排序
案例分析一：从“文件不存在”到找到真实入口——Main Loop 如何让 Agent 自己改路径？
场景背景 假设我们要做 Coding Agent 的一个最小能力，找到 Python 项目的入口文件。 最开始模型根据常见经验认为入口是： app.py 如果这是固定 Workflow： read app.py ↓ 运行 app.py ↓ 结束...
8小时前
小节四：Main Loop 真正难的地方——什么时候继续，什么时候停止，什么时候承认失败？
如果你只看最小代码： while True: response = llm.chat(messages) ... 很容易觉得 Main Loop 很简单。 真正做项目以后，你会发现，“循环”本身简单，控制循环 才难。 至少要回答四个问题...
8小时前
小节三：为什么 Agent 能连续完成多步任务——关键不是“规划能力”，而是反馈驱动
很多人第一次看 Agent 会觉得，“是不是因为现在大模型特别会规划，所以才能连续做几十步？” 规划能力当然有帮助。 但 Main Loop 更基础。 即使模型没有先生成完整计划，只要它能做到： 看当前...
8小时前
小节二：Reason、Action、Observation——Agent 的三段式闭环到底在发生什么？
现在我们把 Main Loop 拆成三个最重要的阶段。 Reason ↓ Action ↓ Observation ↓ Reason 把三段职责拆开后，信息在循环里的流向会直观得多：Reason 负责选择，Action 负责把意图结构化，Obse...
8小时前
小节一：从“一次调用”到“循环调用”——Agent 真正开始出现的那一刻
我们先从最简单的 LLM 应用开始。 假设现在有一个函数： def chat(prompt: str) -> str: return '模型回答' 用户输入一句话，我们调用一次模型，然后直接返回答案。 这种结构可以完成很多任务：...
8小时前
Agent 最核心的秘密：Main Loop
上一节我们已经把 Chain、DAG、Workflow 和 Agent 的差别讲清楚了。真正决定 Agent 味道的，不是“有没有大模型”，也不是“有没有工具”，而是模型是否能够在运行过程中，根据当前任务和执行反...
8小时前
章末自测
题目 1：为什么“LLM + 三个工具”不一定是 Agent？ 某系统接入了一个大模型，并提供“查天气”“计算器”“网页搜索”三个工具。程序固定规定：每次请求都先搜索网页，再查天气，最后调用计算...
8小时前
案例分析二：分析“昨天收入为什么下降”——Agent 和普通 Text-to-SQL 的分界线
场景背景 假设我们做一个数据查询系统。 用户问，“为什么昨天广告收入比前天低了 20%？” 最简单的 Text-to-SQL： 自然语言 ↓ 生成 SQL ↓ 执行 SQL ↓ LLM 总结 ↓ 返回 已经很有用。 问题矛...
8小时前
案例分析一：修复一个陌生 Python 项目——固定 Workflow 为什么会迅速膨胀？
场景背景 假设我们想做一个内部工具，用户提交一个 Python 项目，系统自动判断为什么项目启动失败。 第一版很自然： 读取 requirements.txt ↓ 读取 app.py ↓ 运行 python3 app.py ↓ 分析报错...
8小时前
小节四：把确定的步骤固定下来，让 Agent 处理需要探索的部分
学到这里，很容易走向另一个极端，“既然 Agent 能动态决策，那以后所有 Workflow 都可以不要了。” 这恰恰是很多 Agent Demo 一进入生产就出问题的原因。 真正靠谱的做法通常是，确定的事情写...
9小时前
