文章总结： 本文是AIAgent课程的概览章节，通过对比LLM与Agent的核心差异，指出Agent具备思考与行动能力的关键在于整合规划、记忆、工具等组件。文章概述了Agent在2024-2026年的发展历程、核心公式（Agent=LLM+规划+记忆+工具）及其ReAct执行循环，并提供了从理论到实践的七层递进式学习路线图，旨在为学习者建立Agent开发的整体认知框架。 综合评分： 85 文章分类： 安全培训
第0章 AI Agent 课程概览与前置知识
原创
网络安全民工 网络安全民工
网络安全民工
2026年6月13日 21:25 北京
在小说阅读器读本章
去阅读
0.1 Agent 是什么？—— 用类比建立直觉
要理解 Agent，先看一个最简单的对比：
❌ 普通 LLM（如 ChatGPT 基础版）：
用户：「北京明天天气怎么样？」
LLM：「抱歉，我无法获取实时数据。」 ← 只会”说”，不会”做”
为什么？因为 LLM 的「世界」只有训练数据。它就像一个被困在房间里
的人，只能靠记忆回答。它不知道「现在」发生了什么。
✅ AI Agent：
用户：「北京明天天气怎么样？」
Agent 内部执行了 4 步：
- 思考(Think)：用户想知道天气 → 我需要调用天气查询工具
- 2. 行动(Act)：调用 get_weather(“北京”) → 发送 HTTP 请求到天气 API
-
观察(Observe)：返回 {“明天”: “晴，25°C”} → 拿到真实数据
-
回答：用自然语言组织结果 → 「北京明天晴天，气温 25°C」
核心区别：
-
LLM = 「大脑」（会思考，但只能靠记忆）
-
Agent = 「大脑 + 手」（会思考 + 能获取新信息、执行操作）
-
这就引出了 Agent 开发的核心思维：我们不是在教 LLM 更多知识，
而是在给它装「手」——让它能查、能算、能操作。这才是 Agent 和
聊天机器人的本质分界线。
0.2 为什么 Agent 是 2024-2026 年最热门方向？
关键时间线：
── 2023: LLM 之年 ──
-
2023.03: AutoGPT 开源，Star 数一周破 10 万
-
2023.06: OpenAI 发布 Function Calling
-
2023.10: LangChain 发布 LangGraph（Agent 编排框架）
-
2023.12: MemGPT 论文发布（LLM as Operating System）
-
── 2024: RAG 与 Agent 元年 ──
-
2024.05: OpenAI 发布 GPT-4o，原生支持工具调用
-
2024.10: Anthropic 发布 Computer Use（Claude 操控电脑）
-
2024.11: Anthropic 发布 MCP 协议（Agent ↔ 工具的 USB-C）
-
── 2025: Agent 爆发之年 ──
-
2025.01: DeepSeek-R1 发布，推理能力大幅提升
-
2025.02: Claude Code 正式发布（工业级编码 Agent 标杆）
-
2025.04: Google 联合 50+ 企业发布 A2A 协议（Agent ↔ Agent）
-
2025.09: Anthropic 发布 Claude Agent SDK（通用 Agent 框架）
-
2025.10: Anthropic Computer Use 正式发布（production-ready）
-
2025.12: OpenAI 发布 CUA (Computer Using Agent)
-
── 2026: Agent 基础设施成熟 ──
-
2026.03: Letta 发布 Filesystem Memory 方案（LoCoMo 74.0%）
-
2026: MCP / A2A 成为行业标准，Agent 中间件生态涌现
-
就业信号（2025-2026）：
-
“AI Agent 工程师” 岗位同比增长 300%+
-
大厂（字节/腾讯/阿里/Google/Meta）均设立 Agent 专项团队
-
硅谷 VC 投资方向全面转向 Agent 赛道
-
Agent 工程师薪资范围：一线城市 25K-80K（视经验和公司）
-
0.3 Agent 核心公式
Agent = LLM + 规划(Planning) + 记忆(Memory) + 工具(Tools)
📊 架构示意
┌─────────────────────────────────────────────┐ │ AI Agent │ │ ┌─────────┐ ┌────────┐ ┌──────────────┐ │ │ │ LLM │ │ 规划器 │ │ 记忆系统 │ │ │ │ (大脑) │ │Planning│ │ Memory │ │ │ └────┬────┘ └───┬────┘ └──────┬───────┘ │ │ │ │ │ │ │ └───────────┼──────────────┘ │ │ │ │ │ ┌──────┴──────┐ │ │ │ 工具调用 │ │ │ │ Tools │ │ │ │ 搜索/API/代码│ │ │ └─────────────┘ │ └─────────────────────────────────────────────┘
Agent 执行循环（核心，面试高频！）：
- 感知(Perceive)：接收用户输入和上一次行动的结果
- 2. 思考(Think)：LLM 分析当前状态，决定下一步
-
行动(Act)：调用工具或生成最终回答
-
观察(Observe)：获取行动结果
→ 回到步骤 1，直到任务完成
这个循环被称为「ReAct 循环」(Reasoning + Acting)，
是 99% 的 Agent 框架的底层逻辑。
0.4 全套学习路线图（36章七层递进）
本课程按「理论 → 实践 → 深度 → 工程 → 架构 → 补强 → 专家」七层递进，
共 36 章（Ch0-Ch36），每章既是完整讲义也是可运行代码。
📊 架构示意
┌─────────────────────────────────────────────────────────────┐ │ 第1层：Agent 理论基础（Ch0-3） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch0 课程概览 │ 学习路线图、环境搭建、API Key 配置 │ │ │ │ Ch1 第一个Agent│ 裸写 ReAct 循环、Function Calling 原理 │ │ │ │ Ch2 核心组件 │ 规划器 + 记忆系统 + 工具设计黄金法则 │ │ │ │ Ch3 类型分类 │ ReAct / Plan-Execute / Reflexion 对比 │ │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第2层：工程实践与框架（Ch4-7） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch4 主流框架 │ LangChain Agent + LangGraph 状态机实战 │ │ │ │ Ch5 多智能体 │ Multi-Agent 协作、Writer+Reviewer 模式 │ │ │ │ Ch6 评估测试 │ 评测框架 + LLM-as-Judge + 生产 Checklist │ │ │ │ Ch7 求职面试 │ 20道高频面试题 + 项目指南 + 面试流程 │ │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第3层：深度技术剖析（Ch8-12） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch8 ClaudeCode│ nO主循环·h2A实时Steering·上下文压缩·SubAgent│ │ │ Ch9 RAG深度 │ 从Naive到生产级·Chunk·Embedding·RRF │ │ │ Ch10 MCP协议 │ JSON-RPC·原语·能力协商·stdio/SSE传输层 │ │ │ Ch11 ToolCall │ OpenAI vs Anthropic·Streaming·Strict模式 │ │ │ Ch12 基础设施 │ OpenClaw架构·Harness·Agent生产化Checklist │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第4层：工程化与前沿（Ch13-18） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch13 FastAPI │ REST API·SSE·WebSocket·生产部署架构 │ │ │ Ch14 SQLite │ 5表Schema·WAL模式·会话/任务/用户管理 │ │ │ Ch15 A2A协议 │ AgentCard·Task·Artifact·多Agent协作 │ │ │ Ch16 MemGPT │ Core Memory·Heartbeat·Sleep-Time·FS记忆 │ │ │ Ch17 CompUse │ Screenshot-Action Loop·坐标计算·安全沙箱 │ │ │ Ch18 安全防护 │ Prompt Injection攻防·权限分级·4层防御 │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第5层：高级架构与优化（Ch19-24） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch19 Workflow │ Reflection·Routing·Orchestrator等7种模式 │ │ │ Ch20 Context │ Context Rot·预算管理·XML结构化Prompt │ │ │ Ch21 Streaming│ EventBus·动态中断·背压控制 │ │ │ Ch22 DSPy │ Signature→Module→Optimizer 自动优化 │ │ │ Ch23 CodeAgent│ CodeAct·ACI·Plan-Execute·SWE-bench横评 │ │ │ Ch24 可观测 │ Tracing Span树·LangSmith vs LangFuse │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第6层：基础能力补强（Ch25-28） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch25 向量库 │ Chroma·Pinecone·Milvus·Qdrant对比·Embedding│ │ │ Ch26 模型路由 │ Threshold·Cascade·Semantic·Cost-Aware 4种 │ │ │ Ch27 Prompt │ System Prompt 6模块模板·工具描述评分卡 │ │ │ Ch28 语义缓存 │ 三级缓存(Exact→Semantic→LLM)·Token预算 │ │ └──────────────┴──────────────────────────────────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 第7层：专家级进阶（Ch29-36） │ │ ┌──────────────┬──────────────────────────────────────────┐ │ │ │ Ch29 多模态 │ 视觉+文本联合推理·多模态Tool Calling │ │ │ Ch30 可靠性 │ 熔断器·指数退避重试·幂等性·降级策略 │ │ │ Ch31 评测体系 │ GAIA·AgentBench·WebArena·tau-bench │ │ │ Ch32 自改进 │ Bad Case收集→自动改Prompt→评测验证 │ │ │ Ch33 Cache │ Anthropic Cache·推测解码·KV共享 │ │ │ Ch34 微调 │ LoRA微调·数据准备·成本收益对比 │ │ │ Ch35 数据飞轮 │ 交互采集→Bad Case识别→自动触发改进 │ │ │ Ch36 纵深安全 │ Canary Token·分层隔离·行为沙箱 │ │ └──────────────┴──────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────┘
学习建议：
-
新手入门：按 Ch0 → Ch36 顺序学习，每章 1-2 小时
-
有基础者：直接跳到 Ch8 开始深度技术
-
面试突击（重点章节）：
-
Ch7(面试20问) + Ch8(Claude Code) + Ch9(RAG) + Ch10(MCP)
-
Ch11(ToolCall) + Ch15(A2A) + Ch18(安全) + Ch19(Workflow)
-
构建产品：Ch13(FastAPI) + Ch14(SQLite) + Ch24(可观测)
-
+ Ch26(模型路由) + Ch28(语义缓存)
-
降本增效：Ch26(路由节省94%) + Ch28(缓存) + Ch33(Prompt Cache)
-
0.5 前置知识自查清单
学习本课程前，你需要具备：
✅ Python 基础
-
会写函数、类、装饰器
-
会用 pip 安装包
-
理解异步编程（async/await）的概念（Ch1-12 了解即可，Ch13 必须）
-
了解 SQL 基础（Ch14 需要）
-
✅ LLM 基础认知
-
用过 ChatGPT / Claude / 文心一言 等产品
-
知道什么是 Prompt（提示词）
-
了解 Token 是什么
-
了解 Function Calling 的概念（Ch1 会详细讲）
-
✅ 基本概念
-
知道什么是 API 调用 / HTTP 协议
-
了解 JSON 数据格式
-
理解「函数」和「函数调用」的区别
-
了解 Git 基本操作
-
⚠️ 不需要：
-
不需要深度学习理论基础（不会训练模型）
-
不需要 C++ / CUDA
-
不需要分布式系统经验
-
不需要前端开发能力
-
0.6 环境搭建
下面是一键安装脚本，运行本文件即可检查环境。
如需运行后续章节的 Agent 代码，需要安装如下依赖：
📊 架构示意
┌────────────────────┬────────────────────────────────────┐ │ 章节 │ 需要的依赖 │ ├────────────────────┼────────────────────────────────────┤ │ Ch0 环境检查 │ 标准库（无需额外安装） │ │ Ch1-3 基础理论 │ openai, python-dotenv │ │ Ch4-5 框架 │ langchain, langchain-openai, │ │ │ langgraph │ │ Ch6-7 评测+面试 │ 无需额外依赖 │ │ Ch8-12 深度技术 │ pydantic, httpx, tiktoken │ │ Ch13 FastAPI │ fastapi, uvicorn │ │ Ch14 SQLite │ 标准库（无需额外安装） │ │ Ch15-18 协议/安全 │ 无需额外依赖（标准库） │ │ Ch19-21 架构流式 │ 标准库（无需额外安装） │ │ Ch22-24 优化可观测 │ 标准库（无需额外安装） │ │ Ch25 向量数据库 │ numpy（演示用） │ │ Ch26-28 路由/缓存 │ 标准库（无需额外安装） │ │ Ch29-36 专家进阶 │ 标准库（无需额外安装） │ └────────────────────┴────────────────────────────────────┘
⚡ 核心依赖一行安装（Ch1-18 必需）：
pip install openai python-dotenv langchain langchain-openai \
langgraph pydantic httpx tiktoken fastapi uvicorn numpy
💡 大部分章节（Ch8-36）仅使用 Python 标准库
（sqlite3 / asyncio / hashlib / json / time），无需额外安装即可运行。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：网络安全民工 网络安全民工 网络安全民工《第0章 AI Agent 课程概览与前置知识》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论