15个Agent实战项目清单：从Prompt工程到企业级部署全攻略

做了一段时间 Agent 开发，又花了大量时间把市面上主流的 Agent 开源项目和课程翻了一遍，一个最直接的感受是：Agent 开发的学习资料不缺，缺的是能让人按顺序练完、练完就能写进简历、贴近真实业务需求的项目清单。

很多人一上来就追着 AutoGPT、MetaGPT 这些大火项目跑 demo，跑完只知道“能自动写代码”，但对 Agent 的核心机制——记忆、工具调用、规划、多 Agent 协作——没有任何掌控力。面试时被问一句“你的 Agent 怎么管理上下文窗口”，直接卡壳。

这篇文章整理了一份15 个 Agent 实战项目清单，从最容易上手的 Prompt 封装开始，一直做到可以部署到生产环境的企业级 Agent 应用。每个项目都标注了涉及的知识点、技术栈、推荐实现思路，以及做完之后能写在简历里的语言表达。整个清单覆盖了 Agent 开发的主流链路：基础 Prompt 工程、Function Calling、RAG、工作流、多 Agent 协作、记忆机制、框架封装。

如果你正打算系统学习 Agent 开发，或者已经学了一些基础但不知道下一步做什么，按这个清单逐个做完，你对 Agent 的理解会有一个质的提升。

1. Agent 开发前先搞清楚这 3 个概念

很多人在学习 Agent 开发时，第一个卡住的地方不是代码，而是概念。

拿到一个需求，先得判断：这到底应该用传统程序解决，还是用 LLM 加提示词解决，还是真正需要一套 Agent 架构？

1.1 Agent、LLM 和传统程序的区别

先给三者的边界做个简单区分：

• LLM（大语言模型）：它是一个“大脑”，擅长文本理解、生成、推理，但它本身不会主动调用工具，也不知道你的业务系统中有什么接口。
• 传统程序：它是一个“手脚”，擅长执行确定性的逻辑，比如读取数据库、调用第三方 API、定时任务、规则引擎。但它不能理解自然语言，也不能在未知场景下做推理。
• Agent（智能体）：可以简单理解为LLM + 工具 + 记忆 + 规划循环。Agent 使用 LLM 作为决策核心，根据用户目标自己决定调用哪些工具、按什么顺序调用、如何处理中间结果，直到完成目标。

用一句话概括：

传统程序是“我给你什么，你就执行什么”；Agent 是“我给你一个目标，你来决定怎么执行”。

1.2 Agent 的四个核心组成模块

无论你用哪种框架，Agent 的核心组件基本都是这四块：

需要注意，这四个模块并不是每次都需要全部用上。很多入门级 Agent 项目只需要“LLM + 少量工具”就够了，硬塞一个规划器反而会增加复杂度和不稳定性。

1.3 为什么要用专门的项目来练手

观察过很多人的学习路径，最容易踩的坑是：只跟着教程跑框架 demo，不自己设计需求。

框架 demo 往往已经把每一步都封装好了，你按下回车看到输出，表面上“学会”了，实际上对内部机制还是黑的。比如 LangChain 的AgentExecutor，很多人用它跑通了 ReAct agent，但里面发生了什么？模型为什么选择这个工具？中间推理步骤为什么是那样？如果没人拆解，下次遇到国产大模型或者企业私有化部署场景，换了框架就不会做了。

所以实战项目的原则是：每一个项目都必须独立完成，不能只跑官方示例。你必须自己设计 Prompt、自己注册工具、自己处理报错，才能把技能变成自己的。

2. Agent 开发环境与学习路线规划

开始做项目之前，先把学习环境和整体路线规划好。这样后面十几个项目可以复用同一套环境，不用每次重来。

2.1 推荐的技术栈组合

做 Agent 开发，技术栈不需要像传统后端那样复杂，但有几样是必备的：

• 编程语言：首选 Python。Agent 生态里大部分框架、示例、教程都是 Python 写的。
• 大模型访问方式：需要一个可用的 LLM API 或本地模型服务。国内开发者常用的方案有 OpenAI 兼容接口的各类平台、DeepSeek、通义千问、智谱 GLM 等。建议在代码里统一使用兼容接口，这样切换模型时不用改业务代码。
• Agent 基础框架：从 LangChain 或 LlamaIndex 入门。前者生态全、工具多，后者在 RAG 场景下更友好。
• 服务化框架：学到中后期，需要把 Agent 封装成 HTTP 接口，建议掌握 FastAPI。
• 前端交互（可选）：流式输出、聊天界面，可以用 Gradio 快速搭建，也可以用 Streamlit。

2.2 学习路线的四个阶段

结合 15 个项目，我把 Agent 学习路线规划为四个阶段：

1. 基础理解阶段：搞清楚 LLM 的原理边界、Prompt 工程、上下文窗口限制。对应项目 1-3。
2. 工具与 RAG 阶段：掌握 Function Calling、向量检索、文档加载切分。对应项目 4-7。
3. 框架与系统设计阶段：学会用框架组织代码，理解 Agent 的规划、记忆、多智能体协作。对应项目 8-12。
4. 工程化与就业冲刺阶段：做接近真实业务的项目，学会部署、日志、评估、性能优化。对应项目 13-15。

先明确一点：项目只是载体，知识点才是核心。下面逐个展开 15 个项目的具体做法。

3. 15 个 Agent 实战项目详解（从入门到进阶）

下面我按照从易到难的顺序，把 15 个项目完整拆开。每个项目都会说明：

• 项目目标
• 涉及知识点
• 实际业务场景
• 实现思路
• 简历语言

3.1 入门级项目（第 1-4 个）：先动手，建立手感

前面四个项目不追求复杂的架构，核心目标是：让 LLM 在你规定的工作流里解决实际问题。

项目 1：基于 Prompt 的智能写作助手

• 项目目标：实现一个输入主题、输出结构化文章的写作助手。
• 涉及知识点：Prompt 模板设计、输出格式约束、角色设定。
• 业务场景：新媒体运营需要批量生成文章；学生需要基于大纲扩写内容；电商需要生成商品卖点文案。

实现思路：

1. 设计一个大纲生成 Prompt，让模型先输出文章大纲；
2. 把大纲拆成多个章节，逐章节生成内容；
3. 最后对全文做一致性梳理和润色。

这里不用任何 Agent 框架，只用标准的 API 调用，但关键点在于设计好 Prompt 模板，保证输出格式稳定。

# -*- coding: utf-8 -*- """ 项目 1：基于 Prompt 的智能写作助手 设计一套稳定的 Prompt，让 LLM 输出结构化的文章 """ from openai import OpenAI client = OpenAI(base_url="https://YOUR_API_BASE", api_key="YOUR_API_KEY") def generate_outline(topic: str) -> str: prompt = f""" 你是一名资深的科技类文章编辑，擅长规划清晰的文章结构。 请为主题《{topic}》设计一份文章大纲，要求： 1. 包含 5-8 个章节标题，结构由浅入深； 2. 每个章节需要说明核心内容要点； 3. 最终只需要输出大纲，不要输出文章正文。 """ resp = client.chat.completions.create( model="gpt-4o-mini", # 按你的实际模型调整 messages=[{"role": "user", "content": prompt}], temperature=0.7, ) return resp.choices[0].message.content def generate_section(title: str, outline: str) -> str: prompt = f""" 你是一名技术写作者，请根据以下大纲，为《{title}》章节撰写正文。 要求：语言通顺，结合技术细节，字数控制在 500 字左右。 整体大纲： {outline} """ resp = client.chat.completions.create( model="gpt-4o-mini", messages=[{"role": "user", "content": prompt}], temperature=0.8, ) return resp.choices[0].message.content if __name__ == "__main__": topic = "什么是 Agent" outline = generate_outline(topic) print("=== 大纲 ===") print(outline)

这个项目做完后，你对 Prompt 模板、输出稳定性、上下文格式这些 Agent 的基础问题会有直观感受。

项目 2：智能客服问答机器人（单轮 + 多轮）

• 项目目标：基于知识文档，做一个能回答售前售后问题的问答机器人。
• 涉及知识点：对话历史管理、上下文窗口截断、系统提示词、意图判断。
• 业务场景：电商售前、售后、企业官网在线客服。

这个项目不引入向量数据库，先用简单的“关键词匹配 + 知识库文件搜索”来做。比如把常见问题整理到一个 Markdown 文件里，用正则或简单的字符串匹配定位相关内容，再把定位到的内容组装进 Prompt。

# -*- coding: utf-8 -*- """ 项目 2：智能客服问答机器人（多轮对话版） 先做基于关键词检索的版本，后续可以升级为 RAG """ import json from openai import OpenAI client = OpenAI(base_url="https://YOUR_API_BASE", api_key="YOUR_API_KEY") # 模拟一个存储对话历史的结构 conversation_history = [ {"role": "system", "content": "你是某电商平台的客服助手，回答要简洁友好。"} ] def simple_search(query: str): """简单关键词搜索，返回知识库中相关内容""" knowledge_base = [ {"keywords": ["退货", "退款"], "content": "退货政策：签收后7天内可申请无理由退货。"}, {"keywords": ["发货", "物流"], "content": "发货时间：付款后48小时内发货，节假日顺延。"}, {"keywords": ["发票"], "content": "发票说明：下单时可填写发票抬头，电子发票将在签收后7个工作日内发送。"}, ] for item in knowledge_base: if any(kw in query for kw in item["keywords"]): return item["content"] return "抱歉，这个问题我暂时无法回答，请转接人工客服。" def chat(user_input: str) -> str: # 1. 先在知识库中检索 knowledge = simple_search(user_input) # 2. 把检索结果注入用户消息 enriched_input = f"用户问题：{user_input}\n\n参考知识：{knowledge}" conversation_history.append({"role": "user", "content": enriched_input}) # 3. 调用 LLM 生成回答 resp = client.chat.completions.create( model="gpt-4o-mini", messages=conversation_history, ) answer = resp.choices[0].message.content conversation_history.append({"role": "assistant", "content": answer}) # 4. 控制历史长度，防止上下文溢出 keep_history = conversation_history[-10:] return answer if __name__ == "__main__": while True: user_input = input("你：") if user_input == "exit": break answer = chat(user_input) print(f"机器人：{answer}")

这个项目做完，你会理解对话历史管理是 Agent 开发中非常基础但非常关键的能力。如果上下文无限累积，很快会把模型窗口撑爆。

项目 3：网页内容总结与提取 Agent

• 项目目标：输入一个网址，自动抓取网页正文，输出摘要和关键信息。
• 涉及知识点：HTTP 请求、HTML 解析、文本预处理、Prompt 总结。
• 业务场景：舆情监控、竞品分析、研究报告自动生成。

实现思路：

1. 用requests获取网页 HTML；
2. 用BeautifulSoup提取正文，去掉 script、style、导航等干扰信息；
3. 对长文本做切分，分别总结，再合并成最终摘要。

这一步的关键是学会处理“脏数据”。网页内容是海量且杂乱的，Agent 无法直接处理原始 HTML，必须做数据清洗。很多真实项目卡住的地方不是模型不好，而是输入的数据质量太差。

项目 4：个人知识库助手（基于本地 Markdown 文件）

• 项目目标：读取本地笔记文档，实现“问一句、答一句”的知识库问答。
• 涉及知识点：文本分割、向量化、相似度检索、重排序（Ranking）。
• 业务场景：个人笔记管理、企业内部文档问答。

这个项目开始真正接触 RAG（检索增强生成）。你需要：

1. 把 Markdown 文档按标题或段落切分成 chunk；
2. 用 embedding 模型向量化每个 chunk；
3. 用户提问时，向量化问题，做相似度检索；
4. 把检索到的内容塞进 Prompt，让 LLM 基于这些内容回答。

# -*- coding: utf-8 -*- """ 项目 4：个人知识库助手 - RAG 最小实现 使用 chromadb 做向量存储，使用简单的相似度检索 """ from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import OpenAIEmbeddings from langchain_community.vectorstores import Chroma # 1. 读取文档 with open("my_notes.md", encoding="utf-8") as f: content = f.read() # 2. 切分文本 splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50, ) chunks = splitter.split_text(content) # 3. 向量化并存储 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_texts( texts=chunks, embedding=embeddings, persist_directory="./chroma_db", ) # 4. 检索 query = "如何配置数据库连接？" results = vectorstore.similarity_search(query, k=3) for i, doc in enumerate(results): print(f"--- 结果 {i+1} ---") print(doc.page_content)

这个项目可以作为 RAG 入门的里程碑。做完后，你应该能理解：RAG 的核心不是“向量搜索”，而是“检索质量决定回答质量”。

3.2 进阶级项目（第 5-9 个）：掌握 Agent 的核心技能

前面四个项目，整体上还是“单次问答 + 固定流程”的模式。从第五个项目开始，我们引入“Agent 自己决策”的概念。

项目 5：Function Calling 实战——天气查询 + 日程管理 Agent

• 项目目标：让 Agent 根据用户意图调用不同的函数，比如查天气、添加日程、读日历。
• 涉及知识点：Function Calling、工具函数定义、参数解析。
• 业务场景：语音助手、办公自动化助手。

核心思路：

给 LLM 暴露几个 JSON Schema 格式的工具描述，让模型判断该调用哪个工具，并返回结构化的参数。

# -*- coding: utf-8 -*- """ 项目 5：工具调用 Agent 最小实现 """ import json from openai import OpenAI client = OpenAI(base_url="https://YOUR_API_BASE", api_key="YOUR_API_KEY") # 定义工具 tools = [ { "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的当前天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，例如 北京、上海、广州" } }, "required": ["city"] } } }, { "type": "function", "function": { "name": "add_schedule", "description": "添加一条日程安排", "parameters": { "type": "object", "properties": { "time": { "type": "string", "description": "日程时间，格式 YYYY-MM-DD HH:MM" }, "event": { "type": "string", "description": "日程内容" } }, "required": ["time", "event"] } } } ] def get_weather(city: str): # 这里替换为真实天气 API return f"{city}：晴，25℃，东南风 3 级。" def add_schedule(time: str, event: str): # 这里替换为写入日历或数据库 return f"已添加日程 [{time}] {event}" # 工具分发表 tool_functions = { "get_weather": get_weather, "add_schedule": add_schedule, } def call_agent(user_input: str): # 第一轮：让模型决定是否调用工具 resp = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": user_input}], tools=tools, tool_choice="auto", ) msg = resp.choices[0].message # 如果模型要求调用工具 if msg.tool_calls: # 执行工具 for tool_call in msg.tool_calls: fn_name = tool_call.function.name fn_args = json.loads(tool_call.function.arguments) result = tool_functions[fn_name](**fn_args) print(f"[工具调用] {fn_name}({fn_args}) -> {result}") # 第二轮：把工具结果返回给模型生成最终答案 messages = [ {"role": "user", "content": user_input}, msg, { "role": "tool", "tool_call_id": tool_call.id, "content": result, }, ] final_resp = client.chat.completions.create( model="gpt-4o", messages=messages, tools=tools, ) return final_resp.choices[0].message.content else: return msg.content if __name__ == "__main__": print(call_agent("帮我查一下北京的天气")) print(call_agent("明天下午 3 点安排一个产品评审会"))

做完这个项目，你会彻底理解工具调用的原理：Agent 并不是“会使用工具”，而是 LLM 根据 function 描述生成结构化调用指令，外层代码负责真实执行。

项目 6：数据分析 Agent（对接 CSV / Excel）

• 项目目标：用户用自然语言提问数据相关问题，Agent 自动生成 Python 代码执行分析，并返回结论。
• 涉及知识点：代码生成、代码执行沙箱、pandas、错误重试。
• 业务场景：业务数据分析师日常数据处理、运营报表自动生成。

实现思路：

1. 给 Agent 提供 pandas 工具，描述数据文件的列结构；
2. 用户提问后，Agent 生成 Python 代码；
3. 在受限环境中执行代码（注意安全），返回结果；
4. 如果执行报错，把错误信息反馈给模型，让它修正后重试。

这个项目能让你的 Agent 开发技能和数据分析技能结合起来。在做之前建议先系统学一下 pandas 的基础操作。

项目 7：自动化报告生成 Agent

• 项目目标：给定数据日报，Agent 自动生成包含文字结论、图表建议、异常预警的分析报告。
• 涉及知识点：多步骤工作流、结构化输出、图表调用。
• 业务场景：数据周报、销售日报、行业研报自动生成。

这个项目的关键不是调用 LLM 写文字，而是设计一个稳定的、可复现的报告流水线。比如：

1. 数据预处理：读取数据，做基本统计；
2. 异常发现：自动计算环比、同比，标记异常波动；
3. 总结生成：基于统计结果生成文字结论；
4. 报告组装：把文字、数字、图表统一渲染到 Markdown 或 HTML。

做完这个项目，你的 Agent 就不只是一个“聊天机器人”了，而是能完成真实业务任务的“生产力工具”。

项目 8：多工具复杂任务 Agent（搜索 + 代码执行 + 文件读写）

• 项目目标：做一个能自主完成“竞品调研 → 生成分析报告 → 保存文件”全流程的 Agent。
• 涉及知识点：ReAct 模式、工具编排、子任务规划、错误处理。
• 业务场景：行业分析、技术调研、竞品监控。

这个项目的难点在于 Agent 需要自己决定工具调用顺序。比如，用户说“调研一下最近一年向量数据库的发展趋势”，Agent 可能需要：

1. 调用搜索工具获取资料；
2. 调用网页全文工具阅读关键文章；
3. 调用总结工具生成初步结论；
4. 调用存储工具保存报告。

到这里，你应该开始尝试验证 Agent 中间过程的可靠性：它有没有选错工具？有没有陷入死循环？有没有漏掉关键步骤？这些都是 Agent 工程化中真正需要解决的问题。

项目 9：多 Agent 协作系统（Planner + Worker + Reviewer）

• 项目目标：设计一个由多个角色 Agent 组成的协作系统，比如一个负责拆解任务，一个负责执行，一个负责质量控制。
• 涉及知识点：多智能体架构、消息传递、状态管理、结果校验。
• 业务场景：复杂项目的自动化交付、内容生成与审核流程。

架构思路：

用户输入 ↓ Planner（规划者）：拆解任务，生成任务列表 ↓ Worker（执行者）：逐个子任务调用 LLM 或工具执行 ↓ Reviewer（质检员）：检查执行结果是否符合要求 ↓ 不通过 → 返回 Worker 修改 通过 → 返回给用户

多 Agent 协作的核心是设计好 Agent 之间的消息协议。每个 Agent 的输入输出格式必须稳定，否则协作会非常混乱。

3.3 高级项目（第 10-15 个）：面向真实业务场景

做到第 9 个项目，你已经具备独立的 Agent 开发能力。后面这几个项目，更倾向“工程化落地”方向。

项目 10：基于特定领域微调的垂直 Agent

• 项目目标：针对法律、医疗、金融等垂直领域，构建一个比通用大模型表现更专业的 Agent。
• 涉及知识点：领域知识库构建、RAG 优化、提示词增强、模型微调流程。
• 业务场景：企业私有化知识助手、行业法规问答、病历辅助分析。

这个项目更考验“领域理解能力”而不是“代码能力”。你需要：

1. 收集领域数据并清洗；
2. 设计领域专属 Prompt；
3. 评估模型在领域样本上的表现；
4. 必要时用 LLaMA Factory 或类似工具做 LoRA 微调。

项目 11：Agent 记忆机制的完整实现（短期 + 长期）

• 项目目标：解决 Agent “聊着聊着就忘了”的问题，实现短期对话记忆和长期偏好记忆。
• 涉及知识点：对话缓存、向量记忆、记忆压缩、相关性召回。
• 业务场景：私人助手、教育陪练、心理咨询类应用。

实现思路：

1. 短期记忆：维护一个消息滑动窗口；
2. 长期记忆：每轮对话结束后，提取重要实体和偏好，存入向量库；
3. 启动新会话时，检索与当前话题相关的历史记忆注入系统提示词。

记忆机制是 Agent 从“玩具”走向“产品”的关键一步。没有记忆，Agent 永远只能回答单轮问题，无法提供个性化服务。

项目 12：基于工作流的业务流程 Agent（如工单处理）

• 项目目标：将 Agent 接入企业真实业务流程，比如工单自动分类、自动分派、自动回复。
• 涉及知识点：流程状态机、权限校验、人工审批节点、异常兜底。
• 业务场景：IT 运维工单、客服工单、审核流。

这个项目要特别注意：生产环境中 Agent 的自主性必须受到约束。不是所有场景都适合让 Agent 完全自主。常见的做法是：

1. 先让 Agent 做信息提取和分类；
2. 大概率正确的动作自动执行；
3. 涉及资金、权限、对外发布等高风险操作，必须插入人工审批节点。

项目 13：企业级知识库助手平台（后端 + 前端 + 权限）

• 项目目标：做一个多用户可访问的知识库问答平台，支持文档管理、权限控制、问答记录。
• 涉及知识点：FastAPI 后端、向量数据库、用户认证、并发管理、日志监控。
• 业务场景：企业内部知识管理、团队资料库。

这个项目已经开始偏向“全栈开发”，你可以选择熟悉的后端框架来实现。很多同学喜欢用若依（RuoYi）这类脚手架快速搭权限管理系统，再集成 Agent 能力，这也是目前企业级项目比较主流的做法。

需要注意的是：Agent 嵌入企业系统时，最难的不再是模型能力，而是权限、审核、追踪、审计这些工程能力。

项目 14：Agent 部署与性能优化实战

• 项目目标：把训练好的 Agent 服务部署到服务器，支持并发访问，完成性能和稳定性调优。
• 涉及知识点：FastAPI 异步接口、流式输出、Docker 部署、接口限流、日志追踪。
• 业务场景：Agent 应用上线前的最后一公里。

核心要点：

1. 使用流式输出（SSE）改善用户体验；
2. 使用 Redis 缓存重复问答结果；
3. 使用异步任务队列处理耗时的 Agent 任务；
4. 监控每次 Agent 调用的 token 消耗、时延、失败率。

项目 15：垂直行业 Agent 全流程落地

• 项目目标：从需求分析、方案设计、数据准备、Agent 开发、测试评估到上线运维，完整走一遍。
• 涉及知识点：需求文档、架构设计、效果评估、成本控制、灰度发布。
• 业务场景：适合作为独立项目或毕业设计，也适合写进简历。

最后这个项目不规定具体行业，但要求你完整走完一个需求链路。可以选一个你熟悉的行业，比如电商、教育、HR，把一个真实的业务诉求用 Agent 落地。

做完这个项目，你应该能独立回答这类问题：

• 这个需求适不适合用 Agent 做？
• 应该选哪种架构：单 Agent、多 Agent、还是工作流？
• 用什么模型、什么向量库、什么部署方案？
• 如何评估 Agent 的效果？如何控制成本？

4. Agent 主流框架怎么选：LangChain、LlamaIndex、Dify、Coze

做完前面基础项目，你自然会对“框架”产生需求。这里把主流选择做一个横向对比。

我的建议是：入门阶段先用 LangChain 或 LlamaIndex 打好代码功底，理解原理后，再用 Dify 这类平台提效。

不要一开始就用可视化平台拖拽搭建，那样虽然能快速做出 demo，但对框架内部机制没有感知。反而等你理解了 Agent 原理，再去看 Dify 的节点配置，会非常顺。

LangChain 还是 LlamaIndex？

如果你主要做“对话式 Agent + 工具调用”，优先 LangChain。如果你主要做“文档问答 + 知识库检索”，优先 LlamaIndex。

实际项目中，两个人也经常混用：用 LlamaIndex 做索引检索，用 LangChain 做 Agent 编排。

5. Agent 项目面试考察点与简历怎么写

很多读者做项目是为了找工作。做完了项目，还要能把项目“讲出来”。我见过不少人项目做得不错，但面试时讲不出来，非常可惜。

5.1 面试官最常问的 6 个问题

结合最近一些 Agent 开发岗位的面试情况，面试官高频考察的问题集中在这几个方向：

1. 原理类：Agent 的 ReAct 模式是怎么工作的？为什么 Agent 有时会陷入死循环？
2. RAG 类：你的知识库检索为什么用向量搜索？如果检索结果不准怎么办？chunk 大小怎么设置？
3. 上下文类：Context 窗口有限，你怎么设计记忆机制？长对话会爆窗吗？
4. 工具类：Function Calling 的返回参数如何校验？如果模型生成了非法 JSON 怎么办？
5. 工程类：Agent 怎么保证不会乱调用高风险接口？线上如何监控 Agent 的行为？
6. 成本类：你的 Agent 平均一次请求消耗多少 token？怎么降低成本？

这些问题的答案，只有在你真正做完那些项目后才能答得出来。背概念是没用的。

5.2 简历中的项目描述建议

简历上不要只写“使用 LangChain 开发了一个智能客服机器人”，这是无效描述。建议按照下面的模式写：

智能知识库问答 Agent（个人项目）

• 基于 LangChain + FastAPI + Chroma 构建企业知识库问答系统，支持 Markdown、PDF、Excel 多格式文档解析，检索准确率达 92%；
• 设计并实现了滑动窗口短期记忆 + 向量库长期记忆的双层记忆机制，支持跨会话偏好召回；
• 针对常见引用错误问题，通过引入 rerank 重排序和引用溯源模块，将回答幻觉率降低 35%；
• 封装为 RESTful API 服务，支持流式输出，单机 QPS 达到 50+。

这种写法突出三个东西：用了什么技术、解决了什么问题、达到了什么效果（有数字更好）。

6. Agent 开发常见问题与排查思路

做了这么多项目，每天都会遇到各种各样的报错。这里整理几个高频问题的排查思路。

6.1 Agent 死循环：工具反复调用停不下来

6.2 模型“忘了”之前的内容

6.3 输出 JSON 格式不稳定

6.4 流式输出时前端显示乱码

7. 关于 Agent 开发的几个重要观点

最后说几点做 Agent 开发这么久以来的个人感受，希望对你有帮助。

7.1 Agent 开发的重点不是“壳”，而是“场景”

很多初学者会说“我学会了 LangChain”，但真正到了业务中却发现难点不在 LangChain，而在：

• 如何把用户的自然语言需求转换为 Agent 能执行的任务；
• 如何设计工具让 Agent 调用得顺手；
• 如何保证 Agent 的输出质量和安全性；
• 如何评估系统的整体效果。

这些能力没有捷径，只能在大量实践中积累。

7.2 不要迷信“通用 Agent”

2023 年以来出现过很多“通用 Agent”概念，比如“只需要一句话，Agent 自动完成所有事”。但以目前的模型能力来看，通用 Agent 落地难度极大。

更务实的做法是做“限定场景的垂直 Agent”：限定领域、限定任务、限定工具集。范围越小，可控性越强，落地概率越大。

7.3 工程能力和评估能力是分水岭

两个初学者能力差不多时，区别在哪？在工程能力。

• 同样一个 Agent，有些人只会用 Jupyter Notebook 跑跑测试；
• 有些人能把它封装成 API、加日志、做监控、设计评估集、迭代优化。

如果你的目标是“练完即可就业”，那从第 10 个项目开始，就应该把自己当作一个后端工程师，而不是“Prompt 调包侠”。

8. 下一步怎么做：给你一个 30 天执行计划

最后，给按 15 个项目练完之后，但不知道下一步怎么走的人一个参考计划。这个计划是我综合了很多学习路径之后总结出来的，按 30 天来排，每天投入 2-3 小时。

当然，这个计划只是参考，你可以根据自己的时间灵活调整。但有一个原则不能变：每天都要有代码提交，每天都要有可运行的结果。

如果这篇文章对你有帮助，哪怕只有其中一个项目让你少踩了一个坑，我都会觉得非常值得。收藏起来，然后从项目 1 开始动手吧。只有真正敲起来的代码，才算是你学会的东西。

祝你 Agent 开发顺利，早日做出自己的第一个 Agent 产品。