本文迁移自 mindcarver/91ai · 原始位置 docs/agent/getting-started/01-agent-map.md · 由 @阿新聊ai 整理。
Agent 地图
Agent 不是“让模型一直思考”。把它拆成工程部件后，学习顺序会清楚很多：
| 层 |
要回答的问题 |
最小产出 |
| 场景 |
谁要完成什么任务？什么算完成？ |
任务契约和边界 |
| 模型 |
模型负责判断什么？输出什么结构？ |
一次稳定的结构化调用 |
| 工具 |
Agent 能读什么、写什么、调用什么？ |
工具 schema、权限和失败策略 |
| 状态 |
哪些信息只属于当前任务？哪些需要长期保存？ |
working state、短期上下文、长期记忆的区分 |
| 循环 |
什么时候继续、重试、暂停或交给人？ |
最大步数、停止条件和人工接管 |
| 证据 |
如何知道它完成了，而不是“看起来完成了”？ |
trace、评测用例和失败分类 |
| 运行 |
上线后怎么回放、降级、控成本和审计？ |
观测、回放、版本和权限策略 |
一条最小链路
flowchart TD
S["用户任务"] --> M["模型判断"]
M --> Q{"需要工具？"}
Q -- "否" --> O["结构化输出"]
Q -- "是" --> T["校验权限与参数"]
T --> X["执行工具"]
X --> R["记录 observation"]
R --> C{"达到停止条件？"}
C -- "否" --> M
C -- "是" --> O
O --> E["trace + eval"]
什么时候停在 Workflow
满足以下条件时，先用 workflow：
- 步骤固定，分支可以提前列出来。
- 高风险操作需要明确的人工确认点。
- 每一步的输入和输出都能用 schema 表达。
- “自主决定下一步”不会带来额外价值。
只有当路径开放、工具选择依赖上下文、或任务需要动态分解时，才进入 ReAct 推理—行动循环。如果需要先生成计划再执行，可以看 Plan-and-Solve。
你需要先学什么
- Agent 总览：从概念到生产：建立全局模型。
- 外部世界、工具与知识检索：理解 Agent 如何接触外部世界。
- 工程可靠性、安全、资源与评测：把 Demo 变成可控系统。
- AI / 大模型 / Agent 评测专题：建立完成标准和回归机制。
- 第一个项目契约：把知识变成可审查的项目产物。
不要一开始做的事
- 不要先搭多 Agent，再寻找任务。
- 不要把最大步数、权限和失败处理藏在 prompt 里。
- 不要只保存最终答案，不保存工具轨迹。
- 不要用一次成功的 Demo 代替固定评测。
- 不要在还没证明单 Agent 不够时增加协作角色。
完整的 0—10 阶段学习顺序仍在 Agent 学习路径，这张地图只是帮助你决定“下一步补哪一层”。