排序
小节三：Agent——真正的变化，是“下一步由谁决定”
现在我们正式进入 Agent。 先看一个最短版本： 当前状态 ↓ LLM 判断下一步做什么 ↓ Action ↓ 执行 ↓ Observation ↓ 再次判断 这里有四个关键输入。 Goal：最终要完成什么。 State：现在执...
11小时前
小节二：DAG 与 Workflow——流程可以很复杂，但核心控制权仍在开发者手里
Chain 是一条线。 但真实工程里，很多任务不是线性的。 例如一个模型训练任务： ┌→ 数据质量检查 ─┐ 数据加载 ─────┼→ 特征统计 ─────┼→ 模型训练 └→ 标签检查 ─────...
11小时前
小节一：Chain – 路径确定时，最简单的方案往往就是最好的方案
我们先从 Chain 开始。 Chain 的直觉非常简单：一件事做完，接着做下一件。 例如： 读取 CSV ↓ 去重 ↓ 填补缺失值 ↓ 计算指标 ↓ 输出结果 这里最重要的不是“有几个步骤”，而是，下一步在...
11小时前
从 Chain、DAG 到 Agent：为什么还需要 Agent？
这一节我们不急着写复杂 Agent，也不急着接真实大模型 API。我们先把一个最容易被说模糊、但后面每一节都会依赖的问题讲透，既然以前已经有 Chain、DAG、Workflow，为什么今天还需要 Agent？ 学...
11小时前
章末自测
题目 1：为什么最终项目不能只写成一个 agent.py 文件？ 假设我们完全可以在一个 agent.py 中同时写 Flask Route、模型调用、工具执行、文件操作、Session 保存和日志记录...
12小时前
案例分析二：一个 Data Analysis Agent 为什么不能只是“问题 → SQL → 答案”？
场景背景 再看另一个最终项目。 业务同学问，“昨天广告收入为什么下降？” 最简单做法是 Text-to-SQL： 用户问题 ↓ 生成 SQL ↓ 执行 SQL ↓ 返回结果 如果 SQL 只是查出： 昨天收入：80 万 ...
12小时前
案例分析一：一个“会修 Bug”的 Coding Agent，最终到底会经历哪些步骤？
场景背景 我们先提前看看课程最终项目之一。 用户上传一个 Flask 项目，然后提交任务，“这个项目启动时报错，帮我定位原因。如果能安全修复，就修改后重新测试。” 传统聊天模型需要你自己复制...
12小时前
小节四：这门课会怎样一步步把“玩具 Agent”长成真正可控的工程系统？
现在我们已经看到终点，也知道为什么要自己搭 Harness，接下来最容易出现的问题是，“这么多模块，是不是一下子要全部写完？” 完全不需要。 我们会用一个非常明确的“逐层加能力”的方式推进。...
12小时前
小节三：我们为什么选用 Flask——让 Agent 能被其他系统调用
很多 Agent 教程最后停在这一行： agent.run('帮我分析这个项目') 对学习原理来说，这当然够。 但真实系统通常不是这样被使用的。 你的网页前端不能直接调用本地 Python 对象；飞书机器人不能直...
12小时前
小节二：为什么不直接从 LangChain 开始？我们不是反框架，而是先把“黑盒”拆开
这里先把一个容易误解的地方说清楚。 这门课不是要证明，“LangChain 不好。” 也不是说，“真正厉害的人就应该全部手写，不能用框架。” 这种说法没有意义。 框架的价值非常明确：它帮我们抽象...
12小时前
