聊天机器人只回答，Agent 会行动。真正拉开差距的，不是多写一段提示词，而是工具、循环、停止条件、验证和权限控制。

聊天机器人只回答，Agent 会行动。

前者答错了，你大不了再问一轮；后者要是做错了，可能真的发出一封邮件、删掉一份文件，甚至花掉一笔钱。“能做事”不是聊天能力的自然延长，它把风险也一起带进了系统。

从浏览、推荐到订单执行，Agent 一旦接入工具，就进入真实业务流程

这篇文章拆的是 X 作者 0xmorlex 提出的 10 步路线。我先把边界说在前面：它是一套很好用的教学框架，不是 OpenAI、Anthropic、MCP 或任何标准组织发布的官方规范。10 步的次序适合拿来练手，却不等于生产系统只有这一种搭法。

我更愿意把它看成一份渐进式 playbook：前 4 步让 Agent 动起来，中间 4 步让它把活干完，后 2 步防止它把事情干坏。先别急着上多 Agent，也别先挑框架。拿一个只读工具，把最小循环跑明白，收获会更大。

/ / /

/ / /

第一层：先让它行动

---

第 1 步，先认清 Agent 的最小骨架

把各种术语剥掉，一个最小 Agent 可以写成：

模型决定下一步
→ 请求调用工具
→ 宿主应用校验并执行
→ 把结果放回上下文
→ 模型继续决定

这里有三个角色：模型负责决策，工具负责连接外部世界，循环负责把动作和结果串起来。规划器、长期记忆、多 Agent 编排都可以以后再加。它们有用，但不是第一天的必修课。

就这么小。

手工工作流、单 Agent 与动态 Agent 工作流的差别

有个边界容易被一句“工具就是函数”抹平。对客户端工具来说，模型确实只返回结构化调用请求，真正执行的是你的应用；平台提供的服务器端工具则可能由平台代为执行。无论哪一种，模型提出调用，不等于它已经获得权限，更不等于动作已经安全完成。

第 2 步，只给它一个工具

第一个工具别选发邮件、支付或删库。选 get_weather、受限的 search_docs，或者只能访问测试目录的 read_file。目标不是炫技，而是看清一次调用到底经历了什么。

工具描述至少要交代名称、用途和输入 schema。参数到达宿主后还要再校验；模型给出合法 JSON，并不能证明城市名、文件路径或用户身份符合业务规则。

模型 ID 也别硬编码成教程里的旧字符串。到 2026 年，供应商仍会调整型号、别名、权限和退役计划。更稳妥的写法是把 MODEL 放进配置，在启动时通过 Models API 或账户控制台确认：它当前可用，并支持你要的工具调用能力（尤其是第一次部署时）。

第 3 步，把循环真正闭合

单次工具调用只是一个动作。把 tool_result 回灌给模型，让它继续判断，才有 Agent loop。

模型提出工具调用、宿主执行、结果回灌后的 Agent 循环

原路线里的极简判断有个会误导人的坑：stop_reason != "tool_use" 不能一概当作“完成”。至少要显式分流：

reason = response.stop_reason

if reason == "tool_use":
    # 校验参数，执行工具，回传 tool_result
    continue
elif reason == "end_turn":
    return final_answer
elif reason == "pause_turn":
    # 按平台协议续跑，不能报成功
    continue
elif reason in {"max_tokens", "model_context_window_exceeded"}:
    raise IncompleteRun(reason)
elif reason == "refusal":
    return RefusedRun()
else:
    raise UnexpectedStopReason(reason)

end_turn 才是自然结束；max_tokens 和上下文超限是未完成，pause_turn 要续跑，refusal 要走拒绝或降级流程。API 以后还可能增加分支，所以未知值的默认策略应该是“暂停并记录”，绝不能默认成功。

第 4 步，把 system prompt 写成岗位说明

提示词别只写“你是一个优秀的研究助理”。那像给临时工一张工牌，却不做入职说明。

岗位说明至少回答四件事：你负责什么；哪些事实必须查工具；工具失败怎么办；什么时候需要向人澄清。比如：

对可查询的事实使用工具，不要猜。
工具失败时说明失败，并尝试另一条可行路径。
任务有歧义时，只问一个最关键的澄清问题。
完成时给出结果、证据和未解决项。

这类规则很重要。可它只是行为引导，不是安全边界。涉及付款、删除、公开发送时，授权必须由宿主应用、策略引擎或人工审批来执行，不能指望模型“自觉”。

/ / /

/ / /

第二层：让它把活干完

---

第 5 步，先写“完成”，再写循环

第一个 Agent 最常见的故障，未必是报错。它可能查到半截就说“已完成”，也可能因为没有出口一直转圈。

完成条件与轮次预算是两个不同出口

所以，任务开始前要写出可检查的 done：文件是否存在？JSON 是否通过 schema？测试是否全绿？订单是否真的出现在外部系统？只有“模型觉得不错”不算。

原文用 MAX_TURNS = 15 做示例，这个数字可以拿来教学，但它不是通用推荐值。真实运行至少还要限制总 token、总费用、墙钟时间、重试次数和工具并发数。没有上限的循环，就是没有上限的账单。 反过来，预算耗尽也只是“停止”，不是“成功”。

第 6 步，把工具错误当成信息

超时、权限不足、文件不存在、查询语法有误，这些都不是边角料。Agent 真正工作时，失败本来就是环境的一部分。

别让一次异常击穿整个循环。可以把错误整理成模型能理解的结果：

{
  "ok": false,
  "error_type": "TIMEOUT",
  "retryable": true,
  "message": "查询在 10 秒后超时"
}

然后让模型决定重试、换工具、缩小查询，还是向人说明做不到。拒绝也应该成为一种结果，这样 Agent 才能绕开被否决的动作重新规划。

不过，错误回灌不是把堆栈原样塞给模型。内部路径、访问令牌、数据库语句和个人信息都该过滤；对外只保留解决问题所需的类型、可重试性和简短原因。

第 7 步，像管预算一样管上下文

每一次工具结果都在占窗口。十几页搜索结果、重复日志和过期计划堆进去，模型不是“记得更多”，而是在噪声上做判断。

裁剪、摘要与保留必要上下文的对照

我对“记忆”这个词一直比较警惕，因为它经常把四种东西混成一团：

• -当前回合上下文：这一次模型调用能看到什么；
• -会话历史：用户和系统之前说过什么；
• -任务状态或检查点：已经完成哪些步骤，下一步是什么；
• -长期记忆或检索库：跨任务保留、以后可能再次取用的信息。

四层的压缩、权限和过期策略都不同。长结果可以按字段裁剪，旧对话可以滚动摘要，任务进度应保存成明确状态；原始材料则保留稳定 ID、页码、游标或可复取指针。别一刀切成前 4000 个字符——关键结论很可能恰好在第 4001 个字符。

写到这里容易把“少即是多”说成漂亮话。其实判断标准很朴素：下一步用不到的，不必每轮都带着；可能要复核的，别扔，留地址。扯远了，回到 Agent。

第 8 步，宣布成功前，换个检查者

执行者天然容易接受自己的答案。单独开一个 checker，只给它任务目标和最终产物，不喂原始推理过程，确实能降低一点“顺着自己说”的偏差。

但我不同意把 LLM judge 当成终审。先做确定性验收，再用模型评开放式质量：代码跑测试，数据过 schema，文件校验 hash，外部动作查询真实状态；文案是否完整、论证是否清楚，再交给独立模型判断。检查失败，把原因回给执行循环，而不是只改一句“请更认真”。

Maker/checker 分离很有价值，也有成本。验证器会误判，还可能被恶意内容诱导。高风险任务需要业务规则、权限策略和外部事实一起兜底，不能再请一个模型就算保险上齐。

/ / /

/ / /

第三层：让它安全地干活

---

第 9 步，给高风险动作设闸

入门时把工具分成“易撤销”和“不可逆”，很好理解：搜索、查天气通常能自动跑；删除、发送、付款要停下来问人。

上面这句得收回来一点。可一进真实业务，简单的 read/write 二分就不够用了。读取工资表可能比向沙箱写一个临时文件更危险；发到草稿箱和公开群发，也不是同一级别。

IDE 与 Git 操作记录提醒我们：部分写入可回退，风险不能只看“读”或“写”

工具调用按风险分流：低风险执行，高风险请求人工批准

更可靠的闸门要同时看动作、参数、资源范围、数据敏感性、金额、对外可见性和当前身份。比如：

• -read_file 只能读指定测试目录，碰到密钥目录直接拒绝；
• -send_email 允许生成草稿，真正发送必须人工批准；
• -delete_record 先软删除，限制单次数量，并保留恢复窗口；
• -pay 核对收款方和金额，超过阈值必须二次确认。

人工点“拒绝”后，也别让程序崩掉。把 DENIED 和原因交回模型，它可以改成保存草稿、缩小范围或请用户换方案。审批是运行状态的一部分，不是弹窗装饰。 说白了，闸门要拦住动作，还得给流程留一条回去的路。

第 10 步，留下能复盘的轨迹，再谈上线

作者把这一步叫 “Log everything”。方向对，字面执行却有风险：把提示词、完整工具参数、结果和个人信息全写进 JSONL，等于另造了一份敏感数据仓库。

起步时，一行一个事件的 agent.jsonl 足够用，但建议至少有 trace_id、run_id、时间戳、模型与工具版本、调用耗时、重试次数、审批结果、成本和脱敏后的结果摘要。原始敏感内容分开存，设置访问权限和留存期。

为什么日志要放在第 10 步，却又不能等到最后一天才做？因为你看到的报错，根因可能藏在第 3 轮：一个参数被裁掉、一次重试重复写入、一次拒绝没有回灌。没有轨迹，只剩猜。

这也是我对“先上线再观察”最保留的地方。Agent 的故障不是一句答非所问，而是一串动作造成的状态变化。可观测性不是为了做漂亮仪表盘，是为了回答：它为什么这么做？做了什么？谁批准的？还能不能撤回？

/ / /

/ / /

今天就能照着跑的最小版本

---

如果准备动手，我建议把第一版压到很小：

• -一个明确任务，只接一个受限的只读工具；
• -一个手写循环，显式处理 tool_use、end_turn、截断、暂停和拒绝；
• -一份岗位说明，写清查证、失败、澄清和完成规则；
• -一组硬预算：轮次、token、费用、时间与重试；
• -一个确定性验收器，再加可选的独立 LLM checker；
• -一道参数级风险闸门，以及可恢复的拒绝流程；
• -一份脱敏 trace，能把每次调用串起来。

框架当然可以用。OpenAI Agents SDK 已提供 Agent loop、sessions、guardrails、人工介入和 tracing；其他运行时也有各自的抽象。只是别让框架替你跳过理解。等这套裸循环跑稳，再换实现，遇到问题时你知道该往哪一层找。

说实话，10 步里最难的往往不是第 2 步“让模型会调用工具”，而是第 5、8、9、10 步：怎么证明它完成了，怎么发现它错了，谁有权放行动作，出了事如何复盘。聊天机器人加上一双手，并不会自动变成可靠同事。

这事儿急不得。从一个只读工具开始，挺好。

普通人如何抓住AI大模型的风口？

领取方式在文末

2026年入行AI大模型的黄金窗口!!!

AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启

在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。

脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。

与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。

这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️

最佳学习路线

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】