01章节
入门定位
AI Agent 的价值不在于它能不能像人聊天，而在于它能不能围绕一个目标持续推进动作。它接收任务、组织上下文、拆步骤、调用工具、读取结果，再决定下一步。
所以智能体和普通问答模型的核心差别，不是模型名字，而是有没有完整执行环路。没有执行环路，就只是一次性的回答接口。
AI 编程文档
这里整理 AI 编程、工具使用、自动化和开发流程里的高频实战说明，按主题持续沉淀。
左侧选择目录。
中间查看正文。
右侧使用本页导航。
正文
AI Agent（智能体）
把 AI Agent 理解成可执行的任务系统，而不是聊天壳子。重点看目标、上下文、工具、验证、回滚和人工接管点。
02章节
适合什么任务
最适合的是多步骤、可验证、需要外部工具或状态记忆的任务，例如巡检、资料汇总、代码协作、批量处理和跨系统流程。
如果问题一轮回答就能结束，或者根本不需要工具和状态，强行上 Agent 只会增加成本和调试复杂度。
03章节
核心组成
一个能稳定运行的智能体，至少要有目标输入、上下文装配、计划机制、工具执行、结果验证五层。很多演示只做到了前三层，所以看起来聪明，但一落地就容易失控。
再往上走，还要补日志、权限、失败重试、成本控制和人工接管点。这些不是附属功能，而是生产可用性的底线。
04章节
工作流模板
常见链路是：接收任务 -> 补齐上下文 -> 判断是否拆步 -> 生成计划 -> 选择工具 -> 执行动作 -> 校验结果 -> 决定继续或结束。
真正成熟的地方不在于流程图画得漂亮，而在于每一步都能被观察、复现和修正。只要某一步失败后无法定位，这个工作流就还不够成熟。
05章节
高价值场景
高价值场景通常出现在“重复 + 判断 + 外部动作”三者同时存在的时候，例如日报汇总、线上巡检、仓库检查、网页批处理和知识库整理。
这些工作人工做不算难，但耗时且容易漏。Agent 的价值就在于把稳定动作自动化，把人保留在关键判断点上。
06章节
实操建议
刚开始不要做全能智能体，先选一个短链路目标，例如“收集资料并输出结构化摘要”或“读取仓库并列出风险点”。
流程越短，越容易验证每一层是否真的在起作用。先做单任务闭环，再谈多工具、多角色和长时运行。
07章节
常见坑
误区一是把 Agent 当万能外包，什么都想交给它。误区二是只堆工具不做验证，导致动作越来越多，结果越来越不可信。
误区三是上来就做多智能体。单智能体链路都没跑稳时，多角色协作通常只会把问题藏得更深。
08章节
第一个例子怎么做
最适合的第一个例子不是全能助手，而是一个短链路任务，例如“读取网页并整理 5 条要点”或“扫描仓库并列出 3 个风险点”。
这个例子要满足三件事：目标明确、结果可检查、失败后知道哪一步出错。只要这三件事满足，你就能真正学会 Agent 的执行逻辑。
09章节
推荐学习顺序
建议顺序是：普通模型调用 -> 单步工具调用 -> 带状态的多步任务 -> 检索增强 -> 长时任务 -> 多智能体协作。
不要把学习顺序倒过来。越早引入复杂协调，越容易把问题归咎于“模型不稳定”，而不是自己的系统设计还没站稳。
10章节
和其他主题怎么组合
Agent 往往不是单独存在的，它会和 LangChain、Skills、Playwright、检索系统或代码代理一起使用。
比较稳的组合方式是：先用 Skills 固定流程，再用 LangChain 组织链路，最后只在真正需要自主决策的地方引入 Agent。