我的 AI Agent 学习之路：从概念到实践
我的 AI Agent 学习之路：从概念到实践
"我下定决心学好用好 AI Agent，这是我近 10 年最大的一个机会，从来没有如此明确。"
作者： max 爸爸
日期： 2026-04-18
标签： AI Agent / 学习笔记 / 实践分享
背景
11 年华为自动化测试平台开发，持续深耕技术。
在众多方向中，我选择了 AI Agent 作为差异化竞争优势。原因很简单：这是我真正感兴趣、愿意深入、且能结合多年经验的方向。
AI Agent 核心概念
通过学习李宏毅老师的课程和实战，我总结了 6 大核心概念：
1. 🔄 Agent Loop（主循环逻辑）
Agent 和普通 API 的核心区别在于循环调用：
用户输入 → 理解意图 → 规划行动 → 调用工具 → 接收反馈 → 输出结果
↑__________________________________________________↓
（循环直到任务完成）类比： 普通 API 相当于给你食材，Agent Loop 相当于帮你做完整顿饭（洗菜→切菜→炒菜→装盘）。
2. 🪝 Hook（钩子机制）
在关键节点插入拦截逻辑，实现可控可追踪：
| 类型 | 作用 | 类比 |
|---|---|---|
| before_tool | 工具执行前拦截 | 海关检查 |
| after_tool | 工具执行后拦截 | 快递签收 |
| before_model | 模型调用前拦截 | 考试前检查 |
| after_model | 模型调用后拦截 | 批卷检查 |
3. 🧠 Memory（三层记忆架构）
解决上下文窗口有限（token 限制）的问题：
| 层级 | 内容 | 生命周期 |
|---|---|---|
| 瞬时记忆 | 当前上下文 | 随 token 淘汰 |
| 短期记忆 | 本次会话历史 | 关闭会话后消失 |
| 长期记忆 | 持久化存储 | 跨会话保留 |
4. 📋 Planning（任务规划）
复杂任务需要分步规划，推荐 ReAct 模式：
Thought: 需要先查询当前配置
Action: query_env_config
Observation: 查到了 2 个 BBU，3 个 RRU
Thought: 下一步设计配置方案...5. 🔌 MCP（Model Context Protocol）
类比：电源适配器 — 不管什么设备，都用标准电源接口。
MCP 是 Agent 的适配器协议，实现：
- 标准化：统一接口
- 解耦：换 Agent 不改工具
- 可扩展：新工具即插即用
6. 🐎 Harness（工程化编排）
类比：马具 — 野马很强大，但无法直接使用。戴上马具后才能拉车、耕地。
- LLM = 野马（强大但不可控）
- Harness = 马具（让 LLM 可用）
- LLM 是大脑，Harness 是神经系统
主流框架对比
| 框架 | 厂商 | 特点 | 适用场景 |
|---|---|---|---|
| Google ADK | 多智能体协作，企业级 | 复杂多 Agent 系统 | |
| LangChain | 开源社区 | 生态丰富，文档多 | 快速原型开发 |
| AgentScope | 阿里/上海AI Lab | 中国本地化，Pythonic | 国内企业 |
我的选择：AgentScope。原因：
- 中国团队开发，中文文档完善
- MCP 原生支持，与企业系统无缝集成
- Pythonic API，团队学习成本低
- 工业级稳定性，支持大规模部署
实战：44页培训 PPT 诞生记
今天用 AI 辅助完成了团队 AI Agent 培训材料的制作：
工具： Python + python-pptx
AI 辅助： 小沐（OpenClaw 个人助手）
产出： 44 页专业培训 PPT，内容包括：
- 6 大核心概念
- 主流框架对比（ADK / LangChain / AgentScope）
- AgentScope 深度解析
- Skill 技能系统
- AI 辅助开发实战案例
效率提升： 传统方式需要一整天，AI 辅助下几个迭代就完成。
关键心得
1. 明确需求再动手
先理解用户真正想要什么，而不是直接开始做。
2. 小步迭代
大任务拆分成小步骤，逐步验证和优化。
3. 工具善其事
了解工具的能力边界，选择合适的方案。
4. 人机协作
AI 负责生成代码，人类负责审核和优化。
5. 持续改进
收到反馈后快速调整，迭代优化交付物。
下一步
总结
AI Agent 是大方向，但概念落地需要实践。
核心心法： LLM 是大脑，Harness 是神经系统，框架是骨架。选择合适的框架，掌握核心概念，通过实战积累经验。
相关阅读：
有问题或想法？欢迎留言交流！