作者:互联网 时间: 2026-08-29 10:02:57

◆ 博主名称: QuZhengRong
AI俘虏,样式苦手
⭐️ LuckReport专栏: LuckReport
⭐️ SpringBoot专栏: SpringBoot
⭐️ SpringCloud专栏: SpringCloud

Agent 是当前 AI 领域非常火热的概念,越来越多的开发者开始学习 Agent 开发。趁着手头项目告一段落,我也加入了学习 Agent 的大军,打算在博客上记录下这段学习的心路历程。
这篇博客就是我的学习地图。

在学习 Agent 之前,我们先梳理一下 Agent 的概念
名词解释Lite版:Agent 是一种基于大模型、能够根据用户指令执行复杂任务的程序。
它与传统 Chatbot 的核心区别在于执行能力。Chatbot 负责对话,根据输入生成文本回复,一问一答;而 Agent 则接收一个目标,通过大模型规划步骤、调用外部工具(API、数据库等)、处理中间结果,最终交付完成的任务。
它的核心构成可以概括为:大模型(LLM) 工具(Tools) 记忆(Memory) 规划(Plan)。

我把学习过程分成了几个阶段。主流的开发语言是 Python,框架我打算用 LangChain ,生态比较健全

这是所有 AI 应用的起点。必须掌握大模型 API 的调用方式,才能在此基础上构建更复杂的应用。
* LLM API 调用(流式输出、多模态输入)* 提示词工程* 对话历史管理
这是给 Agent 赋能的关键,让大模型不仅能生成文本,还能生成可解析的结构化数据,从而触发程序逻辑,为后续调用外部系统、执行任务提供可能。
* Function Calling 原理* 工具(Tool)的定义与注册* JSON Schema 约束输出* 实现最小化的工具调用循环
RAG 解决大模型知识截止的问题,让 Agent 能基于私有数据或实时信息回答。
* RAG 核心流程:检索 -> 增强 -> 生成* 向量数据库与 Embedding 模型* 文档解析与索引构建
掌握主流的 Agent 工作模式,才能根据不同场景选择最合适的架构。
* ReAct 模式:Thought -> Action -> Observation 循环* Plan-and-Execute 模式:先规划后执行* Reflection 模式:自我反思与修正
让 Agent 能够处理长任务和多轮对话,保持上下文连贯。
* 短期记忆与长期记忆* 上下文管理策略(滑动窗口、摘要压缩)* 基于向量数据库的记忆存储与召回
Demo 能跑不代表能上线。生产环境中 Agent 容易出现各种故障,必须有工程化手段保证其稳定可靠。
* Agent 常见故障:死循环、幻觉、误调用* 可观测性与评估(Eval)推荐几个开源项目,适合学习开发 Agent 时做参考。
LangGraph 101:https://github.com/langchain-ai/langgraph-101 LangGraph 官方入门示例项目,包含多个循序渐进的教程,适合学习复杂 Agent 工作流的构建。 Langchain-Chatchat:https://github.com/chatchat-space/Langchain-Chatchat 基于 LangChain 的开源对话问答项目,演示了 RAG、多模型接入等实战应用,代码结构清晰,非常适合学习参考。 Claude Code:https://gitcode.com/GitHub_Trending/cl/claude-code Claude 源码,无需多言。
导航:LuckReport专栏
Luck-Report 是一款基于开源项目 UReport2 重构的 Java 高性能报表引擎,通过迭代单元格可以实现任意复杂的中国式报表。相较于 UReport2,在技术架构上进行了全新升级,后端基于 SpringBoot 框架开发、前端采用 Vue 框架构建,技术选型贴合当下主流项目开发标准,可精准适配各类实际开发需求。
Luck-Report 提供了全新的基于网页的报表设计器,可以在 Chrome、Firefox、Edge 等各种主流浏览器运行(IE 浏览器除外)。使用 Luck-Report,打开浏览器即可完成各种复杂报表的设计制作。
Luck-Report 基于 Apache-2.0 开源协议 开源