AI Agent 教程：从聊天到干活，一步一步做出能验收的 Agent

我想你肯定跟 AI 聊过天，像豆包、DeepSeek、ChatGPT 这些。它们的联网搜索看着挺像 Agent——能查资料、能总结——但骨子里还是一问一答。Agent 不一样，它能自己连续做事：先查目录、再搜关键词、读了文件写报告，中间不用你推一步动一步。怎么做到的？哪里必须人工把关？如果还说不清，没关系，接下来我们一起来学习。

接下来我们一起来实现一个本地资料盘点 Agent，在过程中一步一步学习 Agent 的相关概念：它会查看指定目录、搜索待办、生成报告草稿、接受程序验收，并在正式发布前停下来等你确认。

一句话概括：

从会和 AI 聊天，到让 AI Agent 可靠地完成一项真实工作。

AI Agent 从用户目标、循环判断到程序验收和人工确认的简化流程图 — 先看懂这条主线：Agent 反复观察、决定并调用工具；程序验收通过后，再由人确认结果。

先按你的起点选路线

不确定从哪开始？对号入座就行：

你现在的情况	从哪里开始	走完能做到什么
没接触过 Agent，也没用过终端或 Git	零基础：AI Agent 和聊天有什么区别	看懂 Agent 的工作循环，知道它适合什么、不适合什么
会使用 AI 对话，能运行基本 Java 或 Python 命令	实战：十分钟跑通第一个 Agent	独立实现工具、循环、状态、审批、验证和基础评测
已经做过 Agent，希望解决工程问题	进阶：上线时会踩的坑	设计 MCP、上下文、记忆、评测、多 Agent、安全与生产架构

零基础：先建立正确直觉

读完这两篇，你就能分清聊天模型、工具和 Agent 各自干什么，不会被一句"完成了"糊弄过去。

实战：做出一个可靠的单 Agent

走完这七章，你会得到一个能跑、能验收的小 Agent。Java 是默认主线，Python 提供等价工程；页面顶部切换一次，后面的代码组和其他章节会继续使用你的选择。

进阶：把演示项目变成工程系统

实战里跑通的那台 Agent 还只是演示机。这八章把它升级成能上线的：工具调用做稳、上下文管好、补上记忆和评测，再把安全缺口堵上、把发布流程管起来。

学完主线，怎样才算真的会了

学完以后，下面这七件事你都能做到：

你能解释 Agent 每一轮观察了什么、为什么调用这个工具。
工具参数由程序校验，目录越界和未知工具会被拒绝。
连续重复同一动作时，Agent 会停止，而不是无限消耗 Token。
长任务有检查点，进程中断后能知道已经做到了哪里。
写操作先进入草稿区，高风险动作绑定真实参数和人工确认。
最终结果由确定性程序验收，不依赖模型自我宣布完成。
修改 Prompt、模型或工具后，会在同一组测试样例上比较结果。

这七条也是整套教程的主线。后面看到新框架、新协议或新模型时，可以先问它解决了其中哪一条，再决定要不要学。

示例项目与版本边界

下载 Java 版完整项目（ZIP）
下载 Python 版完整项目（ZIP）
内容与代码核验日期：2026 年 7 月 27 日。
Java 验证环境：JDK 21.0.5、Maven 3.6.3、OpenAI Java SDK 4.45.0。
Python 验证环境：Python 3.14.2、OpenAI Python SDK 2.48.0；项目声明支持 Python 3.11 及以上版本。
示例默认模型为 deepseek-v4-pro。本地验证没有使用真实 API Key 发起付费请求；请先确认你使用的 API 服务提供这个模型 ID，并兼容示例项目调用的接口。模型名称、权限和兼容性会变化，别把教程里的默认值当成永久推荐。
两套示例各自的 8 个确定性测试已经在本地跑通；真实模型的输出每次可能不一样，第一次跑还是得用你自己的 API Key 和可用模型验收一遍。

AI Agent 教程：从聊天到干活，一步一步做出能验收的 Agent ​

先按你的起点选路线 ​

零基础：先建立正确直觉 ​

实战：做出一个可靠的单 Agent ​

进阶：把演示项目变成工程系统 ​

学完主线，怎样才算真的会了 ​

示例项目与版本边界 ​

参考文献 ​