第 1 章 · 实验教程：Agent 基础知识
文档摘要
第 1 章 · 实验教程：Agent 基础知识 本章对应正文：第 1 章 · Agent 基础知识 核心命题：「模型即 Agent」新范式 + Agent = LLM + 上下文 + 工具；Harness 工程才是真正的竞争力。 这一章是全书的起点。我们用一个等式回答"什么是 AI Agent"——Agent = LLM + 上下文 + 工具，并论证为什么"模型能力"不再是唯一护城河，把模型变成可用 Agent 的 Harness 工程（上下文组装、工具调度、工程化）才是竞争力的所在。 本章的 4 个实验从不同角度验证这个命题：有的对比 LLM 与传统 RL 的样本效率，有的演示"模型 + 工具"如何完成复杂搜索，有的用消融实验量化上下文各组件的作用。
第 1 章 · 实验教程：Agent 基础知识
本章对应正文：第 1 章 · Agent 基础知识
核心命题：「模型即 Agent」新范式 + Agent = LLM + 上下文 + 工具；Harness 工程才是真正的竞争力。
这一章是全书的起点。我们用一个等式回答"什么是 AI Agent"——Agent = LLM + 上下文 + 工具，并论证为什么"模型能力"不再是唯一护城河，把模型变成可用 Agent 的 Harness 工程（上下文组装、工具调度、工程化）才是竞争力的所在。
本章的 4 个实验从不同角度验证这个命题：有的对比 LLM 与传统 RL 的样本效率，有的演示"模型 + 工具"如何完成复杂搜索，有的用消融实验量化上下文各组件的作用。建议先读正文建立概念，再挑感兴趣的实验动手。
实验列表
| 实验 | 类型 | 难度 | 说明 |
|---|---|---|---|
| learning-from-experience | ✅ | ★★ | 对比 Q-learning 与 LLM 上下文学习，复现 Shunyu Yao 的 The Second Half：LLM 以 250–400 倍样本效率超越传统 RL |
| web-search-agent | ✅ | ★ | 基于 Kimi K3 的智能搜索 Agent，演示"模型即 Agent"——具备多轮搜索与信息整合能力 |
| search-codegen | ✅ | ★★ | GPT-5 原生工具集成，综合利用网络搜索与代码沙盒完成复杂分析 |
| context | ✅ | ★★★ | 系统性消融实验，展示 Agent 上下文各组件的重要性；支持 Qwen / 豆包 / Kimi / DeepSeek 多提供商 |
类型与难度说明
| 标记 | 含义 |
|---|---|
| ✅ | 可独立运行：自带完整代码，配好 API Key 即可跑 |
| 📖 | 复现指南：依赖需自行 git clone 的外部仓库 |
| 🚧 | 设计文档：仅含架构方案，可运行代码仍在完善 |
| ★ ~ ★★★ | 从易到难，★ 为入门级、★★★ 为进阶挑战 |
阅读建议
- 入门读者：从 web-search-agent 开始，最快感受到"模型 + 工具 = Agent"的威力。
- 想理解原理：重点做 context 消融实验，它直观展示了"去掉某个上下文组件，Agent 会变差多少"。
- 关注范式之争：learning-from-experience 用数据回答了"LLM 为什么能取代传统 RL 流水线"。
← 返回总目录 · 📖 读本章正文 · 📑 本章索引
评论区
(0)
U