Day 001｜AI Agent 到底是什么？从“会聊天”到“会做事”的第一步 系列专栏100 天系统学习 AI Agent 开发当前阶段Agent 基础与核心概念打底AI Agent大模型Agent开发PythonReAct1. 拆解核心别把大模型等同于 Agent在真正写代码前我们要先划清责任边界。新手最容易产生的误解是“我只要把 Prompt 写得足够长、足够复杂大模型就能自动帮我把活干了”。其实不然。在 Agent 的架构里责任是这样划分的大模型LLM负责“大脑”理解意图、拆解任务、决定下一步该调用什么工具。代码工程负责“手脚和护栏”执行工具调用、处理网络请求、进行权限校验、状态流转以及异常兜底。这就意味着一个真正的 Agent 必须能跑通下面这个最小闭环用户输入 - 模型思考决策 - 调用外部工具 - 观察工具返回结果 - 综合判断 - 输出最终回复。2. 核心产物Agent 的最小闭环伪代码为了不让今天的学习只停留在概念上我画了一个最小 Agent 闭环的流程并用伪代码把它具象化。这其实也是经典 ReActReasoning and Acting模式的缩影。落地到代码逻辑大体是这样的defsimple_agent_loop(user_input,max_iterations5):# 1. 初始状态current_statef用户目标:{user_input}for_inrange(max_iterations):# 2. 模型决策 (大脑思考)# 模型根据当前状态决定是直接回答还是调用工具decisionllm.think(current_state)# 3. 结果判断ifdecision.typeFINAL_ANSWER:returndecision.content# 任务完成退出循环elifdecision.typeTOOL_CALL:# 4. 调用工具与观察 (比如查询 Milvus 向量库或请求外部 API)try:tool_resultexecute_tool(decision.tool_name,decision.parameters)exceptExceptionase:tool_resultf工具调用失败:{e}# 代码必须做异常兜底# 5. 更新状态进入下一轮循环current_statef\n调用{decision.tool_name}结果:{tool_result}returnAgent 运行超时未能完成任务。这段几行代码虽然简单但它清晰地标出了模型负责决策而我们的代码逻辑负责循环控制、工具执行和失败兜底。3. 今日踩坑与复盘在构思这个闭环时我意识到一个极易踩的坑不要一上来就去追逐 Multi-Agent多智能体。很多人单 Agent 的工具边界、上下文状态和失败重试机制都没写明白就急着引入多 Agent 协同。这只会把单点故障无限放大最后连 Bug 在哪都找不到。先老老实实把单个 Agent 的“思考-行动-观察”链条跑通才是正道。4. 学习存盘为了让这 100 天的努力留下结构化的痕迹我决定每天留下一个可复用的学习快照存进项目的README或笔记库中{day:1,topic:Agent 最小闭环,core_insight:Agent LLM Memory Planning Tools。核心是从单次对话转向目标驱动的循环。,daily_output:手写了基于 ReAct 思想的 5 行伪代码核心循环逻辑。,pitfall:单 Agent 的状态和兜底没做好之前绝对不要碰多 Agent。,next_step:闭环有了但驱动这个闭环需要模型 API 的支持。明天解决基础建设问题。}