一个工程师，从零拆解 AI Agent 的第一周

kestiny

269人浏览 · 2026-01-27 06:42:56

kestiny · 2026-01-27 06:42:56 发布

1️⃣ 为什么我不再看 Agent 教程了

LangChain、AutoGen、CrewAI、LangGraph、MetaGPT……

Agent 框架越来越多，教程也越来越多，但我却越来越困惑。

我看过很多 Demo，它们很炫，但我发现自己很难回答几个简单的问题：

它为什么会停下来？
它什么时候算失败？
它的下一步到底是谁在决定？

我能“用”，但我说不清它在跑什么。

作为一个工程师，这开始让我不安。
我逐渐意识到：

我正在使用一堆“我并不真正理解的系统”。

2️⃣ 我给自己设了一个“反直觉的目标”

我没有再去学新的 Agent 框架，而是给自己设了一个看起来有点“反直觉”的目标：

不用任何框架，从零写一个最小可运行的 Agent。

我逼自己先回答 4 个问题：

我的 Agent 接收什么类型的输入？
我的 Agent 内部“状态”长什么样？
我的 Agent 通过哪些步骤完成任务？
我的 Agent 在什么情况下停止？

这些问题的答案，可能因人、因产品而异，
但我发现：无论怎么变，都很难逃出这个框架。

我的 Agent 接收什么类型的输入？

一个以自然语言描述的“任务请求”，该任务可能需要：
- 拆解为多个步骤
- 调用工具
- 进行多轮思考与评估

当前版本只支持文本输入；
图片、语音等多模态输入，被视为未来扩展能力，而非核心能力。

我的 Agent 内部“状态”长什么样？

Agent 的状态由两类信息构成：

1）任务状态：
- 任务目标（objective）
- 当前计划（plan）
- 中间结果（scratchpad）
- 历史记录（history）

2）控制状态：
- 当前执行步骤
- 是否完成
- 是否需要继续

Agent 是如何完成任务的？

1）理解用户意图
2）规划执行步骤
3）执行当前步骤
4）评估执行结果
5）反馈结果，并决定是否继续

Agent 在什么时候停止？

1）任务完成
2）达到最大执行轮次
3）触发安全 / 合规策略

3️⃣ 我发现：Agent 的“脊柱”不是模型，而是 State

如果没有 State，Agent 就是一个黑盒。

结果对了，你不知道为什么对
结果错了，你也不知道哪里错

我们真正需要的，不是更聪明的模型，
而是类似飞机的**“黑匣子”** ——
能够在事后回放整个决策过程。

而这个能力，只能来自 State，而不是 Prompt。

AgentState ={
    objective,
    plan,
    current_step,
    done,
    history
}

State 是系统的唯一事实源。

4️⃣ 一个 Agent，本质上就是一个 while-loop

当我把 Agent 写成一个 while-loop 时，
我第一次觉得它是可理解的。

Agent 并不等于“聪明”。

Agent = 可控的执行循环

Think / Act / Evaluate 的真正意义，并不是“拟人化思考”，
而是：把决策、执行、判断拆成可控的系统阶段。

5️⃣ 我刻意让它“很蠢”

为了避免自欺欺人，我刻意让第一个 Agent 非常“蠢”：

plan 是写死的
evaluate 只判断 done
没有工具、没有反思、没有优化

但它是完整的。

==== Final Output ====
正在执行：理解任务
正在执行：拆解步骤
正在执行：执行任务
正在执行：总结结果

==== History ====
- 生成初始计划
- 执行步骤 0: 理解任务
- 执行步骤 1: 拆解步骤
- 执行步骤 2: 执行任务
- 执行步骤 3: 总结结果
- 任务完成