從零學會 AI agents 的六階段路徑

分成六個階段的學習路徑

若要從零開始學習 AI agents，請依序完成六個階段：概念、第一個迴圈、工具、記憶、迴圈設計與安全性。每個階段都要親手建置一項內容。直接跳到後面的階段，是最常導致學習停滯的原因，因為 framework 會隱藏你真正需要理解的部分。

AI agent 是一個圍繞 language model 的迴圈，而且允許該模型呼叫工具。這句話就是整個主題。後續內容只是在說明迴圈包含哪些部分、工具可以接觸哪些內容，以及迴圈發生錯誤時如何停止。如果你能向他人解釋這個迴圈，就代表你已經學會這項技術。如果你只能說出 framework 的名稱，就還沒有學會。

以下計畫假設你透過建置來學習。讀完一個階段後，建置那個小型元件，刻意讓它發生錯誤，再進入下一個階段。只讀過的階段，不算真正完成。

第 1 階段前實際需要準備的內容

實際的先備條件很少，通常比多數課程頁面列出的還少。

• 你能以撰寫 50 行指令碼的程度讀寫 Python 或 TypeScript。
• 你熟悉 Linux shell：安裝套件、編輯檔案及讀取日誌。
• 你擁有託管模型的 API key，或一台能執行本機模型的機器。

以上就是全部條件。你不需要機器學習理論，也不需要曾經訓練過模型。Agent 的工作不涉及梯度或訓練資料。只有在你決定自行執行模型時，才需要顯示卡；這是另一項技能，之後可以再從 在 VPS 上託管 Ollama 以自行託管 LLM 開始學習。

人們容易低估的是 shell 這一半。Agent 常因權限、路徑、環境變數及無聲結束的程序而失敗。如果看到與 PATH 或檔案模式有關的 stack trace 就想關閉終端機，請先花一個週末學習 Linux 基礎。這能讓你之後少花一個月排查問題。

階段 1：什麼是 agent，以及它不是什麼

先執行一次 API 呼叫，不要加入迴圈。傳送提示、列印回覆，並查看回應中的 token 計數。現在，你已了解成本單位與延遲單位。

接著學習工具使用。這是整個領域中唯一真正的新概念。你要以名稱、說明，以及描述輸入內容的 JSON（JavaScript object notation）schema 向模型描述函式。模型不會執行任何內容，而是回覆結構化要求：使用這些引數呼叫 run_command。你的程式執行該函式，將輸出以訊息傳回，再次向模型提出要求。模型是讀取文字並寫出文字的規劃器。你的程式才是實際執行工作的部分。

chatbot 在一次回覆後結束。agent 會重複這個交換流程，直到模型停止要求使用工具。這種重複就是兩者的全部差異，也因此會產生不同的失敗模式。chatbot 可能只提供一次錯誤答案。agent 則可能根據錯誤答案執行數次操作，直到有人察覺。

第 2 階段：親自撰寫一次迴圈

不要從框架開始。先撰寫約 30 行 Python，讓整體結構由你自己掌握。

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 執行。正常執行時，會輸出一段列出檔案系統及其可用空間的文字。這是因為模型要求 df -h，你的程式執行了該命令，第二次傳遞再將表格轉換成句子。如果沒有輸出，表示迴圈在收到文字區塊前就已結束。在迴圈內加入 print(response.stop_reason)，觀察這些值如何變化。

接著刻意讓程式失敗。刪除 tool_use_id 那一行並讀取錯誤訊息，因為沒有相符 id 的工具結果會遭 API 拒絕，這也是初學者最常遇到的錯誤。提出需要執行 2 個命令的問題，觀察迴圈執行 2 次。再提出無法完成的問題，觀察它是放棄，還是無限迴圈。

請注意這個範例的一項風險。它會使用 shell=True，直接將模型輸出傳入 shell。在可重建的測試機器上這樣做可以接受，但在其他環境中不應如此。第 6 階段會處理這個問題。迴圈背後的概念會在 在 VPS 上建立自己的 AI agent 中進一步說明。

階段 3：代理程式原本沒有的工具

您的 run_command 工具可以運作，但真正的代理程式需要能存取外部系統的工具，例如工單系統、資料庫或程式碼儲存庫。針對每個服務、每個代理程式各自撰寫專用 wrapper，無法擴充。

Model Context Protocol (MCP) 是業界採用的解決方案。MCP server 會透過標準傳輸方式公開一組工具，任何支援 MCP 的代理程式都能使用，無須撰寫自訂整合程式。參考用的 filesystem server 只需一個 command：

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

這需要先安裝 Node，而 directory argument 是 server 唯一能存取的路徑。這就是縮小版的安全模型：由 server 決定界線，而不是由 model 決定。將 client 指向該 server 後，代理程式即可讀寫檔案，這些功能不需要由您自行撰寫。如何在 service account 下正確執行這些 server，以及 transport 選項的說明，請參閱 在 VPS 上執行 MCP server，供 AI coding agent 使用。

本階段的重點是，工具設計才是真正的工作。描述過於模糊，model 就會自行猜測。工具若回傳 40000 個字元，會耗損 context window。能夠刪除內容的工具，最終一定會刪除內容。

第 4 階段：記憶，基本上就是檔案

初學者在這裡通常會直接使用向量資料庫。先不要這麼做，至少目前不要。

Agent 在不同呼叫之間不會保留記憶。每次都要重新傳送完整對話，因此長工作階段的每次互動成本會高於短工作階段。記憶因此分成兩個問題。第一個問題是目前內容能否放入 context window。你可以透過摘要、刪減較早的工具輸出，以及快取 prompt 中穩定不變的前綴來管理，讓這部分的成本降至原本的一小部分。第二個問題是重新啟動後仍能保留哪些內容，這就需要儲存空間。

針對第二個問題，在幾乎所有第一個專案中，讓 Agent 讀寫一個普通的 Markdown 檔案，都比使用向量資料庫更合適。提供一個檔案，指定檔案格式，要求 Agent 在開始前讀取該檔案，並在學到新資訊時更新它。這樣就能取得大部分效益，也可以直接開啟檔案，查看 Agent 的認知內容。等到筆記無法再放入 context window 時，再使用 embeddings 與 retrieval；不要更早採用。

階段 5：迴圈就是產品

到目前為止，你已經能建立一個在你監看時正常運作的代理程式。階段 5 的目標，是讓它在你不介入時也能正常運作。

有 4 個問題決定無人值守的代理程式是否能安全地獨立執行。什麼會觸發它，才能避免它在沒有任務時執行。它的操作範圍是什麼，才能讓錯誤維持在有限範圍內。如何驗證結果，因為讓代理程式自行評分，就等於保證它每次都通過。什麼預算能限制它，包括 token 數量或實際經過時間。刻意設計這 4 個要素，就是 迴圈工程，以及這項定義涵蓋的內容所描述的實務。

練習：取用第 2 階段的代理程式，交給它一項需要 4 或 5 個步驟的工作，並加入嚴格的迭代上限。接著移除上限，觀察無限迴圈如何增加你的 token 費用。先用小額預算執行 1 次，避免日後不慎在大額預算上執行。

階段 6：安全性、機密資料與成本

此階段不可省略。之所以最後處理，只是因為必須先建立可運作的系統，才能實際感受到風險。

讓 agent 使用專用的非特權使用者執行。絕不要使用 root 或你自己的帳號，這樣即使發生問題，影響範圍也會限制在目錄，而不是整台機器。不要讓模型接觸憑證，因為放入 context window 的任何內容，都可能透過工具呼叫被原樣引用出去。解決方式是採用具明確範圍且存留時間短的 token，並交由 helper 處理，詳見 避免讓 AI agent 接觸機密資料。設定明確的支出上限，因為無人監看的迴圈會在每次迭代產生費用；維持成本可控的上限設定與批次處理方式，詳見 永遠在線 VPS 上的 AI agent 成本控管。

成本需要一個具體數字。截至 July 2026，Claude Opus 5 的費用為每 million 個 input tokens $5，以及每 million 個 output tokens $25。反覆傳送不斷增加的對話內容，可能讓一個任務處理幾 hundred thousand 個 tokens。Prompt caching 和在例行步驟使用較小的模型，對成本計算的影響遠大於任何 prompt 微調。

Prompt injection 也屬於此處必須處理的問題。如果 agent 會讀取網頁、issue tracker 或 inbox，撰寫這些文字的人也同時在對 agent 撰寫指示。防禦方式不是使用更複雜的 system prompt，而是設定邊界。因為無法刪除 repository 的 agent，不會被話術誘導去刪除 repository。

該遵循哪一份學習路線？

選定一套課程並完成，不要同時取樣六套課程。Microsoft ai-agents-for-beginners repository 是最完整的免費資源，包含 18 堂課程；截至 2026 年 7 月，已獲得超過 70,000 顆 stars，且能清楚對應前述階段。熱門 agent repository 的整理文章有助於了解有哪些專案，但不適合作為課程大綱，因為依 stars 排序代表的是熱門程度，而不是教學順序。

需要實際專案練習時，coding agent 是最適合的起點：回饋立即可見、工具明確，而且錯誤容易復原。在 VPS 上執行 coding AI agent 會完整示範一個案例。如果你想研究現成系統，而不是從零開始建置，最佳的自架 AI agent 中的比較會說明多個專案如何以不同方式實作相同的迴圈。

需要多久？

對於已經具備程式設計經驗的人來說，第 1 和第 2 階段一個晚上就能完成。第 3 階段需要一個週末，其中大部分時間會花在工具說明，而不是通訊協定上。第 4 和第 5 階段需要幾週的實際使用，因為只有觀察代理程式忘記內容，才能了解它會忘記什麼。第 6 階段不會真正結束，因為每次授予新的功能，都會重新開啟這項工作。

持續利用晚間時間投入 2 個月，大多數人就能建立可運作、範圍受限且實用的代理程式。花費 1 年的人，通常是持續閱讀而沒有動手建立的人。

FAQ

建立 AI agent 需要了解機器學習嗎？

不需要。建立 agent 是透過 API 呼叫模型，並將模型的工具請求連接至實際函式，這屬於一般的應用程式開發。您不需要處理訓練、梯度或資料集。決定 agent 能否正常運作的技能包括工具的 schema 設計、錯誤處理及 Linux 權限。只有在您進一步微調模型時，機器學習理論才會變得重要；那是另一種工作，也需要不同的先備條件。

我應該一開始就使用 LangChain 或 CrewAI 之類的 framework 嗎？

先撰寫一個原始迴圈，再採用 framework。framework 會用設定物件取代第 2 階段的 30 行程式碼；當您了解它取代了什麼之後，這很方便，但在此之前反而容易造成混淆。agent 發生異常時，您必須直接分析訊息清單與工具結果；如果從未看過這些內容，處理起來會困難得多。先自行完成一個迴圈後，framework 才能節省時間，而不是掩蓋運作機制。

學習 AI agent 需要多少費用？

如果設定上限，費用會低於多數人的預期。一組託管 API key 和一台小型 VPS，就能涵蓋這 6 個階段的所有需求。真正的風險不是每小時的費率，而是無限制的迴圈在您睡覺時持續執行每次迭代並產生費用。從第 1 天起，就在 API 帳戶設定明確的支出上限，為您撰寫的每個迴圈加入迭代次數上限，並在例行步驟使用較便宜的模型。在本機執行模型可以免除 token 費用，但會改由硬體需求取代。

AI agent 與 chatbot 有什麼差異？

chatbot 只回答一次。agent 會重複執行一個循環：模型要求使用工具，您的程式碼執行該工具，結果傳回模型，接著由模型決定下一步。這種重複執行讓 agent 能完成包含多個步驟的工作，也因此 agent 需要 chatbot 不需要的界線。chatbot 回答錯誤時，結果是一段錯誤的文字。agent 回答錯誤時，結果是一段錯誤的文字，加上它針對該回答所執行的動作。