本文深入浅出地介绍了大模型 Agent 的核心概念和工作原理包括思考能力Few-shot、CoT、ReAct、行动能力Function Calling、Tool Use、Skills、MCP以及记忆能力记忆金字塔并通过实例展示了这些概念如何协同工作构建完整的 Agent 系统。此外还探讨了多 Agent 协作模式及实战搭建建议旨在帮助对 AI 感兴趣的技术人员和开发者快速掌握大模型 Agent 的关键技术为未来 AI 应用开发打下坚实基础。引言你可能每天都在用 ChatGPT 聊天但有没有想过一个问题如果 AI 不只是回答问题而是能真的帮你干活呢比如说你跟它说帮我分析上个月的销售数据——它自己去连数据库、写 SQL、算指标、画图、最后写一份完整的报告发到你邮箱。全程不用你插手。这就是 Agent 和普通聊天机器人的本质区别。今天的 AI 已经从一问一答进化到自主做事的阶段了。但很多人在学 Agent 的时候都会头大概念太多太杂。Few-shot、CoT、ReAct、Tool Use、Function Calling、Skills、MCP、Memory… 每个词单独查都好像懂但放在一起就乱成一锅粥。这篇文章的目标很简单把这些散落的珍珠串成一条项链。让你看清它们各自扮演什么角色怎么协作构成一个完整的 Agent 系统。读完这篇你再看任何 Agent 框架心里都会有一张清晰的地图。一、先搞明白最基础的Agent 到底是什么在深入各种花哨的概念之前我们先把最核心的问题搞清楚Agent 究竟是什么说穿了Agent 就是能自己做事情的 AI。普通的大语言模型就像一个顾问——你问它一个问题它给你一个答案。但答案对不对怎么落地它不管。而 Agent 就像一个刚入职的员工你给它一个任务它会自己想办法去完成中间遇到问题会自己查资料、自己找工具最后给你一个结果。一个完整的 Agent 具备三个核心特征Agent闭环能力感知能听到你说的话能看到工具返回的结果决策能思考我现在该做什么行动能真的去调用外部系统而不只是嘴上说说这三者形成的闭环能力就是 Agent 和普通 LLM 的本质区别。聊天机器人只有输出没有行动更没有基于行动结果的再决策。什么时候该用 Agent✅ 任务需要多步骤完成查数据 → 分析 → 写报告✅ 需要和外部系统交互查数据库、调 API、执行脚本✅ 结果依赖实时或外部信息最新财报、天气、用户的私有数据❌ 纯知识性问答、创意写作、简单翻译 → 用普通 LLM 就够了杀鸡不用牛刀二、核心装备一给 Agent 配个好大脑——思考能力光有闭环还不够。Agent 做事不能瞎蒙得有思考的能力。这就涉及到三个层层递进的概念Few-shot → CoT → ReAct。2.1 Few-shot给 Agent 看标准答案长什么样很多人对 Few-shot 有个误解以为是让模型学会新知识。其实根本不是。它的本质是让模型照猫画虎。你给它看几个正确的示例它就知道该按什么格式输出、该遵循什么规范、该表现出什么行为。这就像新员工入职时先给他看几份前辈写的优秀文档他大概就知道该怎么写了——不用你从零开始教。举个实际的例子你想让 Agent 帮你调用天气 API。直接让它调很容易出错但你给它看一个示例示例 用户问北京今天天气怎么样 思考我需要调用天气查询工具参数是城市名。 动作weather_api(北京) 观察温度 26°C晴风力 3 级。 回复北京今天晴温度 26°C风力 3 级。它看完之后就会严格按照这个格式来执行。什么时候用 Few-shot工具调用的格式对齐输出结果的模板规范角色扮演的行为约束复杂推理的示例引导这是成本最低、见效最快的 Agent 优化手段——有时候加几个好示例效果可能比换一个更大的模型还明显。2.2 CoT思维链让 Agent想清楚了再动手你有没有遇到过这种情况问模型一个数学题它直接给出答案但答案是错的。这不是模型不会算而是它跳步了。人做数学题会一步步来但模型如果直接输出答案中间的推理过程是隐性的错误就藏在里面你也不知道它哪步错了。CoTChain-of-Thought思维链解决的就是这个问题把隐性的推理过程显性化。核心机制就是一句话“让我一步步来想”。我们对比一下效果❌ 没有 CoT 用户一件商品成本 100 元想赚 30% 的利润应该卖多少钱 模型卖 130 元。有时候会算成 70 元因为跳步了 ✅ 有 CoT 用户一件商品成本 100 元想赚 30% 的利润应该卖多少钱 模型让我一步步来想。 1. **成本是 100 元** 2. **利润率是 30%意思是利润要占成本的 30%** 3. **利润 100 × 30% 30 元** 4. **售价 成本 利润 100 30 130 元** 所以应该卖 130 元。为什么 CoT 能显著提升准确率因为错误暴露在中间步骤你可以看到它哪一步想错了甚至它自己也能在后续步骤中发现并修正。什么时候用 CoT数学计算、逻辑推理题需要分解的复杂任务需要可追溯过程的场景你要知道它是怎么得出结论的❌ 简单问答、不需要推理的场景 → 不用加 CoT浪费 token2.3 ReAct思考与行动的完美协同CoT 解决了想的问题但光想没用——很多问题需要动手查。比如你问“2024 年 Q3 苹果的营收是多少” 再强的模型也记不住所有实时数据。这时候光靠 CoT 想破头也没用得去查财报。ReActReasoning Acting就是把思考和行动结合起来的框架。它的经典循环是ReAct循环我们走一遍真实流程你就懂了用户2024 年 Q3 苹果的营收是多少 思考我需要查询苹果 2024 年第三季度的财报数据。模型训练数据有截止日期可能不包含最新的财报数据。我应该用搜索引擎查询。 动作search(苹果 2024年Q3 财报 营收) 观察苹果 2024 财年第三财季自然年 Q2营收 857.8 亿美元第四财季自然年 Q3营收 901.5 亿美元。需要注意财季和自然季度的区别。 思考用户问的是自然年 Q3对应苹果的 2024 财年第四财季。搜索结果显示营收是 901.5 亿美元。信息已经足够可以回答了。 回复2024 年自然年第三季度苹果 2024 财年第四财季苹果公司的营收为 901.5 亿美元。这就是为什么 ReAct 是现代 Agent 的标配——它可解释你能看到每一步的想法、可调试哪一步错了一目了然、可回溯能复现整个推理过程。什么时候用 ReAct需要外部知识的问答新闻、财报、实时数据需要和外部系统交互的任务查数据库、调 API任何不查一下就不知道答案的场景❌ 纯常识、纯推理、模型已知知识范围内的问题 → 不需要浪费时间三、核心装备二给 Agent 配灵活的手脚——行动能力Agent 光会想还不够得真的能做事。这就需要行动能力——调用外部系统的能力。这里也有四个层层递进的概念Function Calling → Tool Use → Skills → MCP。3.1 Function CallingLLM 的原生接口能力在 Function Calling 出现之前让模型调用函数是件很痛苦的事——你得想各种办法诱导它输出特定格式的文本然后自己写解析逻辑各种 edge case 能把人搞疯。现在不一样了。Function Calling 是 LLM 的原生能力你给它一个 JSON Schema 描述函数的参数它就能输出标准的 JSON 格式调用。举个具体例子你定义一个函数# 定义天气查询函数的 Schema weather_function { name: get_weather, description: 查询指定城市的天气, parameters: { type: object, properties: { city: {type: string, description: 城市名比如北京}, date: {type: string, description: 日期格式 YYYY-MM-DD} }, required: [city] } }然后用户问“上海明天天气怎么样”模型会输出{name: get_weather, parameters: {city: 上海, date: 2026-06-23}}你拿到这个 JSON去调用实际的 API再把结果返回给模型就可以了。什么时候直接用 Function Calling✅ 只有 1-2 个简单函数不需要复杂封装✅ 需要完全控制调用逻辑比如特殊的鉴权、限流✅ 性能敏感场景不想引入额外的框架开销✅ 调试阶段想观察最原始的调用行为❌ 超过 3 个工具、需要错误重试、需要工具选择逻辑 → 用 Tool Use 封装注意Function Calling 是底层能力直接用很繁琐。你需要自己处理函数注册、参数校验、调用执行、错误重试、结果解析… 实际开发中如果工具多、逻辑复杂我们一般不会直接用它而是用更高层的封装——Tool Use。3.2 Tool Use把 Function Calling 包装成工具箱Tool Use 和 Function Calling 是什么关系一句话Function Calling 是底层机制Tool Use 是上层应用。Function Calling 解决的是输出 JSON的问题而 Tool Use 解决的是怎么用工具干活的问题。一个设计良好的 Tool 应该包含名字这个工具是干什么的描述什么时候应该用它模型靠这个决定要不要调用非常重要参数 Schema入参的类型和含义使用示例输入输出长什么样配合 Few-shot 效果更好错误处理调用失败了该怎么办比如一个数据库查询工具模型要做的决策包括这个任务需要查数据库吗该连哪个数据库SQL 该怎么写查询结果为空怎么办SQL 报错了怎么重试这些都不是 Function Calling 本身能解决的而是 Tool Use 层要处理的逻辑。 过来人提示工具的描述写得好不好直接影响 Agent 的表现。描述要清晰地说明什么时候用和什么时候不用——比如仅当用户明确要求查询数据库时使用不要猜测表结构。3.3 Skills更高维度的能力封装单一工具能解决的问题很有限。实际工作中完成一个任务往往需要组合拳。比如数据分析这个任务不是调用一个工具就能搞定的它需要一连串动作连接到正确的数据库写 SQL 查询数据清洗和处理数据计算关键指标生成图表撰写分析报告这就是 Skills 要解决的问题Skill 是多工具 多步骤 领域知识的封装体。一个 Skill 就是一个完整的能力包——它知道自己能处理什么任务、需要调用哪些工具、步骤是什么、常见坑怎么绕。我们可以写一个最简单的 Skill 示例class DataAnalysisSkill: 数据分析技能自动连接数据库、查询、分析、生成报告 def __init__(self, db_config): self.db_config db_config def execute(self, user_query: str) - str: # 步骤1理解用户需求生成 SQL sql self._generate_sql(user_query) # 步骤2执行查询获取数据 data self._query_database(sql) # 步骤3分析数据计算指标 analysis_result self._analyze_data(data) # 步骤4生成报告 report self._generate_report(analysis_result) return report def _generate_sql(self, query: str) - str: # 用 LLM Few-shot 生成正确的 SQL ...什么时候该封装 Skill某类任务会被反复调用任务包含 3 个以上的步骤任务有特定的领域知识和最佳实践❌ 一次性任务、单一工具就能搞定的事 → 不用过度封装别搞过度工程3.4 MCP让工具接入标准化的协议在 MCP 出现之前每个 Agent 框架都搞自己的工具标准——LangChain 的工具是一个写法AutoGPT 的工具是另一个写法Claude Code 的又是另一个写法。你写了一个工具想在不同框架里用对不起得重写。太乱了。MCPModel Context Protocol模型上下文协议就是来解决这个问题的。它是 Anthropic 推动的开放协议核心理念是一次编写处处运行。MCP 的定位就像 USB 协议——不管你是 U 盘、鼠标、键盘、打印机只要符合 USB 标准插进去就能用。同样只要你的工具符合 MCP 标准任何支持 MCP 的 Agent 客户端都能直接用。MCP架构MCP 带来的价值是显而易见的统一接口不用为每个框架重写工具安全机制内置权限控制、审计追踪生态共建社区可以贡献通用的 MCP 服务器跨平台兼容桌面端、Web 端、IDE 插件都能用什么时候用 MCP你希望写的工具能在多个 Agent 环境中使用你需要统一的权限控制和安全审计你想接入社区已有的 MCP 工具生态❌ 只是写个一次性脚本、只用一个框架 → 直接写工具就行四、核心装备三给 Agent 配笔记本——记忆能力如果 Agent 每次都是第一次见你那它永远学不会。没有记忆的 Agent 就像金鱼过几秒就忘事每次都要你重新说一遍上下文。可以说记忆系统决定了 Agent 的上限。4.1 记忆的三层金字塔架构Agent 的记忆系统借鉴了认知科学的人类记忆模型分为三层记忆金字塔感觉记忆最原始的输入短暂保留几秒钟比如用户刚说的话、工具刚返回的结果还没经过加工短期记忆工作记忆当前正在思考的内容对应 LLM 的上下文窗口——窗口越大工作记忆越强但成本也越高长期记忆永久保存的知识与经验存在数据库或向量库里需要时检索出来4.2 Agent 需要记什么不是什么都要记。一个设计良好的记忆系统应该记录四类信息记忆类型记录内容用途对话记忆用户之前说过什么、偏好是什么避免重复提问越用越懂你知识记忆哪些信息源是可靠的、哪些事实是真的减少幻觉提升准确率工具记忆这个工具上次怎么调用成功的、参数怎么填越用越顺手减少试错| 反思记忆 | 上次哪里做错了、Memory 检索我记得销售数据库的连接信息存在 secret://sales-db用户喜欢看日趋势图上次用户说同比是指和去年同月比不是和上个月比。ReAct 循环开始思考第一步我需要查询上个月的销售数据应该用数据库查询Skill。行动调用db_query(secret://sales-db, SELECT * FROM sales WHERE date BETWEEN 2026-05-01 AND 2026-05-31)观察返回了 12430 条销售记录包含时间、金额、产品、地区。思考数据拿到了现在我需要用数据分析Skill 计算关键指标。行动调用data_analysis(sales_data, [总销售额, 订单量, 客单价, 环比增长率])观察总销售额 1245 万环比增长 12%订单量 8432环比增长 8%客单价 1476 元环比增长 3.7%。思考指标算完了我需要用图表生成Skill 画趋势图和地区分布图。行动调用chart_generate(sales_data, [日销售趋势图, 地区分布饼图])观察生成了两张图片保存路径是/tmp/chart1.png和/tmp/chart2.png。思考数据和图表都有了信息足够了可以写报告了。生成回复整合所有信息写成一份结构完整的分析报告附上两张图表。更新 Memory这次的 SQL 是正确的这个月的销售数据我已经查过了用户的报告模板没变下次可以直接复用。看到了吗每一个我们讲过的概念在这个流程中都发挥了具体的作用。它们不是论文里的抽象概念而是实实在在的工程实现。六、更进一步多 Agent 怎么协作单个 Agent 的能力是有限的——它不可能既懂产品设计又懂代码开发还懂测试运维。就像一个人再厉害也干不过一个团队。6.1 常见的协作模式多 Agent 协作主要有三种模式多Agent协作模式层级模式类似公司的组织架构从上到下分配任务。管理者 Agent 拆任务分配给专业 Agent 执行最后汇总结果。专家模式多个领域的专家 Agent 一起开会讨论。主持人 Agent 提出问题各个专家从自己的专业角度给出意见最后达成共识。流水线模式每个 Agent 负责一个环节像工厂流水线一样。前一个的输出是后一个的输入层层传递直到完成。6.2 多 Agent 协作的关键要素想让多个 Agent 好好协作不是把它们放在一起就行的。你需要解决四个核心问题角色定义每个 Agent 的职责边界是什么谁负责什么什么事不该它管模糊的职责会导致混乱——两个 Agent 抢着做同一件事或者都觉得该对方做通信协议Agent 之间怎么说话消息格式是什么怎么确认对方收到了怎么处理超时任务分配谁来决定哪个任务分给哪个 Agent是中心化的调度器还是 Agent 自己认领结果汇总怎么把多个 Agent 的输出拼起来出现冲突时怎么解决谁说了算⚠️ 过来人踩坑提醒不要上来就搞多 Agent。很多人一上来就想做Agent 团队结果连单个 Agent 都没做好。先把单 Agent 的思考、行动、记忆这三件事搞明白再说协作的事。饭要一口一口吃。七、各概念关系图谱最后我们用一张思维导图把所有概念的关系梳理清楚。下次你再听到某个词就知道它在整个体系中的位置了。概念关系图谱从底层到上层关系是这样的思考层Few-shot → CoT → ReAct从规范行为到学会思考到边想边做行动层Function Calling → Tool Use → Skills → MCP从底层输出 JSON到上层的工具使用、技能封装、标准化协议记忆层全程支撑贯穿始终协作层单 Agent 能力的组合与放大八、实战建议怎么用这些概念搭自己的 Agent讲了这么多理论最后给你一些可以落地的实战建议。8.1 从零开始的五步不要一上来就想用什么框架、搞什么多 Agent。按这个顺序来一步一个脚印先把 Function Calling 跑通让模型能调用一个最简单的函数比如查天气能正确输出 JSON你能调用成功再把结果返回给它。这是最基础的一步地基要打牢。加上 Tool Use把函数调用封装成 Tool让模型自己选择什么时候该调用、什么时候不该调用。测试一下边界情况——比如问它一个不需要工具的问题看它会不会乱调用。引入 CoT ReAct让模型边想边做。你可以清楚地看到它每一步的思考过程——哪一步想错了哪一步调用错了一目了然。加上 Memory让模型记住之前的对话和经验。测试一下第一次告诉它你的偏好第二次不说看它能不能记住。封装 Skills把常用的、多步骤的流程沉淀成 Skill。比如查数据库 → 分析 → 画图 → 写报告这个流程反复用就封装起来。8.2 避坑指南这是很多人踩过的坑希望你能避开坑为什么是坑正确做法上来就搞多 Agent单 Agent 都没搞明白多 Agent 只会更乱先把单 Agent 用好用到位了再加协作迷信全自动化100% 自动化的成本极高95% 的场景都不需要人机协同才是最高效的——Agent 做 80%人做 20%忽视 Memory没有记忆的 Agent 永远是新人每次都要重新教从第一天就设计好记忆系统这决定了上限什么都用大模型大模型很贵而且不是什么都做得好能硬编码的就硬编码能规则解决的就用规则工具写得太多工具越多Agent 越容易选错反而效果不好先从 3-5 个核心工具开始用熟了再加九、结尾未来已来今天讲的这些概念不是什么前沿研究——它们已经是正在发生的现实。你手机里的助手、你 IDE 里的代码插件、公司里的智能客服… 背后都是这些概念在支撑。而且这还只是开始。未来我们会看到更强大的模型思考和行动能力更强更丰富的工具生态MCP 让接入越来越简单更智能的协作机制Agent 团队能完成越来越复杂的任务很多人说AI 是下一个工业革命。如果说 LLM 是蒸汽机那 Agent 就是用蒸汽机驱动的工厂——它让 AI 从能说会道变成了能干活。现在开始理解这些概念你就走在了大多数人的前面。未来已来只是分布不均。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
小白程序员快速上手大模型：从零理解 Agent 全流程（收藏版）
发布时间：2026/6/24 9:43:39
本文深入浅出地介绍了大模型 Agent 的核心概念和工作原理包括思考能力Few-shot、CoT、ReAct、行动能力Function Calling、Tool Use、Skills、MCP以及记忆能力记忆金字塔并通过实例展示了这些概念如何协同工作构建完整的 Agent 系统。此外还探讨了多 Agent 协作模式及实战搭建建议旨在帮助对 AI 感兴趣的技术人员和开发者快速掌握大模型 Agent 的关键技术为未来 AI 应用开发打下坚实基础。引言你可能每天都在用 ChatGPT 聊天但有没有想过一个问题如果 AI 不只是回答问题而是能真的帮你干活呢比如说你跟它说帮我分析上个月的销售数据——它自己去连数据库、写 SQL、算指标、画图、最后写一份完整的报告发到你邮箱。全程不用你插手。这就是 Agent 和普通聊天机器人的本质区别。今天的 AI 已经从一问一答进化到自主做事的阶段了。但很多人在学 Agent 的时候都会头大概念太多太杂。Few-shot、CoT、ReAct、Tool Use、Function Calling、Skills、MCP、Memory… 每个词单独查都好像懂但放在一起就乱成一锅粥。这篇文章的目标很简单把这些散落的珍珠串成一条项链。让你看清它们各自扮演什么角色怎么协作构成一个完整的 Agent 系统。读完这篇你再看任何 Agent 框架心里都会有一张清晰的地图。一、先搞明白最基础的Agent 到底是什么在深入各种花哨的概念之前我们先把最核心的问题搞清楚Agent 究竟是什么说穿了Agent 就是能自己做事情的 AI。普通的大语言模型就像一个顾问——你问它一个问题它给你一个答案。但答案对不对怎么落地它不管。而 Agent 就像一个刚入职的员工你给它一个任务它会自己想办法去完成中间遇到问题会自己查资料、自己找工具最后给你一个结果。一个完整的 Agent 具备三个核心特征Agent闭环能力感知能听到你说的话能看到工具返回的结果决策能思考我现在该做什么行动能真的去调用外部系统而不只是嘴上说说这三者形成的闭环能力就是 Agent 和普通 LLM 的本质区别。聊天机器人只有输出没有行动更没有基于行动结果的再决策。什么时候该用 Agent✅ 任务需要多步骤完成查数据 → 分析 → 写报告✅ 需要和外部系统交互查数据库、调 API、执行脚本✅ 结果依赖实时或外部信息最新财报、天气、用户的私有数据❌ 纯知识性问答、创意写作、简单翻译 → 用普通 LLM 就够了杀鸡不用牛刀二、核心装备一给 Agent 配个好大脑——思考能力光有闭环还不够。Agent 做事不能瞎蒙得有思考的能力。这就涉及到三个层层递进的概念Few-shot → CoT → ReAct。2.1 Few-shot给 Agent 看标准答案长什么样很多人对 Few-shot 有个误解以为是让模型学会新知识。其实根本不是。它的本质是让模型照猫画虎。你给它看几个正确的示例它就知道该按什么格式输出、该遵循什么规范、该表现出什么行为。这就像新员工入职时先给他看几份前辈写的优秀文档他大概就知道该怎么写了——不用你从零开始教。举个实际的例子你想让 Agent 帮你调用天气 API。直接让它调很容易出错但你给它看一个示例示例 用户问北京今天天气怎么样 思考我需要调用天气查询工具参数是城市名。 动作weather_api(北京) 观察温度 26°C晴风力 3 级。 回复北京今天晴温度 26°C风力 3 级。它看完之后就会严格按照这个格式来执行。什么时候用 Few-shot工具调用的格式对齐输出结果的模板规范角色扮演的行为约束复杂推理的示例引导这是成本最低、见效最快的 Agent 优化手段——有时候加几个好示例效果可能比换一个更大的模型还明显。2.2 CoT思维链让 Agent想清楚了再动手你有没有遇到过这种情况问模型一个数学题它直接给出答案但答案是错的。这不是模型不会算而是它跳步了。人做数学题会一步步来但模型如果直接输出答案中间的推理过程是隐性的错误就藏在里面你也不知道它哪步错了。CoTChain-of-Thought思维链解决的就是这个问题把隐性的推理过程显性化。核心机制就是一句话“让我一步步来想”。我们对比一下效果❌ 没有 CoT 用户一件商品成本 100 元想赚 30% 的利润应该卖多少钱 模型卖 130 元。有时候会算成 70 元因为跳步了 ✅ 有 CoT 用户一件商品成本 100 元想赚 30% 的利润应该卖多少钱 模型让我一步步来想。 1. **成本是 100 元** 2. **利润率是 30%意思是利润要占成本的 30%** 3. **利润 100 × 30% 30 元** 4. **售价 成本 利润 100 30 130 元** 所以应该卖 130 元。为什么 CoT 能显著提升准确率因为错误暴露在中间步骤你可以看到它哪一步想错了甚至它自己也能在后续步骤中发现并修正。什么时候用 CoT数学计算、逻辑推理题需要分解的复杂任务需要可追溯过程的场景你要知道它是怎么得出结论的❌ 简单问答、不需要推理的场景 → 不用加 CoT浪费 token2.3 ReAct思考与行动的完美协同CoT 解决了想的问题但光想没用——很多问题需要动手查。比如你问“2024 年 Q3 苹果的营收是多少” 再强的模型也记不住所有实时数据。这时候光靠 CoT 想破头也没用得去查财报。ReActReasoning Acting就是把思考和行动结合起来的框架。它的经典循环是ReAct循环我们走一遍真实流程你就懂了用户2024 年 Q3 苹果的营收是多少 思考我需要查询苹果 2024 年第三季度的财报数据。模型训练数据有截止日期可能不包含最新的财报数据。我应该用搜索引擎查询。 动作search(苹果 2024年Q3 财报 营收) 观察苹果 2024 财年第三财季自然年 Q2营收 857.8 亿美元第四财季自然年 Q3营收 901.5 亿美元。需要注意财季和自然季度的区别。 思考用户问的是自然年 Q3对应苹果的 2024 财年第四财季。搜索结果显示营收是 901.5 亿美元。信息已经足够可以回答了。 回复2024 年自然年第三季度苹果 2024 财年第四财季苹果公司的营收为 901.5 亿美元。这就是为什么 ReAct 是现代 Agent 的标配——它可解释你能看到每一步的想法、可调试哪一步错了一目了然、可回溯能复现整个推理过程。什么时候用 ReAct需要外部知识的问答新闻、财报、实时数据需要和外部系统交互的任务查数据库、调 API任何不查一下就不知道答案的场景❌ 纯常识、纯推理、模型已知知识范围内的问题 → 不需要浪费时间三、核心装备二给 Agent 配灵活的手脚——行动能力Agent 光会想还不够得真的能做事。这就需要行动能力——调用外部系统的能力。这里也有四个层层递进的概念Function Calling → Tool Use → Skills → MCP。3.1 Function CallingLLM 的原生接口能力在 Function Calling 出现之前让模型调用函数是件很痛苦的事——你得想各种办法诱导它输出特定格式的文本然后自己写解析逻辑各种 edge case 能把人搞疯。现在不一样了。Function Calling 是 LLM 的原生能力你给它一个 JSON Schema 描述函数的参数它就能输出标准的 JSON 格式调用。举个具体例子你定义一个函数# 定义天气查询函数的 Schema weather_function { name: get_weather, description: 查询指定城市的天气, parameters: { type: object, properties: { city: {type: string, description: 城市名比如北京}, date: {type: string, description: 日期格式 YYYY-MM-DD} }, required: [city] } }然后用户问“上海明天天气怎么样”模型会输出{name: get_weather, parameters: {city: 上海, date: 2026-06-23}}你拿到这个 JSON去调用实际的 API再把结果返回给模型就可以了。什么时候直接用 Function Calling✅ 只有 1-2 个简单函数不需要复杂封装✅ 需要完全控制调用逻辑比如特殊的鉴权、限流✅ 性能敏感场景不想引入额外的框架开销✅ 调试阶段想观察最原始的调用行为❌ 超过 3 个工具、需要错误重试、需要工具选择逻辑 → 用 Tool Use 封装注意Function Calling 是底层能力直接用很繁琐。你需要自己处理函数注册、参数校验、调用执行、错误重试、结果解析… 实际开发中如果工具多、逻辑复杂我们一般不会直接用它而是用更高层的封装——Tool Use。3.2 Tool Use把 Function Calling 包装成工具箱Tool Use 和 Function Calling 是什么关系一句话Function Calling 是底层机制Tool Use 是上层应用。Function Calling 解决的是输出 JSON的问题而 Tool Use 解决的是怎么用工具干活的问题。一个设计良好的 Tool 应该包含名字这个工具是干什么的描述什么时候应该用它模型靠这个决定要不要调用非常重要参数 Schema入参的类型和含义使用示例输入输出长什么样配合 Few-shot 效果更好错误处理调用失败了该怎么办比如一个数据库查询工具模型要做的决策包括这个任务需要查数据库吗该连哪个数据库SQL 该怎么写查询结果为空怎么办SQL 报错了怎么重试这些都不是 Function Calling 本身能解决的而是 Tool Use 层要处理的逻辑。 过来人提示工具的描述写得好不好直接影响 Agent 的表现。描述要清晰地说明什么时候用和什么时候不用——比如仅当用户明确要求查询数据库时使用不要猜测表结构。3.3 Skills更高维度的能力封装单一工具能解决的问题很有限。实际工作中完成一个任务往往需要组合拳。比如数据分析这个任务不是调用一个工具就能搞定的它需要一连串动作连接到正确的数据库写 SQL 查询数据清洗和处理数据计算关键指标生成图表撰写分析报告这就是 Skills 要解决的问题Skill 是多工具 多步骤 领域知识的封装体。一个 Skill 就是一个完整的能力包——它知道自己能处理什么任务、需要调用哪些工具、步骤是什么、常见坑怎么绕。我们可以写一个最简单的 Skill 示例class DataAnalysisSkill: 数据分析技能自动连接数据库、查询、分析、生成报告 def __init__(self, db_config): self.db_config db_config def execute(self, user_query: str) - str: # 步骤1理解用户需求生成 SQL sql self._generate_sql(user_query) # 步骤2执行查询获取数据 data self._query_database(sql) # 步骤3分析数据计算指标 analysis_result self._analyze_data(data) # 步骤4生成报告 report self._generate_report(analysis_result) return report def _generate_sql(self, query: str) - str: # 用 LLM Few-shot 生成正确的 SQL ...什么时候该封装 Skill某类任务会被反复调用任务包含 3 个以上的步骤任务有特定的领域知识和最佳实践❌ 一次性任务、单一工具就能搞定的事 → 不用过度封装别搞过度工程3.4 MCP让工具接入标准化的协议在 MCP 出现之前每个 Agent 框架都搞自己的工具标准——LangChain 的工具是一个写法AutoGPT 的工具是另一个写法Claude Code 的又是另一个写法。你写了一个工具想在不同框架里用对不起得重写。太乱了。MCPModel Context Protocol模型上下文协议就是来解决这个问题的。它是 Anthropic 推动的开放协议核心理念是一次编写处处运行。MCP 的定位就像 USB 协议——不管你是 U 盘、鼠标、键盘、打印机只要符合 USB 标准插进去就能用。同样只要你的工具符合 MCP 标准任何支持 MCP 的 Agent 客户端都能直接用。MCP架构MCP 带来的价值是显而易见的统一接口不用为每个框架重写工具安全机制内置权限控制、审计追踪生态共建社区可以贡献通用的 MCP 服务器跨平台兼容桌面端、Web 端、IDE 插件都能用什么时候用 MCP你希望写的工具能在多个 Agent 环境中使用你需要统一的权限控制和安全审计你想接入社区已有的 MCP 工具生态❌ 只是写个一次性脚本、只用一个框架 → 直接写工具就行四、核心装备三给 Agent 配笔记本——记忆能力如果 Agent 每次都是第一次见你那它永远学不会。没有记忆的 Agent 就像金鱼过几秒就忘事每次都要你重新说一遍上下文。可以说记忆系统决定了 Agent 的上限。4.1 记忆的三层金字塔架构Agent 的记忆系统借鉴了认知科学的人类记忆模型分为三层记忆金字塔感觉记忆最原始的输入短暂保留几秒钟比如用户刚说的话、工具刚返回的结果还没经过加工短期记忆工作记忆当前正在思考的内容对应 LLM 的上下文窗口——窗口越大工作记忆越强但成本也越高长期记忆永久保存的知识与经验存在数据库或向量库里需要时检索出来4.2 Agent 需要记什么不是什么都要记。一个设计良好的记忆系统应该记录四类信息记忆类型记录内容用途对话记忆用户之前说过什么、偏好是什么避免重复提问越用越懂你知识记忆哪些信息源是可靠的、哪些事实是真的减少幻觉提升准确率工具记忆这个工具上次怎么调用成功的、参数怎么填越用越顺手减少试错| 反思记忆 | 上次哪里做错了、Memory 检索我记得销售数据库的连接信息存在 secret://sales-db用户喜欢看日趋势图上次用户说同比是指和去年同月比不是和上个月比。ReAct 循环开始思考第一步我需要查询上个月的销售数据应该用数据库查询Skill。行动调用db_query(secret://sales-db, SELECT * FROM sales WHERE date BETWEEN 2026-05-01 AND 2026-05-31)观察返回了 12430 条销售记录包含时间、金额、产品、地区。思考数据拿到了现在我需要用数据分析Skill 计算关键指标。行动调用data_analysis(sales_data, [总销售额, 订单量, 客单价, 环比增长率])观察总销售额 1245 万环比增长 12%订单量 8432环比增长 8%客单价 1476 元环比增长 3.7%。思考指标算完了我需要用图表生成Skill 画趋势图和地区分布图。行动调用chart_generate(sales_data, [日销售趋势图, 地区分布饼图])观察生成了两张图片保存路径是/tmp/chart1.png和/tmp/chart2.png。思考数据和图表都有了信息足够了可以写报告了。生成回复整合所有信息写成一份结构完整的分析报告附上两张图表。更新 Memory这次的 SQL 是正确的这个月的销售数据我已经查过了用户的报告模板没变下次可以直接复用。看到了吗每一个我们讲过的概念在这个流程中都发挥了具体的作用。它们不是论文里的抽象概念而是实实在在的工程实现。六、更进一步多 Agent 怎么协作单个 Agent 的能力是有限的——它不可能既懂产品设计又懂代码开发还懂测试运维。就像一个人再厉害也干不过一个团队。6.1 常见的协作模式多 Agent 协作主要有三种模式多Agent协作模式层级模式类似公司的组织架构从上到下分配任务。管理者 Agent 拆任务分配给专业 Agent 执行最后汇总结果。专家模式多个领域的专家 Agent 一起开会讨论。主持人 Agent 提出问题各个专家从自己的专业角度给出意见最后达成共识。流水线模式每个 Agent 负责一个环节像工厂流水线一样。前一个的输出是后一个的输入层层传递直到完成。6.2 多 Agent 协作的关键要素想让多个 Agent 好好协作不是把它们放在一起就行的。你需要解决四个核心问题角色定义每个 Agent 的职责边界是什么谁负责什么什么事不该它管模糊的职责会导致混乱——两个 Agent 抢着做同一件事或者都觉得该对方做通信协议Agent 之间怎么说话消息格式是什么怎么确认对方收到了怎么处理超时任务分配谁来决定哪个任务分给哪个 Agent是中心化的调度器还是 Agent 自己认领结果汇总怎么把多个 Agent 的输出拼起来出现冲突时怎么解决谁说了算⚠️ 过来人踩坑提醒不要上来就搞多 Agent。很多人一上来就想做Agent 团队结果连单个 Agent 都没做好。先把单 Agent 的思考、行动、记忆这三件事搞明白再说协作的事。饭要一口一口吃。七、各概念关系图谱最后我们用一张思维导图把所有概念的关系梳理清楚。下次你再听到某个词就知道它在整个体系中的位置了。概念关系图谱从底层到上层关系是这样的思考层Few-shot → CoT → ReAct从规范行为到学会思考到边想边做行动层Function Calling → Tool Use → Skills → MCP从底层输出 JSON到上层的工具使用、技能封装、标准化协议记忆层全程支撑贯穿始终协作层单 Agent 能力的组合与放大八、实战建议怎么用这些概念搭自己的 Agent讲了这么多理论最后给你一些可以落地的实战建议。8.1 从零开始的五步不要一上来就想用什么框架、搞什么多 Agent。按这个顺序来一步一个脚印先把 Function Calling 跑通让模型能调用一个最简单的函数比如查天气能正确输出 JSON你能调用成功再把结果返回给它。这是最基础的一步地基要打牢。加上 Tool Use把函数调用封装成 Tool让模型自己选择什么时候该调用、什么时候不该调用。测试一下边界情况——比如问它一个不需要工具的问题看它会不会乱调用。引入 CoT ReAct让模型边想边做。你可以清楚地看到它每一步的思考过程——哪一步想错了哪一步调用错了一目了然。加上 Memory让模型记住之前的对话和经验。测试一下第一次告诉它你的偏好第二次不说看它能不能记住。封装 Skills把常用的、多步骤的流程沉淀成 Skill。比如查数据库 → 分析 → 画图 → 写报告这个流程反复用就封装起来。8.2 避坑指南这是很多人踩过的坑希望你能避开坑为什么是坑正确做法上来就搞多 Agent单 Agent 都没搞明白多 Agent 只会更乱先把单 Agent 用好用到位了再加协作迷信全自动化100% 自动化的成本极高95% 的场景都不需要人机协同才是最高效的——Agent 做 80%人做 20%忽视 Memory没有记忆的 Agent 永远是新人每次都要重新教从第一天就设计好记忆系统这决定了上限什么都用大模型大模型很贵而且不是什么都做得好能硬编码的就硬编码能规则解决的就用规则工具写得太多工具越多Agent 越容易选错反而效果不好先从 3-5 个核心工具开始用熟了再加九、结尾未来已来今天讲的这些概念不是什么前沿研究——它们已经是正在发生的现实。你手机里的助手、你 IDE 里的代码插件、公司里的智能客服… 背后都是这些概念在支撑。而且这还只是开始。未来我们会看到更强大的模型思考和行动能力更强更丰富的工具生态MCP 让接入越来越简单更智能的协作机制Agent 团队能完成越来越复杂的任务很多人说AI 是下一个工业革命。如果说 LLM 是蒸汽机那 Agent 就是用蒸汽机驱动的工厂——它让 AI 从能说会道变成了能干活。现在开始理解这些概念你就走在了大多数人的前面。未来已来只是分布不均。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
