分类
这两年，大语言模型发展得很快。
从最初用 DeepSeek，ChatGPT查资料，到后来使用 Cursor，Codex 等写代码，再到后来把大模型接进自己的应用里，从整接入到应用地过程中，发现一件事：让模型生成一段回答不难(先不提模型幻觉的问题)，真正让它深度参与业务中、把一件事情做完，就需要把大模型当成一个“同事”来考虑。
比如，一个销售助手不仅要回答问题，还得查询业务数据、分析客户情况，再根据结果给出建议。
光靠一次模型调用显然不够。系统需要知道什么时候该查数据、该调用哪个工具，拿到结果后还要判断下一步怎么走。
这也是我开始要深入研究 Agent 的原因。
经历了接近2年的发展，...
在学习 Agent 时，经常会遇到一些反复出现的术语，比如 LLM、RAG、Tool Calling、Workflow、MCP 。
术语多了就容易混乱，有个表多看几遍，就不容易忘记了。这份表按主题整理常见概念，重点解释“它是什么、解决什么问题”。
对术语有了清晰地认识，方便学习后续的文章，也方便后续阅读，可以随时回来查阅。
| 术语 | 英文全称 | 简要解释 |
|---|---|---|
| LLM | Large Language Model | 大语言模型，负责理解输入、生成内容，也可根据任务判断下一步操作。 |
| Prompt | — | 提示词，提供任务指令、背景信息、输出要求和行为约束。 |
| Token | — | ... |
与大模型聊天，它能告诉你 FastAPI 接口慢该查什么。它列得可能还挺专业：数据库慢查询、外部请求超时、CPU 和内存、日志、并发。然后呢？
你还得 SSH 上服务器，翻日志，跑 SQL，看接口耗时和 APM。
它没有这些工具，也没有相应授权，就只能停在“建议”这一步。
回答问题和完成任务，中间隔着工具、权限和执行。Agent 值得研究，原因就在这里。
再换个场景。让大模型总结公司最近一周销售情况，它会告诉你统计销售额、订单数、客户转化率。
它会让你提供数据，因为它访问不了业务数据库，所以到最后还是得你把数据导出来，再喂给它分析。
这类任务一旦涉及多个步骤、外部数...
上一篇文章说，Agent 是让模型在“判断下一步”和“执行一步”之间循环。
这篇把这个循环岔开看看，还是用天气提醒这个场景。
用户说：“查一下天津今天的天气，如果下雨，提醒我带伞。”
普通大预言模型接收到这个信息它会怎么处理？
它可能回你一段：“我会搜索天气网今日天津天气，你也可以打开天气应用查询天津今天天气，如果显示有雨，记得带伞。”
提醒也没建。模型生成了一段回答，任务并没有往前推进。
Agent 要做的不是生成这段回答，而是把这个任务拆成几轮，一轮一轮往前推。
用户内容输入进来之后，系统不是直接把整段话扔给模型让它“完成这个任务”。
更准确地说...
