从零学习 AI Agent：六阶段实战路线

六个阶段的学习路径

要从零开始学习 AI agent，请按顺序完成六个阶段：概念、第一次循环、工具、记忆、循环设计和安全。每个阶段都需要亲手构建一个东西。跳过前面的阶段是学习停滞的最常见原因，因为框架会隐藏你真正需要理解的部分。

AI agent 是围绕语言模型运行的循环，并且允许语言模型调用工具。这句话就是整个主题。后面的内容都在说明循环包含哪些部分、工具可能访问哪些对象，以及循环出错时如何停止。如果你能向别人解释这个循环，就说明你已经掌握了核心概念。如果你只能说出各种框架的名称，就还没有掌握。

下面的计划假设你通过构建来学习。阅读一个阶段，构建其中的小项目，然后故意让它出错，再继续下一个阶段。只读过但没有实际完成的阶段，就不算完成。

进入阶段 1 前的实际要求

实际的前置要求很少，比大多数课程页面列出的要求还少。

• 您能编写和阅读 Python 或 TypeScript，水平相当于能完成一个 50 行脚本。
• 您熟悉 Linux shell：安装软件包、编辑文件、读取日志。
• 您拥有托管模型的 API key，或者有一台能够运行本地模型的机器。

要求就这些。您不需要机器学习理论，也不需要训练过模型。智能体开发不涉及梯度或训练数据。只有在您决定自行运行模型时，显卡才有用；这是另一项技能，之后可以通过在 VPS 上托管 Ollama 以自行运行 LLM学习。

人们低估了 shell 这一部分的重要性。智能体经常因权限、路径、环境变量以及静默退出的进程而失败。如果看到有关 PATH 或文件模式的堆栈跟踪就想关闭终端，请先花一个周末学习 Linux 基础知识。这会帮您在之后节省一个月。

阶段 1：什么是代理，以及它不是什么

先发起一次 API 调用，不要使用循环。发送提示词，打印回复，并查看响应中的令牌数量。现在，您已经理解了成本单位和延迟单位。

然后学习工具调用。这是整个领域中唯一真正的新概念。您需要向模型描述一个函数，包括函数名称、说明以及用于定义输入的 JSON（JavaScript 对象表示法）架构。模型不会执行任何操作。它会返回一个结构化请求：使用这些参数调用 run_command。您的代码执行该函数，将输出作为消息发回，然后再次请求模型。模型负责读取文本和生成文本，是一个规划器。真正能够执行操作的是您的代码。

聊天机器人返回一次回复后就结束。代理会重复这一交互，直到模型不再请求调用工具。这种重复就是两者的全部区别，也解释了它们为何具有不同的故障模式。聊天机器人可能只给出一次错误答案。代理则可能根据错误答案连续执行多次操作，直到有人发现问题。

阶段 2：自己编写一次循环

不要从框架开始。先编写大约 30 行 Python，让这个程序的结构由你自己掌握。

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

使用 python3 agent.py 运行。正常运行时，程序会输出一个段落，列出你的文件系统及其可用空间。这是因为模型请求了 df -h，你的代码执行了该命令，第二轮处理又将这张表转换成了句子。如果没有任何输出，说明循环在收到文本块之前就结束了。在循环中加入 print(response.stop_reason)，观察这些值如何变化。

现在有意制造一个错误。删除 tool_use_id 行并查看错误信息。API 会拒绝没有匹配 id 的工具结果，这是初学者最常见的错误。提出一个需要执行两个命令的问题，观察循环运行两次。提出一个无法完成的问题，观察它是放弃，还是无限循环。

需要注意这个示例中的一个问题。它通过 shell=True 将模型输出直接传递给 shell。这在可以重装的临时机器上可以接受，但在其他环境中都不应这样做。阶段 6 会修复这个问题。循环背后的概念将在在 VPS 上构建自己的 AI agent中详细介绍。

第 3 阶段：代理尚未具备的工具

您的 run_command 工具可以正常工作，但真正的代理还需要访问外部系统的工具，例如工单系统、数据库和代码仓库。为每个服务、每个代理分别编写专用包装器无法扩展。

Model Context Protocol（MCP）是业界最终采用的方案。MCP 服务器通过标准传输协议公开一组工具，任何支持 MCP 的代理都可以直接使用，无需自定义集成代码。参考文件系统服务器只需运行一条命令：

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

这要求已安装 Node，并且目录参数是服务器唯一会访问的路径。这是该安全模型的简化示例：边界由服务器决定，而不是由模型决定。将客户端指向该服务器后，代理即可获得文件读取和写入能力，而这些功能无需由您自行编写。如何在服务账户下正确运行这些服务器，以及如何选择传输方式，请参阅在 VPS 上为 AI 编程代理运行 MCP 服务器。

本阶段的要点是，工具设计才是真正的工作。描述含糊会让模型自行猜测。工具返回四万字符会污染上下文窗口。能够删除内容的工具最终一定会删除内容。

第 4 阶段：记忆，主要就是文件

初学者通常会在这里使用向量数据库。至少现在不要这样做。

Agent 在两次调用之间不会保留记忆。每次调用时，您都要重新发送完整对话。这就是为什么长会话的每轮成本高于短会话。因此，记忆分为两个问题。第一个问题是当前上下文窗口能容纳哪些内容。您可以通过摘要、裁剪旧的工具输出，以及缓存提示词的稳定前缀来管理它，这样无需为稳定前缀支付全部费用。第二个问题是重启后仍能保留哪些内容，这属于存储问题。

对于第二个问题，在几乎所有第一个项目中，一个 Agent 可以读写的普通 Markdown 文件都比向量数据库更合适。为它提供一个文件，说明文件格式，并要求它在开始前读取该文件，在获知新信息后更新该文件。这样可以获得大部分收益，还能直接打开文件，查看 Agent 当前的认知。只有当笔记无法继续放入上下文窗口时，才应使用嵌入和检索。不要提前使用。

第 5 阶段：循环就是产品

现在，您已经可以构建一个在您观察时能够正常工作的代理。第 5 阶段要求它在无人看管时也能正常工作。

有 4 个问题决定了无人值守代理是否可以安全地独立运行。什么会触发它，确保它不会无缘无故运行。它运行在哪个边界内，确保错误的影响范围有限。如何验证结果，因为自行批改作业的代理总会判定自己通过。什么预算会停止它，可以按令牌数或实际运行时间计算。在 循环工程，以及该定义涵盖的内容 中，介绍了如何有意识地设计这 4 项。

练习：使用第 2 阶段的代理，为它分配一个需要 4 或 5 个步骤的任务，并添加硬性迭代上限。然后移除该上限，观察无界循环如何增加令牌费用。先用较小的预算执行一次，避免在较大预算下意外运行无界循环。

阶段 6：安全性、密钥和成本

此阶段不是可选项。之所以最后处理，只是因为在构建出可运行的系统之前，您无法真正感受到其中的风险。

让 agent 使用独立的非特权用户运行，绝不要使用 root，也不要使用您自己的账户。这样即使发生问题，影响范围也只是一 个目录，而不是整台机器。不要让模型接触凭据，因为上下文窗口中的任何内容都可能通过工具调用被原样输出。应按让密钥远离您的 AI agent中的说明，通过 helper 使用作用域受限且短期有效的令牌。为支出设置硬上限，因为无人监控的循环会为每次迭代计费；在始终运行的 VPS 上控制 AI agent 成本介绍了保持成本可控的上限和批处理方法。

成本需要一个具体数字。截至 2026 年 7 月，Claude Opus 5 的输入费用为每百万个 token $5，输出费用为每百万个 token $25。一个频繁发送消息的 agent 如果不断重新发送增长中的对话，单个任务就可能处理数十万个 token。提示缓存和用于常规步骤的较小模型，对成本计算的影响远大于调整提示词。

提示注入也属于此阶段。如果您的 agent 会读取网页、问题跟踪系统或收件箱，那么编写这些文本的人也在向您的 agent 编写指令。防御措施不是设计更巧妙的系统提示词，而是设置边界。因为无法删除仓库的 agent，也不会被诱导去删除仓库。

应当遵循哪张路线图？

选择一套课程并完成，不要同时浅尝六套课程。Microsoft ai-agents-for-beginners 仓库是最完整的免费课程，包含十八课。截至 July 2026，该仓库已获得超过 70,000 个 stars，并且与上文的阶段清晰对应。用于汇总热门 agent 仓库的文章有助于了解现有哪些项目，但不适合作为课程大纲，因为按 stars 排序体现的是受欢迎程度，而不是教学顺序。

需要用于实践的真实项目时，coding agent 是最适合的首个目标：反馈即时，工具明确，错误也容易撤销。在 VPS 上运行 coding AI agent会完整演示这一过程。如果您更希望研究现成系统，而不是从零开始构建，最佳自托管 AI agent中的比较会展示多个项目如何以不同方式实现同一个循环。

需要多长时间？

对于已经具备编程经验的人来说，第 1 和第 2 阶段需要一个晚上。第 3 阶段需要一个周末，其中大部分时间用于了解工具，而不是研究协议。第 4 和第 5 阶段需要几周的实际使用时间，因为只有观察代理遗忘，才能了解它会忘记什么。第 6 阶段不会真正结束，因为每授予代理一项新能力，都需要重新审视这一阶段。

持续利用晚间时间投入两个月，大多数人就能构建出一个可运行、边界明确且有实际用途的代理。花了一年的人，通常是因为一直阅读，而没有开始构建。

FAQ

构建 AI agent 需要了解机器学习吗？

不需要。构建 agent 意味着通过 API 调用模型，并将模型的工具请求连接到实际函数。这属于常规应用程序开发。您无需接触训练、梯度或数据集。决定 agent 能否正常运行的技能包括工具的 schema 设计、错误处理和 Linux 权限。只有在您进一步微调模型时，机器学习理论才会变得重要；那是另一类工作，前置要求也不同。

我应该从 LangChain 或 CrewAI 这样的框架开始吗？

先手写一个原始循环，再采用框架。框架会用一个配置对象替代第 2 阶段中的 30 行代码。等您了解它替代了什么后，这样做很方便；在此之前则容易造成困惑。当 agent 行为异常时，您需要直接分析消息列表和工具结果。如果您从未见过这些内容，处理起来会困难得多。自己完成一个循环后，框架可以节省时间，而不是隐藏底层机制。

学习 AI agent 需要多少钱？

如果设置上限，费用低于大多数人的预期。一个托管 API key 和一台小型 VPS 就足以完成这 6 个阶段。真正的风险不是小时费率，而是无限循环在您睡觉时为每次迭代持续计费。第一天就为 API 账户设置严格的消费上限，为编写的每个循环添加迭代次数上限，并在常规步骤中使用更便宜的模型。在本地运行模型可以免除 token 费用，但会转而产生硬件要求。

AI agent 和 chatbot 有什么区别？

chatbot 只回答一次。agent 会重复执行一个循环：模型请求工具，您的代码运行工具，结果返回给模型，然后模型决定下一步操作。正是这种重复过程，让 agent 能够通过多个步骤完成任务；这也是 agent 需要设置 chatbot 不需要的边界的原因。chatbot 给出错误答案时，结果是一段错误的文字。agent 给出错误答案时，结果是一段错误的文字，以及它据此执行的操作。