Agent 和 Chatbot 到底差在哪？为什么不是同一个东西？

Chatbot 只能对话、单轮交互、流程固定；Agent 能执行操作、多步规划、自主决策。给 Chatbot 说 "帮我分析这家公司财务" 它只能回 "这是分析的步骤"；给 Agent 说同样的话，它会去搜财报 → 提取财务指标 → 对比行业平均 → 生成报告。能调用 tools（搜索、代码执行、数据库、API）+ 能拆分任务 + 有短期/长期记忆，这三件凑齐才叫 Agent。

OpenAI Function Calling 里 tool_choice="auto" 和手动指定差在哪？

`tool_choice="auto"` 让模型自己决定 "要不要用 tool、用哪个"；可以传 `{"type": "function", "function": {"name": "search_web"}}` 强制必须调某个工具。本章 demo 里用 auto + gpt-5 + 一个 search_web tool（参数 query），模型看到 "今天天气怎么样？" 会自动判断需要联网搜索，这就是 Agent 自主决策的最简形态。生产场景里高风险流程（如 commit 代码）通常不用 auto，要么手动 dispatch，要么加 human approval。

Agent 的短期记忆和长期记忆分别该存什么？

短期记忆 = 当前对话上下文（最近几轮 turn、刚才调过什么 tool、tool 返回的关键结果）；长期记忆 = 持久化的知识和偏好（用户历史问题、企业知识库、用户偏好的输出格式）。短期靠 in-memory list 或 ConversationBufferMemory；长期通常落到向量库 + key-value store。新手最容易踩的坑是把所有东西塞进短期 —— context window 一满模型就开始 lost-in-middle，重要信息反而被忘掉。

Agent 怎么把 "分析公司财务" 这种复杂任务拆成可执行步骤？

靠 planning。给 Agent "帮我分析这家公司的财务状况"，内部会拆成：(1) 搜公司的财报；(2) 提取关键财务指标（revenue、利润率、负债率）；(3) 对比行业平均水平；(4) 生成分析报告。每一步对应一次 tool 调用 + 结果回写。规划质量取决于 system prompt 里有没有给 examples、tool 列表是否清晰、有没有要求模型先输出 plan 再执行 —— ReAct 模式（Reasoning + Acting 交替）是最常见做法。

构建一个研究助手 Agent 至少要把哪些能力凑齐？

三件事：(1) 搜索网络获取信息（search_web tool，参数是 query）；(2) 读取和分析文档（fetch_url 或 read_pdf，加 OCR / chunk 处理）；(3) 生成研究报告（结构化输出，最好按 sections 分段）。底层是一个 Function Calling loop：模型决定下一步用哪个 tool → 执行 → 把 result 喂回 → 继续直到产出报告。生产里还要加：max_steps（防止死循环）、timeout、citation 强制（每个事实标来源），这是练习项目升级到能用之间的关键差距。

AI Agent 开发基础

学AI来匠人

📖

AI Engineer

50 节

·简介

01 基础与模型5

01
LLM API 入门
30分钟
02
AI 模型对比参考
20分钟
03
机器学习 / 深度学习基础速通
30分钟
04
Transformer 与注意力机制入门
30分钟
05
Prompt Engineering
45分钟

02 上下文与 RAG6

06
Context Fundamentals
30分钟
07
RAG 系统入门
60分钟
08
🔒LangChain 框架
60分钟
09
Context Engineering & Memory
35分钟
10
Context Compression & Optimization
35分钟
11
Context Degradation Patterns
30分钟

03 工具与能力5

12
Function Calling & Tool Use
35分钟
13
Tool Design Principles
35分钟
14
多模态与工具链
40分钟
47
Claude API 进阶 Tool Use：三招降本提准
40分钟
48
MCP 的 Code Execution 模式：把工具当代码库调用
25分钟

04 智能体构建8

15
🔒AI Agent 开发基础
90分钟
16
System Prompt 设计实战
45分钟
17
System Prompt 案例库
30分钟
18
Agent 框架速览
40分钟
19
Agent 框架横向对比
45分钟
20
Multi-Agent Patterns
35分钟
21
Agent 深入
45分钟
49
长任务 Agent 的 Harness 设计模式
25分钟

05 评测与工程化5

22
LLM 评测与质量监控：可运行的回归检查
45分钟
23
LLM-as-a-Judge 评测
35分钟
24
Synthetic Data & Augmentation
30分钟
25
LLM 工程化与网关
35分钟
26
工作流与自动化
40分钟

06 安全与部署6

27
安全与威胁建模
35分钟
28
Data Governance & Privacy
30分钟
29
部署与成本优化
35分钟
30
🔒生产环境部署
90分钟
31
Debugging & Incident Playbook
35分钟
50
Claude Code 沙箱安全机制：双层隔离
25分钟

07 AI Coding & 进阶实战13

32
AI Coding 工作流
40分钟
33
Vibe Coding 实战
45分钟
34
AI Rules 配置实战
30分钟
35
🔒MCP 开发最佳实践
45分钟
36
🔒MCP 发布指南
25分钟
37
Skills 范式：从 Agent 到技能库
35分钟
38
Claude Code 技术原理：上下文与记忆管理
45分钟
39
Claude Code Examples
30分钟
40
AI 产品与体验
35分钟
41
🔒AI 规则持续改进
30分钟
42
PR Review 方法论
20分钟
43
代码分析选项
15分钟
44
GitHub Issue 分析
15分钟

08 模型层：微调与开源部署2

45
LoRA / QLoRA / PEFT 微调原理与取舍
35分钟
46
开源模型、本地部署与模型路由
30分钟

🎯学习更高效

让你的学习不被打断

✏️
学习笔记
边学边记，云端同步
📈
进度追踪
自动保存，随时继续
🏅
完课证书
可分享的学习成就
💬
社区答疑
和 2000+ 学员交流

免费注册→已有账号？登录

👥2,847 人正在学习

AI学习面试课程学习中心