文章目录一、为什么智能体是大模型的下一站二、学习工具与环境准备三、什么是 AI Agent：从语言模型到行动主体3.1 智能体的定义3.2 为什么需要智能体3.3 智能体的组成部分四、核心组件一：LLM——智能体的"大脑"4.1 什么是 LLM4.2 为什么选择"更强"的模型4.3 从"文字接龙"到"智能行为"的涌现4.4 LLM 的推理流程：一次请求发生了什么4.5 采样参数对智能体行为的影响五、核心组件二：Messages——与模型对话的规范协议5.1 消息的三种角色5.2 特殊标记（Special Tokens）5.3 上下文窗口的挑战六、核心组件三：Tools——智能体的"双手"6.1 为什么需要工具6.2 工具的本质：结构化描述6.3 模型如何使用工具6.4 设计好工具的关键原则七、思考-行动-观察循环：智能体的工作引擎7.1 核心思想：从 ReAct 到 Thought-Action-Observation7.2 循环的三个阶段详解7.3 一个完整的循环示例7.4 循环的终止条件八、手写智能体库：Dummy Agent Library 全解析8.1 整体架构8.2 第一步：实现 Tool 类8.3 第二步：实现 LLMEngine 类8.4 第三步：实现 Agent 类的循环8.5 完整运行示例8.6 从这个练习中我们学到了什么九、深入函数调用：模型如何学会使用工具9.1 什么是函数调用（Function Calling）9.2 思考-行动-观察循环中的函数调用9.3 为什么需要微调而非仅靠提示词十、用 LoRA 微调模型获得函数调用能力10.1 微调策略：LoRA10.2 数据集设计：教模型输出函数调用10.3 新增特殊标记10.4 完整微调流程（实操步骤）第 1 步：安装依赖第 2 步：加载基座模型（以 gemma-2-2b-it 为例）第 3 步：准备训练数据第 4 步：训练第 5 步：推理测试与解析10.5 微调后的效果与注意事项十点五、从 Dummy Agent 到真实框架：概念映射10.6 实践进阶：多工具协作与复杂任务分解10.7 处理工具调用失败的容错设计10.8 Unit 1 的知识检查（Quiz）要点十点六、生产化增强：从教学 Demo 到可用的 Dummy Agent1. 结构化输出解析2. 带重试与超时的工具执行3. 日志追踪：让循环过程可见4. 为什么这些增强不改变"智能体 = 循环"的本质十一、常见问题解答（FAQ）Q1：LLM 与 AI Agent 有什么区别？Q2：是不是必须用最强的模型才能构建智能体？Q3：函数调用必须微调模型吗？Q4：LoRA 与全参微调如何选择？Q5：工具调用返回结果后，模型如何"记住"上下文？Q6：如何防止智能体死循环？Q7：微调需要多少数据？十二、总结与下一步一、为什么智能体是大模型的下一站2023 年以来，大语言模型（Large Language Models, LLMs）的能力以惊人的速度演进：从简单的文本生成，到复杂的推理、代码生成、多模态理解。然而，大模型本身有一个天然的局限——它只能"说"，不能"做"。模型可以告诉你今天巴黎的天气如何计算，却无法真正查询实时天气；它可以描述如何发一封邮件，却不能真的帮你把邮件发送出去。这一局限催生了AI Agent（智能体）这一重要概念。智能体可以被理解为"拥有大脑（LLM）和双手（工具）的自主系统"：它借助 LLM 进行推理与规划，通过工具执行具体动作，并根据执行结果（观察）调整下一步行动，从而真正"动手"完成任务。业界已经涌现出大量优秀的智能体产品：能够自主完成代码编写与测试的编程助手、能够检索资料并撰写报告的研究助理、能够操作浏览器完成预订与购物的数字员工……这些产品背后，是"推理 + 行动"范式的胜利。本文带你从最底层理解智能体的运作原理，并从零手写一个最小智能体库，彻底搞清楚"智能体内部到底发生了什么"。在文章后半部分，我们还会深入函数调用（Function Calling）与LoRA 微调，讲解如何让开源模型真正学会使用工具——这是构建可靠智能体的关键能力。二、学习工具与环境准备学习 Agent 开发建议准备以下环境：Python 3.