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组成模块作用常见实现规划Planning把大目标拆解成子任务并决定执行顺序ReAct、Plan-and-Execute、思维链CoT工具Tools让 Agent 能调用外部系统比如搜索、数据库、APIFunction Calling、工具注册表记忆Memory保存对话历史、关键信息、长期偏好短期对话记忆、长期向量记忆行动Action执行规划好的任务并观察结果代码执行、API 调用、文件读写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。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。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。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。实现思路设计一个大纲生成 Prompt让模型先输出文章大纲把大纲拆成多个章节逐章节生成内容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_urlhttps://YOUR_API_BASE, api_keyYOUR_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( modelgpt-4o-mini, # 按你的实际模型调整 messages[{role: user, content: prompt}], temperature0.7, ) 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( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0.8, ) 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_urlhttps://YOUR_API_BASE, api_keyYOUR_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( modelgpt-4o-mini, messagesconversation_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。实现思路用requests获取网页 HTML用BeautifulSoup提取正文去掉 script、style、导航等干扰信息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。你需要把 Markdown 文档按标题或段落切分成 chunk用 embedding 模型向量化每个 chunk用户提问时向量化问题做相似度检索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, encodingutf-8) as f: content f.read() # 2. 切分文本 splitter RecursiveCharacterTextSplitter( chunk_size500, chunk_overlap50, ) chunks splitter.split_text(content) # 3. 向量化并存储 embeddings OpenAIEmbeddings() vectorstore Chroma.from_texts( textschunks, embeddingembeddings, persist_directory./chroma_db, ) # 4. 检索 query 如何配置数据库连接 results vectorstore.similarity_search(query, k3) for i, doc in enumerate(results): print(f--- 结果 {i1} ---) 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 5Function 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_urlhttps://YOUR_API_BASE, api_keyYOUR_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( modelgpt-4o, messages[{role: user, content: user_input}], toolstools, tool_choiceauto, ) 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( modelgpt-4o, messagesmessages, toolstools, ) 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。实现思路给 Agent 提供 pandas 工具描述数据文件的列结构用户提问后Agent 生成 Python 代码在受限环境中执行代码注意安全返回结果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。比如数据预处理读取数据做基本统计异常发现自动计算环比、同比标记异常波动总结生成基于统计结果生成文字结论报告组装把文字、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 可能需要调用搜索工具获取资料调用网页全文工具阅读关键文章调用总结工具生成初步结论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”。你需要收集领域数据并清洗设计领域专属 Prompt评估模型在领域样本上的表现必要时用 LLaMA Factory 或类似工具做 LoRA 微调。项目 11Agent 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。实现思路短期记忆维护一个消息滑动窗口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。常见的做法是先让 Agent 做信息提取和分类大概率正确的动作自动执行涉及资金、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 14Agent 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。核心要点使用流式输出SSE改善用户体验使用 Redis 缓存重复问答结果使用异步任务队列处理耗时的 Agent 任务监控每次 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。框架定位适合人群特点LangChainAgent 开发框架程序员、需要深度定制生态最大、组件最全、学习曲线陡LlamaIndex数据 / RAG 框架需要做复杂知识库索引、检索能力极强Agent 能力稍弱Dify可视化开发平台产品、运营、快速落地可直接部署有 UI 界面支持自定义工具Coze扣子国内低代码平台非程序员、快速尝鲜不用写代码内置大量插件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排查方向具体操作检查工具描述工具 description 是否模糊导致 Agent 反复选择一个工具设置最大迭代次数在循环外层加max_iterations限制防止无限循环观察中间输出打印每一步的推理过程看 Agent 在哪个环节陷入循环检查结果判断逻辑有些工具返回成功但 Agent 误判为失败会重试6.2 模型“忘了”之前的内容排查方向具体操作检查会话历史传递确认每次请求都带着完整 messages 列表检查上下文截断策略是否把关键信息截断了检查多轮消息顺序user / assistant / tool 消息顺序是否错乱检查用的是否是同一会话某些请求中断后重新创建了 session6.3 输出 JSON 格式不稳定排查方向具体操作使用 JSON Mode部分模型支持强制 JSON 输出加强 schema 说明在 Prompt 里给出完整 JSON 示例增加解析容错用json_repair这类库对损坏 JSON 做修复结合 Function Calling用工具定义替代自由文本输出会让结构化更稳定6.4 流式输出时前端显示乱码排查方向具体操作检查编码确保使用 UTF-8SSE 响应设置Content-Type: text/event-stream; charsetutf-8检查空格截断流式输出会在 markdown 语法中间截断前端需要容错渲染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。时间项目核心产出第 1-3 天项目 1、2可运行代码 Prompt 模板第 4-7 天项目 3、4RAG 基础流程 向量库使用经验第 8-12 天项目 5、6Function Calling 工程实践第 13-18 天项目 7、8、9多工具 多 Agent 架构第 19-25 天项目 10、11、12记忆机制 垂直场景第 26-30 天项目 13、14、15全栈 Agent 平台 部署上线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。