Agent 构建器

为任意领域构建 AI agent——客户服务、研究、运营、创意工作或专业业务流程。

核心理念

模型已经知道如何成为 agent。你的工作是不要妨碍它。

Agent 不是复杂的工程。它是一个简单的循环，邀请模型采取行动：

循环：
  模型看到：上下文 + 可用能力
  模型决定：行动或响应
  如果行动：执行能力，添加结果，继续
  如果响应：返回给用户

就这样。 魔法不在代码里——在模型里。你的代码只是提供机会。

三大要素

1. 能力（它能做什么？）

Agent 可以执行的原子动作：搜索、读取、创建、发送、查询、修改。

设计原则：从 3-5 个能力开始。只有当 agent 因为缺少某个能力而持续失败时，才添加更多。

2. 知识（它知道什么？）

按需注入的领域专业知识：政策、工作流、最佳实践、模式。

设计原则：让知识可用，而不是强制。在相关时加载，而不是预先加载。

3. 上下文（发生了什么？）

对话历史——将各个动作连接成连贯行为的线索。

设计原则：上下文是宝贵的。隔离嘈杂的子任务。截断冗长的输出。保护清晰度。

Agent 设计思维

在构建之前，理解：

• 目的：这个 agent 应该完成什么？
• 领域：它在什么世界中运作？（客户服务、研究、运营、创意...）
• 能力：哪 3-5 个动作是必需的？
• 知识：它需要访问什么专业知识？
• 信任：你可以把什么决策委托给模型？

关键：信任模型。不要过度工程。不要预先指定工作流。给它能力，让它推理。

渐进式复杂度

从简单开始。只有当实际使用揭示需求时才添加复杂度：

大多数 agent 永远不需要超过第 2 级。

领域示例

业务：CRM 查询、邮件、日历、审批 研究：数据库搜索、文档分析、引用 运营：监控、工单、通知、升级 创意：资产生成、编辑、协作、审查

模式是通用的。只有能力会变化。

关键原则

1. 模型就是 agent——代码只是运行循环
2. 能力赋能——它能做什么
3. 知识指导——它知道如何做什么
4. 约束聚焦——限制创造清晰
5. 信任解放——让模型推理
6. 迭代揭示——从最小开始，从使用中演进

反模式

资源

理念与理论：

• references/agent-philosophy.md - 深入探讨为什么 agent 有效

实现：

• references/minimal-agent.py - 完整的工作 agent（约 80 行）
• references/tool-templates.py - 能力定义
• references/subagent-pattern.py - 上下文隔离

脚手架：

• scripts/init_agent.py - 生成新的 agent 项目

Agent 心态

从："我如何让系统做 X？" 到："我如何让模型能够做 X？"

从："这个任务的工作流是什么？" 到："什么能力有助于完成这个？"

最好的 agent 代码几乎是无聊的。简单的循环。清晰的能力。干净的上下文。魔法不在代码里。

给模型能力和知识。信任它来解决剩下的问题。