附录 · 实战路线
读懂原理之后，最好的巩固方式是亲手写一个。这个附录给你三样东西：一段能跑的最小智能体代码、一张框架选型地图、一份外部资源索引。
一、不到 100 行写一个智能体（不用任何框架）
下篇反复强调：智能体 = 模型 + 工具 + 循环，框架只是把这三样包了层糖。下面这段代码把糖全撕掉，让你看清骨头。它实现的正是 A0 的行动循环和 A1 的工具调用。
需要 Python 3.10+ 和任意一家兼容 OpenAI 接口的模型服务（把 base_url 和 api_key 换成你的即可——各家云服务、本地 Ollama/vLLM 都行）。这段代码用于教学，省略了生产必需的错误处理、超时、安全防护。
"""一个不依赖任何 Agent 框架的最小智能体：模型 + 工具 + 循环。"""
import json
from openai import OpenAI
client = OpenAI(base_url="https://your-endpoint/v1", api_key="YOUR_KEY")
MODEL = "your-model-name"
# ---- 1. 定义工具：一个普通 Python 函数 + 一份给模型看的「说明书」(A1) ----
def calculator(expression: str) -> str:
try:
return str(eval(expression, {"__builtins__": {}}, {})) # 教学用；生产别 eval
except Exception as e:
return f"计算出错：{e}"
def get_weather(city: str) -> str:
fake = {"北京": "晴 22°C", "上海": "多云 25°C"} # 示意：真实场景这里调天气 API
return fake.get(city, f"暂无 {city} 的天气数据")
TOOLS = {"calculator": calculator, "get_weather": get_weather}
# 工具描述（Tool Schema）——写清楚，模型才会用对（A1.1「描述即接口」）
TOOL_SCHEMAS = [
{"type": "function", "function": {
"name": "calculator", "description": "计算一个数学表达式，支持四则运算和括号",
"parameters": {"type": "object",
"properties": {"expression": {"type": "string", "description": "如 (3+5)*2"}},
"required": ["expression"]}}},
{"type": "function", "function": {
"name": "get_weather", "description": "查询某个城市当前天气",
"parameters": {"type": "object",
"properties": {"city": {"type": "string", "description": "城市名，如 北京"}},
"required": ["city"]}}},
]
# ---- 2. 行动循环：思考 → 行动 → 观察，转到没有工具调用为止 (A0) ----
def run_agent(user_request: str, max_steps: int = 10) -> str:
messages = [
{"role": "system", "content": "你是一个有用的助手，可以调用工具来完成任务。"},
{"role": "user", "content": user_request},
]
for step in range(max_steps): # max_steps = 防死循环的围栏 (A0.2)
resp = client.chat.completions.create(
model=MODEL, messages=messages, tools=TOOL_SCHEMAS,
)
msg = resp.choices[0].message
messages.append(msg) # 把模型这一轮的输出拼回上下文
if not msg.tool_calls: # 模型不再调工具 → 循环结束
return msg.content
for call in msg.tool_calls: # 「行动」：执行模型请求的每个工具
fn = TOOLS[call.function.name]
args = json.loads(call.function.arguments)
result = fn(**args)
print(f" 🔧 {call.function.name}({args}) → {result}")
messages.append({ # 「观察」：结果拼回上下文
"role": "tool", "tool_call_id": call.id, "content": str(result),
})
return "（达到最大步数，未完成）" # 围栏兜底
if __name__ == "__main__":
print(run_agent("北京今天适合穿 短袖吗？顺便算一下 (128 + 72) * 3 是多少。"))
它凭什么算一个智能体？ 因为它有那颗心跳：模型可能先调 get_weather 看北京天气、再调 calculator 算式子、最后综合成一句回答——每一步都是「预测下一个词」，工具结果拼回上下文驱动下一步。你在 A0 行动循环播放器里看到的一切，就发生在 run_agent 那个约 20 行的 while 循环里。
接下来自己动手加东西，正好对应下篇各章：
- 加一个
notes.md读写工具 → 你就有了 A3 的长期记忆； - 每步之后加一次「检查约束是否满足」的自我提问 → A2 的反思；
- 把某个工具换成「派一个子智能体去做」→ A5 的多智能体；
- 给危险工具（删文件、发消息）加一行
input("确认？")→ A8 的人在环中。
二、框架地图（一页看懂选型）
自己手写够学习，但生产项目通常会用框架处理重试、并发、可 观测性、状态持久化等杂活。2026 年的主流选择：
| 框架 | 一句话定位 | 适合 |
|---|---|---|
| LangGraph | 把智能体建成显式的状态图，控制流清晰可控 | 需要复杂、可控编排的生产系统 |
| smolagents（Hugging Face） | 极简，主打「让模型写代码来调工具」 | 快速上手、教学、轻量任务 |
| Claude Agent SDK | Anthropic 官方，围绕工具使用与 MCP 打磨 | 深度用 Claude、重工具生态 |
| OpenAI Agents SDK | OpenAI 官方，轻量的多智能体与 handoff 原语 | OpenAI 生态、多智能体 |
| AutoGen（微软） | 主打多智能体对话与协作 | 研究、多智能体实验 |
| 可观测性 / tracing （LangSmith、Langfuse、OpenTelemetry-LLM 等） | 记录并回放每一步的调用轨迹（输入输出、token、耗时、父子关系） | 任何要上生产的智能体——排错和评测的命根子（A7） |
框架换得比原理快。先用上面这段代码把原理跑通，再带着「我到底需要框架替我做哪些杂活」的清醒去选——而不是反过来，被某个框架的抽象牵着理解智能体。所有框架的内核，都是你已经读懂的那个循环。（本表整理于 2026 年，各框架仍在快速演化，以官方文档为准。）
三、MCP 上手
A5.3 讲过 MCP 是「AI 应用的 USB-C」。想让你的智能体接上第一个 MCP 服务器，最快的路径：
- 找一个现成的 MCP 服务器（文件系统、GitHub、数据库等官方与社区实现很多）；
- 在支持 MCP 的客户端（主流 AI 编辑器、Claude 桌面端等）里配置它；
- 你的智能体立刻多出一批工具，无需自己写胶水代码。
想自己写一个 MCP 服务器暴露你的工具，用官方 SDK（Python/TypeScript）十几行就能起一个最小服务——A5.3 的深入层有代码骨架。
四、想继续深入？外部课程索引
本教程是「人人能懂」的入门透视镜。想往学术和前沿再走，这些是很好的下一站：
- 伯克利 LLM Agents 系列（Dawn Song 等）——从 LLM Agents 到 Advanced 到 Agentic AI 三季，业界大咖客座，深度一流（你想深入的那门课就在这）；
- Anthropic：Building Effective Agents——下篇 A0/A4 的框架出处，工程手册；
- 吴恩达 DeepLearning.AI《Agentic AI》——方法论清晰，尤其评测驱动开发那部分；
- Hugging Face Agents Course——动手写代码，带证书；
- 微软 AI Agents for Beginners——覆盖面全的免费课，含 MCP、计算机使用等。
读到这里，你已经既懂原理、又能动手了。回到 A8.3 结语看看你的下一步——或者，现在就打开编辑器，把上面那段代码敲出来。🤖