这次我们来看一套完整的 AI Agent 应用开发教程。这套教程号称是目前最全最细的零基础入门指南覆盖了从 Python 基础到 LangChain、Transformer 等核心技术的完整学习路径。对于想要快速掌握 AI Agent 开发技能的开发者来说这种系统化的教程确实很有价值。AI Agent 开发的核心在于让 AI 能够自主完成复杂任务而不仅仅是简单的问答。这需要掌握多个技术栈的协同工作Python 作为基础编程语言Transformer 模型提供核心的 AI 能力LangChain 框架则负责将这些能力组织成可用的应用。这套教程的亮点在于它从零开始逐步构建完整的开发能力体系。1. AI Agent 开发核心能力速览能力项说明技术栈Python Transformer LangChain 相关框架学习周期按教程规划约7天完成基础到进阶硬件要求普通开发电脑即可GPU 非必须依赖云端 API核心功能任务规划、工具调用、多步推理、自主决策适合场景智能助手、自动化流程、数据分析、内容生成开发门槛零基础友好但需要一定的编程思维从技术架构来看AI Agent 开发主要涉及三个层次基础编程能力Python、AI 模型理解Transformer和框架应用LangChain。这套教程的价值在于将这三个层次有机整合让学习者能够快速搭建起完整的知识体系。2. AI Agent 的适用场景与使用边界AI Agent 技术目前已经广泛应用于各个领域。在企业场景中它可以用于智能客服系统能够理解用户意图并执行多步操作在个人使用方面可以开发个性化的学习助手或工作效率工具。适合的应用场景包括自动化工作流程如自动整理数据、生成报告智能问答系统基于知识库的深度问答内容创作助手协助写作、代码生成等数据分析工具自动分析数据并给出洞察需要注意的使用边界涉及敏感数据的场景需要谨慎处理权限关键决策类应用需要加入人工审核环节商业用途需考虑模型服务的合规性实时性要求极高的场景需要测试响应延迟在实际开发中建议先从非核心业务的小工具开始尝试逐步积累经验后再应用到重要场景。3. 环境准备与前置条件开始 AI Agent 开发前需要准备好基础的开发环境。虽然教程号称零基础但一些前置知识会让学习过程更加顺畅。基础环境要求操作系统Windows 10/11、macOS 或 LinuxPython 版本3.8 或以上推荐 3.9内存至少 8GB推荐 16GB存储空间至少 10GB 可用空间软件工具准备Python 环境建议使用 Miniconda 或 Pyenv 管理多版本代码编辑器VS Code 配合 Python 插件是很好的选择Git用于代码版本管理和示例代码下载浏览器Chrome 或 Edge 用于测试 Web 应用网络要求稳定的网络连接用于安装 Python 包如果需要使用 OpenAI 等云端 API需要能够访问相应服务对于完全零基础的学习者建议先花时间熟悉 Python 的基本语法和编程概念这样在后续学习框架使用时不会因为基础问题卡壳。4. Python 基础环境搭建Python 是 AI Agent 开发的基础正确配置开发环境是第一步。以下是详细的安装和配置步骤4.1 Python 安装验证首先检查系统是否已安装 Python# 检查 Python 版本 python --version # 或 python3 --version # 检查 pip 是否可用 pip --version如果系统没有安装 Python建议从 Python 官网下载安装包或者使用 Miniconda 进行安装。4.2 使用 Conda 管理环境推荐Conda 可以创建独立的 Python 环境避免包冲突# 创建专用于 AI Agent 开发的环境 conda create -n ai-agent python3.9 conda activate ai-agent # 安装基础数据科学包 conda install numpy pandas matplotlib jupyter4.3 开发工具配置VS Code 需要安装必要的扩展Python 扩展提供语法高亮、调试等功能Jupyter 扩展方便运行代码片段GitLens更好的代码版本管理体验配置完成后可以创建一个简单的测试脚本来验证环境# test_environment.py import sys print(fPython 版本: {sys.version}) print(环境配置成功)运行这个脚本确认环境正常工作就可以开始后续的学习了。5. Transformer 模型基础理解Transformer 是现代 AI 模型的基石理解其工作原理对 Agent 开发至关重要。虽然不需要深入数学细节但掌握基本概念是必要的。5.1 Transformer 核心概念Transformer 架构的核心创新在于自注意力机制它让模型能够同时处理输入序列的所有部分而不是像 RNN 那样顺序处理。这种并行处理能力使得 Transformer 在训练效率和效果上都优于之前的架构。关键组件包括编码器Encoder处理输入序列解码器Decoder生成输出序列自注意力Self-Attention计算序列中不同位置的重要性前馈网络Feed-Forward进行非线性变换5.2 在 AI Agent 中的应用在 AI Agent 开发中我们通常不需要从头训练 Transformer 模型而是使用预训练好的模型# 使用 transformers 库加载预训练模型 from transformers import AutoTokenizer, AutoModel tokenizer AutoTokenizer.from_pretrained(bert-base-uncased) model AutoModel.from_pretrained(bert-base-uncased) # 处理文本输入 inputs tokenizer(Hello, AI Agent!, return_tensorspt) outputs model(**inputs)这种预训练微调的模式大大降低了 AI 应用开发的门槛。6. LangChain 框架入门与实践LangChain 是目前最流行的 AI Agent 开发框架它提供了一套完整的工具链来构建基于大语言模型的应用。6.1 LangChain 核心组件LangChain 将 AI Agent 开发抽象为几个核心组件Models各种语言模型的统一接口Prompts提示词模板和管理Chains将多个组件组合成工作流Agents能够根据输入决定使用哪些工具Memory维护对话或任务的状态6.2 第一个 LangChain 应用下面是一个简单的 LangChain 示例演示如何创建基本的对话链from langchain.llms import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate # 创建提示词模板 prompt_template PromptTemplate( input_variables[topic], template请用简单的话解释一下{topic}是什么 ) # 创建链需要设置 OPENAI_API_KEY 环境变量 llm OpenAI(temperature0.7) chain LLMChain(llmllm, promptprompt_template) # 运行链 result chain.run(机器学习) print(result)这个简单的例子展示了 LangChain 的基本工作模式定义任务模板连接模型执行推理。6.3 Agent 的创建与工具调用真正的 AI Agent 应该能够使用工具来完成任务。下面是一个使用工具的 Agent 示例from langchain.agents import load_tools, initialize_agent, AgentType from langchain.llms import OpenAI # 加载工具和模型 llm OpenAI(temperature0) tools load_tools([serpapi, llm-math], llmllm) # 初始化 Agent agent initialize_agent( tools, llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue ) # 运行能够使用工具的 Agent agent.run(目前苹果公司的股价是多少如果用1000美元可以买多少股)这种 Agent 能够自动选择合适工具来回答问题体现了 AI Agent 的核心价值。7. 实际项目开发流程掌握了基础组件后我们需要了解完整的 AI Agent 项目开发流程。这套教程应该会覆盖从需求分析到部署的全过程。7.1 需求分析与技术选型开始项目前需要明确要解决什么具体问题需要什么样的 AI 能力使用哪些工具和框架预期的性能和成本约束7.2 开发迭代流程典型的开发流程包括原型验证用最简单的方式验证核心想法功能完善逐步添加必要的功能模块性能优化提升响应速度和稳定性测试验证确保在各种场景下都能正常工作7.3 代码组织最佳实践良好的代码结构对维护性至关重要project/ ├── src/ │ ├── agents/ # Agent 实现 │ ├── tools/ # 自定义工具 │ ├── chains/ # 业务链 │ └── utils/ # 工具函数 ├── tests/ # 测试代码 ├── config/ # 配置文件 └── requirements.txt # 依赖列表8. 常见问题与解决方案在 AI Agent 开发过程中会遇到各种典型问题。以下是常见问题及解决方法8.1 环境配置问题问题Python 包安装失败原因网络问题或依赖冲突解决使用国内镜像源或使用 conda 安装# 使用清华镜像源 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain openai问题API 密钥配置错误原因环境变量未正确设置解决检查密钥格式和环境变量名称# 正确设置环境变量 export OPENAI_API_KEYyour-api-key-here8.2 模型响应问题问题Agent 无法正确选择工具原因提示词描述不够清晰解决优化工具的描述提供更明确的示例问题响应速度慢原因模型参数过大或网络延迟解决调整模型参数使用流式响应8.3 性能优化问题问题Token 使用量过大原因输入文本过长或对话历史积累解决合理截断输入定期清理对话历史# 控制输入长度 from langchain.text_splitter import CharacterTextSplitter text_splitter CharacterTextSplitter( chunk_size1000, chunk_overlap200 ) texts text_splitter.split_text(long_text)9. 高级功能与实战技巧掌握了基础之后可以进一步学习一些高级功能和实战技巧来提升 Agent 的能力。9.1 自定义工具开发除了使用内置工具还可以开发自定义工具from langchain.tools import BaseTool from typing import Type class CustomCalculatorTool(BaseTool): name CustomCalculator description 用于进行数学计算的自定义工具 def _run(self, query: str) - str: try: # 简单的安全计算实现 result eval(query) # 注意生产环境需要更安全的方式 return f计算结果: {result} except Exception as e: return f计算错误: {str(e)} def _arun(self, query: str): raise NotImplementedError(异步执行暂不支持) # 使用自定义工具 tools load_tools([serpapi], llmllm) tools.append(CustomCalculatorTool())9.2 记忆机制实现让 Agent 能够记住对话历史from langchain.memory import ConversationBufferMemory memory ConversationBufferMemory(memory_keychat_history) agent initialize_agent( tools, llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue )9.3 批量任务处理处理大量任务时的优化技巧from langchain.llms import OpenAI from concurrent.futures import ThreadPoolExecutor def process_single_item(item): llm OpenAI(temperature0) return llm(f处理内容: {item}) # 批量处理 items [任务1, 任务2, 任务3, ...] with ThreadPoolExecutor(max_workers5) as executor: results list(executor.map(process_single_item, items))10. 项目部署与生产化开发完成的 AI Agent 需要部署到生产环境这涉及一些额外的考虑。10.1 部署方式选择根据需求选择合适的部署方式本地部署使用 FastAPI 或 Flask 包装成 Web 服务云服务部署使用 AWS、Azure 或 GCP 的云函数容器化部署使用 Docker 保证环境一致性10.2 API 服务封装将 Agent 封装成 RESTful APIfrom fastapi import FastAPI from pydantic import BaseModel app FastAPI() class QueryRequest(BaseModel): question: str class QueryResponse(BaseModel): answer: str app.post(/query, response_modelQueryResponse) async def query_agent(request: QueryRequest): result agent.run(request.question) return QueryResponse(answerresult)10.3 监控与日志生产环境需要完善的监控import logging from datetime import datetime # 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s ) def log_agent_usage(question, answer, token_usage): logging.info(f问题: {question}) logging.info(f回答: {answer}) logging.info(fToken 使用: {token_usage})11. 学习路径与资源推荐对于想要系统学习 AI Agent 开发的读者建议按照以下路径推进11.1 分阶段学习计划第一周基础夯实Python 语法和常用库面向对象编程概念基本的 API 调用方法第二周框架学习LangChain 核心概念和组件各种 Chain 的使用方法基本 Agent 的创建第三周项目实践完成 2-3 个完整项目学习调试和优化技巧掌握部署方法11.2 推荐学习资源官方文档LangChain、Transformers 库的官方文档开源项目GitHub 上的相关开源项目代码社区论坛Stack Overflow、Reddit 的相关讨论区实践平台Google Colab 提供的免费 GPU 环境11.3 持续学习建议AI 领域发展迅速需要保持持续学习关注核心框架的更新日志参与开源社区的讨论和贡献定期复现优秀的开源项目建立自己的知识库和代码库这套教程的价值在于它提供了一个系统化的学习路径避免了初学者在碎片化信息中迷失方向。按照这个路径学习确实可以在较短时间内建立起扎实的 AI Agent 开发能力。对于想要快速入门的开发者建议先从一个小型但完整的项目开始比如一个能够查询天气、计算数学题、回答常识问题的多功能助手。通过这样一个项目可以实践到 Agent 开发的各个环节为后续更复杂的项目打下坚实基础。
零基础AI Agent开发教程：Python+Transformer+LangChain完整指南
这次我们来看一套完整的 AI Agent 应用开发教程。这套教程号称是目前最全最细的零基础入门指南覆盖了从 Python 基础到 LangChain、Transformer 等核心技术的完整学习路径。对于想要快速掌握 AI Agent 开发技能的开发者来说这种系统化的教程确实很有价值。AI Agent 开发的核心在于让 AI 能够自主完成复杂任务而不仅仅是简单的问答。这需要掌握多个技术栈的协同工作Python 作为基础编程语言Transformer 模型提供核心的 AI 能力LangChain 框架则负责将这些能力组织成可用的应用。这套教程的亮点在于它从零开始逐步构建完整的开发能力体系。1. AI Agent 开发核心能力速览能力项说明技术栈Python Transformer LangChain 相关框架学习周期按教程规划约7天完成基础到进阶硬件要求普通开发电脑即可GPU 非必须依赖云端 API核心功能任务规划、工具调用、多步推理、自主决策适合场景智能助手、自动化流程、数据分析、内容生成开发门槛零基础友好但需要一定的编程思维从技术架构来看AI Agent 开发主要涉及三个层次基础编程能力Python、AI 模型理解Transformer和框架应用LangChain。这套教程的价值在于将这三个层次有机整合让学习者能够快速搭建起完整的知识体系。2. AI Agent 的适用场景与使用边界AI Agent 技术目前已经广泛应用于各个领域。在企业场景中它可以用于智能客服系统能够理解用户意图并执行多步操作在个人使用方面可以开发个性化的学习助手或工作效率工具。适合的应用场景包括自动化工作流程如自动整理数据、生成报告智能问答系统基于知识库的深度问答内容创作助手协助写作、代码生成等数据分析工具自动分析数据并给出洞察需要注意的使用边界涉及敏感数据的场景需要谨慎处理权限关键决策类应用需要加入人工审核环节商业用途需考虑模型服务的合规性实时性要求极高的场景需要测试响应延迟在实际开发中建议先从非核心业务的小工具开始尝试逐步积累经验后再应用到重要场景。3. 环境准备与前置条件开始 AI Agent 开发前需要准备好基础的开发环境。虽然教程号称零基础但一些前置知识会让学习过程更加顺畅。基础环境要求操作系统Windows 10/11、macOS 或 LinuxPython 版本3.8 或以上推荐 3.9内存至少 8GB推荐 16GB存储空间至少 10GB 可用空间软件工具准备Python 环境建议使用 Miniconda 或 Pyenv 管理多版本代码编辑器VS Code 配合 Python 插件是很好的选择Git用于代码版本管理和示例代码下载浏览器Chrome 或 Edge 用于测试 Web 应用网络要求稳定的网络连接用于安装 Python 包如果需要使用 OpenAI 等云端 API需要能够访问相应服务对于完全零基础的学习者建议先花时间熟悉 Python 的基本语法和编程概念这样在后续学习框架使用时不会因为基础问题卡壳。4. Python 基础环境搭建Python 是 AI Agent 开发的基础正确配置开发环境是第一步。以下是详细的安装和配置步骤4.1 Python 安装验证首先检查系统是否已安装 Python# 检查 Python 版本 python --version # 或 python3 --version # 检查 pip 是否可用 pip --version如果系统没有安装 Python建议从 Python 官网下载安装包或者使用 Miniconda 进行安装。4.2 使用 Conda 管理环境推荐Conda 可以创建独立的 Python 环境避免包冲突# 创建专用于 AI Agent 开发的环境 conda create -n ai-agent python3.9 conda activate ai-agent # 安装基础数据科学包 conda install numpy pandas matplotlib jupyter4.3 开发工具配置VS Code 需要安装必要的扩展Python 扩展提供语法高亮、调试等功能Jupyter 扩展方便运行代码片段GitLens更好的代码版本管理体验配置完成后可以创建一个简单的测试脚本来验证环境# test_environment.py import sys print(fPython 版本: {sys.version}) print(环境配置成功)运行这个脚本确认环境正常工作就可以开始后续的学习了。5. Transformer 模型基础理解Transformer 是现代 AI 模型的基石理解其工作原理对 Agent 开发至关重要。虽然不需要深入数学细节但掌握基本概念是必要的。5.1 Transformer 核心概念Transformer 架构的核心创新在于自注意力机制它让模型能够同时处理输入序列的所有部分而不是像 RNN 那样顺序处理。这种并行处理能力使得 Transformer 在训练效率和效果上都优于之前的架构。关键组件包括编码器Encoder处理输入序列解码器Decoder生成输出序列自注意力Self-Attention计算序列中不同位置的重要性前馈网络Feed-Forward进行非线性变换5.2 在 AI Agent 中的应用在 AI Agent 开发中我们通常不需要从头训练 Transformer 模型而是使用预训练好的模型# 使用 transformers 库加载预训练模型 from transformers import AutoTokenizer, AutoModel tokenizer AutoTokenizer.from_pretrained(bert-base-uncased) model AutoModel.from_pretrained(bert-base-uncased) # 处理文本输入 inputs tokenizer(Hello, AI Agent!, return_tensorspt) outputs model(**inputs)这种预训练微调的模式大大降低了 AI 应用开发的门槛。6. LangChain 框架入门与实践LangChain 是目前最流行的 AI Agent 开发框架它提供了一套完整的工具链来构建基于大语言模型的应用。6.1 LangChain 核心组件LangChain 将 AI Agent 开发抽象为几个核心组件Models各种语言模型的统一接口Prompts提示词模板和管理Chains将多个组件组合成工作流Agents能够根据输入决定使用哪些工具Memory维护对话或任务的状态6.2 第一个 LangChain 应用下面是一个简单的 LangChain 示例演示如何创建基本的对话链from langchain.llms import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate # 创建提示词模板 prompt_template PromptTemplate( input_variables[topic], template请用简单的话解释一下{topic}是什么 ) # 创建链需要设置 OPENAI_API_KEY 环境变量 llm OpenAI(temperature0.7) chain LLMChain(llmllm, promptprompt_template) # 运行链 result chain.run(机器学习) print(result)这个简单的例子展示了 LangChain 的基本工作模式定义任务模板连接模型执行推理。6.3 Agent 的创建与工具调用真正的 AI Agent 应该能够使用工具来完成任务。下面是一个使用工具的 Agent 示例from langchain.agents import load_tools, initialize_agent, AgentType from langchain.llms import OpenAI # 加载工具和模型 llm OpenAI(temperature0) tools load_tools([serpapi, llm-math], llmllm) # 初始化 Agent agent initialize_agent( tools, llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue ) # 运行能够使用工具的 Agent agent.run(目前苹果公司的股价是多少如果用1000美元可以买多少股)这种 Agent 能够自动选择合适工具来回答问题体现了 AI Agent 的核心价值。7. 实际项目开发流程掌握了基础组件后我们需要了解完整的 AI Agent 项目开发流程。这套教程应该会覆盖从需求分析到部署的全过程。7.1 需求分析与技术选型开始项目前需要明确要解决什么具体问题需要什么样的 AI 能力使用哪些工具和框架预期的性能和成本约束7.2 开发迭代流程典型的开发流程包括原型验证用最简单的方式验证核心想法功能完善逐步添加必要的功能模块性能优化提升响应速度和稳定性测试验证确保在各种场景下都能正常工作7.3 代码组织最佳实践良好的代码结构对维护性至关重要project/ ├── src/ │ ├── agents/ # Agent 实现 │ ├── tools/ # 自定义工具 │ ├── chains/ # 业务链 │ └── utils/ # 工具函数 ├── tests/ # 测试代码 ├── config/ # 配置文件 └── requirements.txt # 依赖列表8. 常见问题与解决方案在 AI Agent 开发过程中会遇到各种典型问题。以下是常见问题及解决方法8.1 环境配置问题问题Python 包安装失败原因网络问题或依赖冲突解决使用国内镜像源或使用 conda 安装# 使用清华镜像源 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain openai问题API 密钥配置错误原因环境变量未正确设置解决检查密钥格式和环境变量名称# 正确设置环境变量 export OPENAI_API_KEYyour-api-key-here8.2 模型响应问题问题Agent 无法正确选择工具原因提示词描述不够清晰解决优化工具的描述提供更明确的示例问题响应速度慢原因模型参数过大或网络延迟解决调整模型参数使用流式响应8.3 性能优化问题问题Token 使用量过大原因输入文本过长或对话历史积累解决合理截断输入定期清理对话历史# 控制输入长度 from langchain.text_splitter import CharacterTextSplitter text_splitter CharacterTextSplitter( chunk_size1000, chunk_overlap200 ) texts text_splitter.split_text(long_text)9. 高级功能与实战技巧掌握了基础之后可以进一步学习一些高级功能和实战技巧来提升 Agent 的能力。9.1 自定义工具开发除了使用内置工具还可以开发自定义工具from langchain.tools import BaseTool from typing import Type class CustomCalculatorTool(BaseTool): name CustomCalculator description 用于进行数学计算的自定义工具 def _run(self, query: str) - str: try: # 简单的安全计算实现 result eval(query) # 注意生产环境需要更安全的方式 return f计算结果: {result} except Exception as e: return f计算错误: {str(e)} def _arun(self, query: str): raise NotImplementedError(异步执行暂不支持) # 使用自定义工具 tools load_tools([serpapi], llmllm) tools.append(CustomCalculatorTool())9.2 记忆机制实现让 Agent 能够记住对话历史from langchain.memory import ConversationBufferMemory memory ConversationBufferMemory(memory_keychat_history) agent initialize_agent( tools, llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue )9.3 批量任务处理处理大量任务时的优化技巧from langchain.llms import OpenAI from concurrent.futures import ThreadPoolExecutor def process_single_item(item): llm OpenAI(temperature0) return llm(f处理内容: {item}) # 批量处理 items [任务1, 任务2, 任务3, ...] with ThreadPoolExecutor(max_workers5) as executor: results list(executor.map(process_single_item, items))10. 项目部署与生产化开发完成的 AI Agent 需要部署到生产环境这涉及一些额外的考虑。10.1 部署方式选择根据需求选择合适的部署方式本地部署使用 FastAPI 或 Flask 包装成 Web 服务云服务部署使用 AWS、Azure 或 GCP 的云函数容器化部署使用 Docker 保证环境一致性10.2 API 服务封装将 Agent 封装成 RESTful APIfrom fastapi import FastAPI from pydantic import BaseModel app FastAPI() class QueryRequest(BaseModel): question: str class QueryResponse(BaseModel): answer: str app.post(/query, response_modelQueryResponse) async def query_agent(request: QueryRequest): result agent.run(request.question) return QueryResponse(answerresult)10.3 监控与日志生产环境需要完善的监控import logging from datetime import datetime # 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s ) def log_agent_usage(question, answer, token_usage): logging.info(f问题: {question}) logging.info(f回答: {answer}) logging.info(fToken 使用: {token_usage})11. 学习路径与资源推荐对于想要系统学习 AI Agent 开发的读者建议按照以下路径推进11.1 分阶段学习计划第一周基础夯实Python 语法和常用库面向对象编程概念基本的 API 调用方法第二周框架学习LangChain 核心概念和组件各种 Chain 的使用方法基本 Agent 的创建第三周项目实践完成 2-3 个完整项目学习调试和优化技巧掌握部署方法11.2 推荐学习资源官方文档LangChain、Transformers 库的官方文档开源项目GitHub 上的相关开源项目代码社区论坛Stack Overflow、Reddit 的相关讨论区实践平台Google Colab 提供的免费 GPU 环境11.3 持续学习建议AI 领域发展迅速需要保持持续学习关注核心框架的更新日志参与开源社区的讨论和贡献定期复现优秀的开源项目建立自己的知识库和代码库这套教程的价值在于它提供了一个系统化的学习路径避免了初学者在碎片化信息中迷失方向。按照这个路径学习确实可以在较短时间内建立起扎实的 AI Agent 开发能力。对于想要快速入门的开发者建议先从一个小型但完整的项目开始比如一个能够查询天气、计算数学题、回答常识问题的多功能助手。通过这样一个项目可以实践到 Agent 开发的各个环节为后续更复杂的项目打下坚实基础。
