| 第 1 章：什么是 AI Agent | Agent 与聊天机器人差在哪里 | 能用控制流和反馈闭环解释 |
| 第 2 章：LLM 基础 | 模型调用如何生成结果 | 能说明消息、Token、采样与无状态 |
| 第 3 章：Agent 核心组件 | 模型、工具、记忆、规划如何协作 | 能画出责任边界 |
2. 构建篇：用纯 Python 看清闭环
| 章节 | 核心问题 | 完成标志 |
|---|---|---|
| 第 4 章：手写第一个 Agent | 一轮 Tool Calling 如何进入下一轮 | 有成功与失败两条轨迹 |
| 第 5 章：Agent 记忆 | 历史、状态和长期记忆如何保存 | 能定义生命周期与删除规则 |
| 第 6 章：Agent 工具 | 模型提议如何变成受控执行 | 有 Schema、业务校验、超时和白名单 |
| 第 7 章：Agent 规划 | 复杂任务如何分解并停止 | 有最大步数、预算与终止状态 |
3. 进阶篇：理解行为与框架抽象
| 章节 | 核心问题 | 阅读边界 |
|---|---|---|
| 第 8 章：Agent 行为工程 | 如何把自然语言规则落实为工程门禁 | Prompt 不能替代代码级控制 |
| 第 9 章：LangChain | 框架如何封装模型、Prompt、Tool 与 Agent | 旧版 API，运行前核对 1.x |
| 第 10 章：LangGraph | 图状态如何表达分支、循环与暂停 | 未在当前环境重跑 |
| 第 11 章：Dify | 低代码平台适合哪些交付场景 | 产品界面与节点能力会变化 |
4. 实战篇：组合检索、协作与项目
| 章节 | 核心问题 | 完成标志 |
|---|---|---|
| 第 12 章：RAG 知识库 Agent | 如何让回答可检索、可引用、可评测 | 至少有 Recall@K 与引用检查 |
| 第 13 章：多 Agent 协作 | 何时值得承担多个 Agent 的协调成本 | 与单 Agent 基线对比 |
| 第 14 章：智能研究助手 | 如何把能力组合成项目骨架 | 有状态、失败路径、安全与验收指标 |
三、每章怎么学
建议每章保留同一份实验记录：
目标：这一章要验证什么机制
环境：Python / 依赖 / 模型 / API 版本
成功轨迹：输入、模型决策、工具结果、终止原因
失败轨迹：错误输入、拦截位置、错误分类、恢复动作
安全边界：权限、数据、执行范围、是否需要审批
验收结果：断言、指标、仍未验证的部分不要直接把示例连接生产数据库、文件系统或 Shell。代码执行、文件写入、外发消息和业务数据修改必须先加入最小权限、允许列表、沙箱或人工审批。
四、与系统知识库如何配合
| Demo 章节 | 对应工程章节 |
|---|---|
| 1～3 认知 | LLM 基础 / Agent 概念 |
| 4、6 工具与循环 | Tool Calling / Agent Loop |
| 5 记忆 | 上下文工程 / 记忆系统 |
| 7、10 规划与状态 | Workflow 与状态 |
| 12 RAG | RAG 全链路 |
| 13 多 Agent | Multi-Agent 取舍 |
| 14 综合项目 | 安全 / 评估 / 部署 |
Demo 用于建立直觉和练习，系统知识库用于校正边界、补生产工程和面试复述。二者不是重复内容。
五、学习验收
完成 14 章后，至少应能独立回答：
- 为什么模型只负责提出动作，不能直接执行高危工具？
- 对话历史、任务状态、长期记忆与 RAG 语料如何区分？
- Agent 兜圈、工具超时、恢复重复执行时分别如何处理？
- 哪些场景适合 Workflow，哪些场景才需要 Agent 或 Multi-Agent？
- 如何用测试集、轨迹、延迟、成本和安全指标验收系统？
六、高频面试题
七、来源与许可证
- 源仓库：vegetablebird-yeyz/awesome-ai-agent-learning
- 分支：
MyBranch_GPT54 - 源提交：
4b2498b2415781f2311b9ee79167a33195bd7086