AI Agent
开发工程
从 0 构建会规划、能调用工具、可评估的智能体。不只会用平台拖拽，更要看懂底层原理，写出可以长期运行的程序。
Agent 和聊天机器人，差在哪？
聊天机器人只会“回答”。Agent 会“做事”：它在一个循环里不断思考、行动、观察，直到目标完成。
LLM大模型推理
理解任务PERCEIVE
规划步骤THINK
调用工具ACT
观察结果OBSERVE
- 理解任务
读取用户的目标，以及之前的对话和记忆。
- 规划步骤
模型推理：可以直接回答，还是需要先调用某个工具？
- 调用工具
你的程序执行模型选中的函数，比如查询订单、搜索资料。
- 观察结果
把工具返回的数据交还给模型，进入下一轮，直到任务完成。
一个 Agent 由什么组成
把鼠标移到蜂巢上（或点击），了解每个部件的作用。课程会逐一带你亲手实现。
Real Code
不到 40 行代码，看懂 Agent 的核心
这是第四周的课堂代码，一个可以真实运行的订单客服 Agent。点击右侧注解，代码会高亮对应的部分。
order_agent.py
import json, os
from openai import OpenAI
client = OpenAI(api_key=os.environ["DEEPSEEK_API_KEY"],
base_url="https://api.deepseek.com")
def get_order(order_id):
# 演示数据，真实项目中会查询数据库
return {"order_id": order_id, "status": "已发货", "eta": "明天下午"}
tools = [{
"type": "function",
"function": {
"name": "get_order",
"description": "根据订单号查询订单状态和预计送达时间",
"parameters": {
"type": "object",
"properties": {"order_id": {"type": "string"}},
"required": ["order_id"],
},
},
}]
messages = [{"role": "user", "content": "我的订单 A1024 什么时候到？"}]
while True:
resp = client.chat.completions.create(
model="deepseek-chat", messages=messages, tools=tools)
msg = resp.choices[0].message
if not msg.tool_calls:
print(msg.content)
break
messages.append(msg)
for call in msg.tool_calls:
args = json.loads(call.function.arguments)
result = get_order(**args)
messages.append({"role": "tool", "tool_call_id": call.id,
"content": json.dumps(result, ensure_ascii=False)})
输出您的订单 A1024 已发货，预计明天下午送达。
pip install openai$env:DEEPSEEK_API_KEY="你的密钥" # Windows PowerShellexport DEEPSEEK_API_KEY="你的密钥" # macOS10 周课程大纲
从调通第一个接口，到部署一个能长期运行的 Agent。
知识点
- Token、上下文窗口与温度参数
- Chat Completions 接口：system、user、assistant 三种角色
- API Key 的安全管理与费用控制
课堂实操
用 Python 调用 DeepSeek API，做一个能记住上下文的命令行聊天程序。
课后作业
给机器人加一个可切换的“人设”系统提示词。
知识点
- 系统提示词的设计方法
- 少样本示例：用例子教会模型格式
- JSON 输出与结果校验
课堂实操
从合同文本中抽取甲乙方、金额、日期，输出为标准 JSON。
课后作业
批量处理 20 份文本，统计抽取准确率。
知识点
- Function Calling 的完整流程
- 工具描述怎么写，模型才会用对
- Agent 核心循环：思考、行动、观察
课堂实操
做一个能查订单、查物流、改地址的客服 Agent（本页代码即为第一版）。
课后作业
新增“退款申请”工具，并处理用户没给订单号的情况。
知识点
- 文档切分策略与切块大小
- Embedding 向量与相似度检索
- 回答附带引用来源，减少幻觉
课堂实操
把一份员工手册做成可以问答的知识库。
课后作业
对比三种切分方式，记录回答质量的差异。
知识点
- 任务分解与计划执行
- 短期记忆与长期记忆的实现
- MCP 协议与多 Agent 分工协作
课堂实操
输入一个主题，Agent 自动搜集资料、整理要点、写出调研报告。
课后作业
在关键步骤加入人工确认环节。
知识点
- 构建测试集，量化评估 Agent 效果
- 输入输出护栏与权限控制
- 部署为 Web 服务，监控调用成本
课堂实操
选定一个行业场景，完成可现场演示的 Agent。
结课答辩
演示作品，并说明评估方法和结果。