AI Agent 7天零基础入门实战计划
前置说明：分两种人群，会Python直接走代码路线；完全不会编程先做无代码体验，每天1–2小时即可完成。
核心目标：7天结束能手写简易Agent、用框架做可落地智能体，吃透Agent循环、工具调用、记忆三大核心。
Day1 认知入门+无代码搭建（建立直观感受）
学习目标：分清LLM与Agent，亲手做出第一个可用智能体
- 理论30分钟
◦ 记住公式：Agent=大模型大脑+记忆+规划+工具+循环执行
◦ 弄懂Agent Loop完整流程：提问→思考→调用工具→拿到结果→继续/结束
◦ 了解四大组件：LLM、Memory、Planning、Tools
- 实操1小时（Dify/扣子二选一，无需写代码）
◦ 注册云端试用，新建Agent应用
◦ 绑定任意大模型API（DeepSeek、通义千问均可）
◦ 开启联网搜索、计算器工具，写一段基础系统提示词
◦ 测试复杂任务：“查武汉今日天气，再算3天出行预算”，观察自动分步执行
- 当日作业：记录Agent什么时候会调用工具、什么时候直接回答，总结规律
Day2 代码前置基础：大模型Function Calling（代码路线起点）
学习目标：掌握Agent最底层核心——工具调用
- 理论20分钟
◦ 理解Function Calling作用：让模型输出标准JSON工具参数
◦ 看懂工具描述Schema写法（函数名称、功能、入参类型、说明）
- 实操1.5小时（Python）
◦ 安装openai/llm接口库，完成单次大模型对话调用
◦ 定义1个工具（计算器），编写对应schema
◦ 解析模型返回的tool_call，执行计算并把结果回传给模型
- 当日作业：实现单工具对话，能完成“计算128*36+90”完整链路
Day3 手写极简原生Agent（不依赖任何框架，吃透底层）
学习目标：脱离框架黑盒，自己实现Agent循环
- 理论15分钟
◦ 复习ReAct思考行动范式：思考→行动→观察
◦ 明白while循环是Agent自动迭代的核心
- 实操1.5小时
◦ 新增第二个工具：模拟天气查询函数
◦ 搭建完整循环逻辑：
用户提问 → LLM判断是否调用工具 → 执行函数 → 拼接结果再次传入LLM → 判断是否结束对话
◦ 加入短期上下文记忆，多轮对话不丢失信息
- 当日作业：纯手写无框架Agent，支持搜索+计算双工具自动执行
Day4 LangChain框架入门，标准化开发Agent
学习目标：使用工业级框架简化开发，替代手写循环
- 理论20分钟
◦ 了解LangChain核心模块：ChatModel、Tool、Agent、Memory
◦ 区分OpenAI Agent、ReAct Agent两种主流类型
- 实操1.5小时
◦ 安装langchain全套依赖，配置大模型
◦ 用LangChain封装计算器、搜索工具
◦ 快速创建ReAct多工具Agent，一行代码启动执行循环
◦ 添加ConversationBufferMemory短期对话记忆
- 当日作业：基于LangChain复刻Day3的天气+计算智能体，对比手写代码简化程度
Day5 Agent增强：RAG知识库+长期记忆
学习目标：解决大模型幻觉，让Agent读取私有文档
- 理论20分钟
◦ RAG作用：私有PDF/文本切片→向量化检索→传入Agent上下文
◦ 短期记忆vs长期向量记忆适用场景
- 实操1.5小时
◦ 安装向量库Chroma，加载本地文档做文本分割、向量化存储
◦ 封装检索工具接入LangChain Agent
◦ 测试：上传一份产品文档，让Agent结合文档内容+联网搜索回答问题
- 当日作业：搭建「文档问答+联网查询」复合型智能体
Day6 LangGraph进阶：复杂任务规划与分支流程
学习目标：掌握2026生产级Agent编排框架，支持复杂多步骤任务
- 理论20分钟
◦ LangGraph核心：用图结构替代简单循环，支持分支、重试、反思
◦ 简单流程：思考节点→工具调用节点→判断终止节点
- 实操1.5小时
◦ 搭建基础Graph工作流，复刻基础Agent能力
◦ 增加自反思逻辑：工具查询结果不足时，自动重新搜索补充信息
◦ 实现任务自动拆分：长篇调研需求拆解成多步执行
- 当日作业：做一份市场调研Agent，自动分步骤搜索、汇总信息
Day7 综合实战项目+复盘巩固
学习目标：整合前6天全部知识点，产出完整可交付Agent
项目2小时（自选其一）
方案1（办公向）：周报自动化Agent
能力：读取Excel数据、联网查行业资讯、计算数据、生成周报文档
方案2（调研向）：行业分析智能体
能力：私有行业知识库检索、多轮联网搜索、数据计算、总结报告完整复盘30分钟
◦ 梳理完整技术链路：提示词→Function Calling→Agent循环→记忆→RAG→LangGraph
◦ 整理踩坑点：Schema描述模糊、循环死调用、知识库检索不准确的解决方案
结业检验标准
不用框架能手写基础Agent循环
会用LangChain快速搭建多工具智能体
可结合向量知识库实现私有资料问答
能使用LangGraph编排复杂多步骤任务
配套入门小贴士
无编程基础人群：Day1完整吃透，Day2-Day7先用Dify可视化对应功能理解逻辑，再补Python基础
工具选择：国产模型API成本更低，新手优先DeepSeek、通义千问
避坑重点：所有工具描述一定要写清楚适用场景，减少模型无意义重复调用
