從零學會 AI agents：6 階段實作路線

分 6 個階段學習

若要從零開始學習 AI agents，請依序完成 6 個階段：概念、第一個迴圈、工具、記憶、迴圈設計，以及安全性。每個階段都要親手完成一項建置工作。跳過前面的階段，是最常見的停滯原因，因為 framework 會隱藏你正需要看見的部分。

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。後續內容只是說明迴圈包含哪些部分、工具可以存取哪些項目，以及發生錯誤時如何停止迴圈。如果你能向其他人解釋這個迴圈，就表示你已經學會核心概念。如果你只會說出各種 framework 的名稱，就還沒有學會。

以下計畫假設你透過實作學習。讀完一個階段後，完成其中的小型建置工作，刻意讓它出錯，再繼續下一個階段。只讀過而未實作的階段，就等於尚未完成。

第 1 階段前實際需要具備的條件

實際的先備條件不多，而且比大多數課程頁面所列的更少。

• 你能以撰寫 50 行程式的程度讀寫 Python 或 TypeScript。
• 你熟悉 Linux shell：安裝套件、編輯檔案及讀取日誌。
• 你有代管模型的 API key，或有能執行本機模型的機器。

這就是完整清單。你不需要機器學習理論，也不需要曾經訓練過模型。代理程式相關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，顯示卡才有作用；這是另一項技能，之後可以再從 在 VPS 上代管 Ollama 以自行執行 LLM 開始學習。

人們低估的是 shell 這一半。代理程式常因權限、路徑、環境變數，以及無聲終止的程序而失敗。如果看到關於 PATH 或檔案模式的 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錯。

階段 1：什麼是 agent，以及什麼不是 agent

先執行一次 API 呼叫，不要加入迴圈。傳送提示，列印回覆，查看回應中的 token 數量。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。將函式描述給模型，包括名稱、說明，以及用於輸入值的 JSON (JavaScript object notation) schema。模型不會執行任何操作。它會回覆結構化請求：使用這些引數呼叫 run_command。你的程式執行該函式，將輸出作為訊息傳回，再次詢問模型。模型是讀取文字並寫出文字的規劃器。真正能執行操作的是你這端的程式。開始比較設計後，交換兩端的這段程式會有一個名稱：它就是agent 執行框架，也就是包覆在沒有自身工具與權限的模型外部，由迴圈、工具和權限組成的部分。

Chatbot 在回覆一次後結束。Agent 會重複這段交換，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，也因此失敗模式不同。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。

階段 2：自行撰寫迴圈一次

不要一開始就使用 framework。先撰寫約 30 行 Python，讓你自己掌握程式的結構。

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。這是因為模型要求執行 df -h，你的程式執行了該命令，第二次處理則將表格轉換成句子。如果沒有輸出，表示迴圈在收到文字區塊前就結束了。在迴圈內加入 print(response.stop_reason)，觀察值如何變化。

接著刻意讓程式失敗。刪除 tool_use_id 行並讀取錯誤訊息。工具結果若沒有相符的 id，API 會拒絕該結果；這是初學者最常遇到的錯誤。提出需要執行兩個命令的問題，觀察迴圈執行兩次。再提出無法完成的問題，觀察它是放棄執行，還是無限迴圈。

請注意這個範例的一項風險。它使用 shell=True，直接將模型輸出傳給 shell。這只適合用於可以重建的測試機器，在其他環境中則是不正確的做法。階段 6 會處理這個問題。迴圈底層的概念，詳見 在 VPS 上建置自己的 AI agent。

階段 3：代理程式尚未具備的工具

您的 run_command 工具可以運作，但實際的代理程式需要存取外部系統的工具，例如工單系統、資料庫或儲存庫。為每項服務、每個代理程式分別撰寫專用包裝程式，無法擴展。

Model Context Protocol (MCP) 是業界採用的解決方案。MCP server 會透過標準傳輸公開一組工具，任何支援 MCP 的代理程式都能直接使用，不需要自訂整合程式。參考用的檔案系統 server 只需一個命令：

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

這需要先安裝 Node，而且目錄引數是 server 唯一會存取的路徑。這就是簡化版的安全模型：邊界由 server 決定，而不是由模型決定。將 client 指向該 server 後，您的代理程式就能讀寫檔案，而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，以及傳輸方式的選擇，請參閱在 VPS 上執行供 AI coding agents 使用的 MCP server。如果您需要另一個指向實際資料而非暫存目錄的 server，自行託管 openGym：運動追蹤器提供唯讀 server。您可以用它練習詢問自己的訓練紀錄，而不必讓代理程式取得任何可能修改的內容。

本階段的重點是，工具設計才是真正的工作。描述含糊時，模型會自行猜測。工具若回傳 40000 個字元，就會污染 context window。能刪除內容的工具，最終一定會刪除內容。

階段 4：記憶，大多只是檔案

初學者通常會在這裡使用向量資料庫。先不要這麼做，至少目前不要。

Agent 在不同呼叫之間沒有記憶。每次都必須重新傳送完整對話，因此長工作階段的每輪成本會高於短工作階段。記憶因此分成兩個問題。第一個問題是目前能放入 context window 的內容。你可以透過摘要、刪減舊的工具輸出，以及快取 prompt 的穩定前綴來管理，這樣只需支付其中一小部分的成本。第二個問題是重新啟動後仍能保留的內容，也就是儲存空間。

針對第二個問題，在幾乎所有第一個專案中，讓 agent 讀寫一個純 Markdown 檔案，通常都比使用向量資料庫更合適。提供一個檔案，說明檔案格式，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 目前的認知。等到筆記無法再放入 context window 時，再使用 embeddings 與 retrieval；不要更早使用。

階段 5：迴圈就是產品

到目前為止，你可以建立一個在你監看時正常運作的 agent。階段 5 要讓它在你不監看時也能正常運作。

有 4 個問題決定 unattended agent 是否能安全地放著執行。什麼會觸發它，才能避免它在沒有工作時執行。它在哪個界線內運作，才能讓錯誤的影響維持在最小範圍。如何驗證結果，因為讓 agent 自行批改作業時，它總會判定自己通過。什麼 budget 能限制它的 token 數量或實際執行時間。刻意設計這 4 項，就是 迴圈工程，以及此定義涵蓋的內容所說的 discipline。

練習：取出你的階段 2 agent，給它一項需要 4 或 5 個步驟的工作，並加入硬性 iteration cap。接著移除 cap，觀察無限制迴圈如何增加你的 token 帳單。先用小額 budget 執行 1 次，避免日後在大型 budget 上意外這樣做。

階段 6：安全性、密鑰與成本

此階段不是選用項目。之所以最後處理，只是因為在建立出可運作的系統前，無法實際感受到風險。

讓 agent 以專用的非特權使用者執行。絕不能使用 root 或你自己的帳戶。如此一來，受影響範圍會是單一目錄，而不是整台機器。不要讓模型接觸認證資料，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。解決方式是透過 helper 使用範圍受限且存續時間短的 token，詳見 避免讓 AI agent 接觸密密。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成本。控制上限與批次處理的方法，請參閱 在永遠在線的 VPS 上控制 AI agent 成本。

如果 agent 是在 harness 中執行，而不是在你自行撰寫的 script 中執行，那麼此階段的部分內容會屬於設定，而非程式碼。值得安裝的 DeepSeek Harness plugins 涵蓋許多相同功能，包括預算上限、工具權限規則與 injection 掃描。

成本需要一個具體數字。截至 July 2026，Claude Opus 5 的費用為每百萬個 input tokens $5，以及每百萬個 output tokens $25。反覆傳送不斷增長的對話內容時，一個健談的 agent 可能在單一工作中處理數十萬個 token。Prompt caching 與使用較小的模型處理例行步驟，對成本計算的影響遠大於任何 prompt 微調。

Prompt injection 也屬於此階段。如果 agent 會讀取網頁、issue tracker 或 inbox，那麼撰寫這些文字的人，也同時是在向 agent 撰寫指令。Web search 通常是最先開啟這個入口的工具，而 將 agent 指向你自己的 SearXNG instance 會同時展示設定方式與由此產生的 injection 攻擊面。防禦方式不是撰寫更聰明的 system prompt，而是建立邊界。因為無法刪除 repository 的 agent，不會因為受到誘導就刪除 repository。

應該遵循哪一份學習路線？

選定一份課程並完成，不要同時瀏覽六份課程。Microsoft ai-agents-for-beginners repository 是最完整的免費資源，包含 18 堂課程；截至 July 2026，已獲得超過 70,000 顆 stars，也能清楚對應到上述各階段。熱門 agent repository 的整理文章有助於了解現有哪些專案，但不適合作為課程大綱，因為依 stars 排序代表的是人氣，而不是教學順序。

需要實際專案練習時，coding agent 是最適合的第一個目標：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 會完整說明其中一種做法。如果你想研究已能運作的系統，而不是從零開始建置，最佳的 self-hosted AI agents 中的比較會展示數個專案如何以不同方式實作相同的迴圈。

需要多久？

如果你已經會寫程式，第 1 和第 2 階段各需一個晚上。第 3 階段需一個週末，其中大部分時間會花在工具說明，而不是通訊協定。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遺忘，才能知道它會遺忘哪些內容。第 6 階段不會真正結束，因為每次授予新的功能，都會重新引發這個問題。

持續利用晚間時間實作 2 個月，多數人就能完成一個可運作、範圍受限且實用的代理程式。花 1 年的人，通常是因為持續閱讀，而不是持續建置。

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 是否能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。

我應該從 LangChain 或 CrewAI 之類的 framework 開始嗎？

先撰寫一個原始迴圈，再採用 framework。framework 會以設定物件取代 stage 2 的 30 行程式碼；等您了解它取代了什麼之後，這樣做很方便，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和工具結果；如果從未看過這些內容，處理起來會困難得多。自行完成一個迴圈後，framework 會節省時間，而不是隱藏運作機制。

學習 AI agent 的成本是多少？

如果設定上限，成本比多數人預期的低。這 6 個階段只需要一組託管 API key 和一台小型 VPS。真正的風險不是每小時費率，而是無限制的迴圈在您睡覺時持續執行，為每次迭代計費。第一天就為 API 帳戶設定嚴格的支出上限，為撰寫的每個迴圈加入迭代上限，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，但會改為需要符合條件的硬體。

AI agent 和 chatbot 有什麼差異？

chatbot 只回答一次。agent 會重複執行一個週期：模型要求使用工具，您的程式碼執行工具，結果傳回模型，接著由模型決定下一步。這種重複運作讓 agent 能以多個步驟完成工作，也因此 agent 需要 chatbot 不需要的邊界。chatbot 的錯誤回答是一段不正確的文字。agent 的錯誤回答則是一段不正確的文字，以及它針對該回答所執行的任何操作。