企业官网建设流程全解析

最近在社区里看到不少准备 Agent 方向的读者提问：Agent 开发到底该怎么入门？教程很多，但要么只讲概念，要么贴一段代码就结束，缺少一条可以照着走的完整路线。尤其是准备面试的同学，往往能背出 ReAct、Function Calling、RAG、多 Agent 这些词，却很难讲清楚自己实际做过什么。Agent 开发是典型的实践型方向，只看不动手，很难形成真正的工程能力。这篇教程整理了一条从入门到进阶的 Agent 实战项目路线，一共 15 个项目：从手写最小 Agent 循环、Function Calling 工具调用，到 RAG 知识库、长期记忆、多 Agent 协作，再到 LangGraph 编排、Dify 低代码平台、企业级服务化落地。每个项目都会说明场景、核心知识点、技术栈和实现思路，方便照着做，也方便当作面试项目去深挖。

1. Agent 到底是什么？和普通 LLM 应用有什么区别

1.1 从“问答机器人”到“能办事的助手”

大语言模型（LLM）本身解决的是“文本生成”问题：给它一段输入，它返回一段输出。ChatBot 就是这种模式的典型应用，本质上是一问一答，缺少对真实世界的感知和操作能力。

Agent 则是在 LLM 基础上增加“行动能力”的智能体。它不仅能理解用户的问题，还能把问题拆解成多个步骤，主动调用外部工具获取信息，根据返回结果继续推理，直到完成整个任务。举个例子：普通问答机器人只能告诉你“北京今天的天气可能要查天气网站”，而一个天气 Agent 会真的调用天气 API，拿到数据后再告诉你“北京今天晴，26 摄氏度”。

所以业界经常用一个比喻：LLM 是大脑，Agent 是给大脑装上了手、脚和工具。大脑负责思考，工具负责执行，Agent 负责把两者串起来，形成一个完整的“感知—决策—行动—反馈”闭环。

1.2 Agent 的四个核心能力：规划、工具、记忆、执行

要理解 Agent 开发，先要理解它的四个核心能力，这也是几乎所有 Agent 项目的底层骨架。

第一是规划（Planning）。模型接到任务后，要把复杂任务拆成若干子步骤。例如“帮我整理一份行业调研报告”，Agent 需要拆解成“搜索行业背景、收集头部公司信息、整理数据、生成报告”等步骤。第二是工具（Tools）。模型本身不能执行外部操作，但可以通过 Function Calling 或 MCP 等方式调用函数、API、数据库、命令行工具。第三是记忆（Memory）。短期记忆指当前对话的上下文，长期记忆则把历史信息存入向量库或数据库，让 Agent 在多次对话中记住用户偏好和项目进展。第四是执行（Execution）。Agent 调用工具后，要把工具返回的结果回填给模型，让模型判断结果是否满足需求，再决定继续操作还是结束任务。

这四个能力不是割裂的，任何一个成熟的 Agent 项目，都要在架构设计上同时考虑它们。初学者最大的误区，是把 Agent 等同于“调 API 套 Prompt”，忽略了工具调用和任务状态的编排，导致做出来的东西只能演示，不能真正解决业务问题。

1.3 学 Agent 开发需要哪些基础

对于零基础转 Agent 开发的同学，不需要担心门槛太高。最核心的几项基础能力是：Python 基础语法、HTTP API 调用方式、Prompt 工程基础，以及一点数据库和向量数据库概念。这些内容通常一两个月就能掌握。

需要注意的是，Agent 开发并不要求你从零训练模型，也不强制要求深厚的深度学习背景。市面上大部分 Agent 项目，都是基于现成的 LLM API 完成，核心工作量在“任务拆解、工具设计、数据回流、异常处理”这几个层面。换句话说，你的核心竞争力不是“懂模型怎么训练”，而是“会用模型解决真实问题”。

2. Agent 开发环境准备与框架选型

2.1 基础运行环境

正式开始做项目前，先准备好一套干净可复现的开发环境。以下环境为常见示例，具体版本请根据你实际项目情况调整，重点演示的是配置思路。

• 操作系统：Windows / macOS / Linux 均可，建议本地开发用 macOS 或 Linux，生产部署用 Linux 服务器。
• Python：建议使用 3.10 及以上版本，很多 Agent 框架和类型注解特性依赖新版本。
• 依赖管理：建议创建虚拟环境，避免多个项目之间的包冲突。
• IDE：VS Code 或 PyCharm 均可，推荐 VS Code，配合 Python 插件即可满足调试需求。
• 版本管理：Git 仓库从第一个项目就开始建，提交历史本身就是学习记录。

创建虚拟环境并安装基础依赖的命令如下：

mkdir agent-projects cd agent-projects python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install openai python-dotenv

2.2 模型 API 怎么选

国内可用的 LLM API 选择非常多，例如 DeepSeek、通义千问、Kimi、智谱 GLM、豆包等，大部分都兼容 OpenAI 的接口格式。这意味着你只需要改 base_url 和 model 名称，代码几乎不需要大改。

本文示例以 OpenAI 兼容接口为基准，以 DeepSeek 为例演示，具体模型名称和服务商地址请以官网文档为准。建议在项目根目录创建.env文件保存 API Key，不要硬编码在代码里：

# .env 示例，请勿提交到 Git API_KEY=你的API密钥 BASE_URL=https://api.deepseek.com MODEL_NAME=deepseek-chat

用python-dotenv加载环境变量，代码里统一读取，这样不同项目切换模型服务商时，只需要改配置文件。

2.3 主流 Agent 框架怎么选

现在社区里提到的 Agent 框架非常多，这也是很多初学者容易困惑的地方：到底该学哪个？下面整理了一个选型参考表。

我的建议是：不要把框架当作学习起点。框架只是工具，Agent 的核心原理是“模型 + 工具 + 循环”。如果你一上来就学 LangChain，很容易被各种抽象类和组件绕晕，遇到报错也不知道根因。更合理的学习路径是先手写一个最小 Agent 循环，理解每一行代码在做什么，然后再引入框架提升开发效率。这也是接下来第三部分要带大家做的事情。

3. 先动手：从零搭建一个最小 Agent

3.1 Agent 运行的基本流程

在写代码之前，先把 Agent 的执行流程想清楚。一个最简单的 Agent 循环通常包含以下步骤：

1. 用户输入任务。
2. 系统 Prompt 描述 Agent 的角色、可用工具和输出格式。
3. LLM 根据任务决定是直接回答，还是调用某个工具。
4. 如果调用工具，解析出工具名称和参数，执行对应函数。
5. 把工具返回结果拼接到对话中，继续交给 LLM 推理。
6. LLM 满意后输出最终回答，循环结束。

这个模式就是经典的 ReAct（Reason + Act）思想：模型先思考，再行动，观察结果后继续思考，直到完成任务。理解了这个循环，你就能看懂所有 Agent 框架内部到底在做什么。

3.2 手写一个 ReAct 循环示例

下面给出一个极简可运行的 ReAct 循环骨架，不依赖任何 Agent 框架，只有 OpenAI 兼容接口和 Python 标准库。这个示例的核心在于让你看清“思考—行动—观察”的完整闭环。

# agent_skeleton.py # 最简 Agent 循环骨架，用于理解 ReAct 模式 from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.deepseek.com", ) # 定义工具表 TOOLS = { "get_weather": lambda city: f"{city}：晴，26℃", } SYSTEM_PROMPT = """你是一个智能助手。当需要查询天气时，你必须调用 get_weather 工具。 输出格式严格遵循以下两行： Action: 工具名 Action Input: 参数 如果不需要工具，直接输出最终答案。""" def call_llm(messages): resp = client.chat.completions.create( model="deepseek-chat", messages=messages, ) return resp.choices[0].message.content def run_agent(user_input, max_steps=5): messages = [ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_input}, ] for step in range(max_steps): text = call_llm(messages) print(f"[Step {step}] LLM 输出：{text}") if "Action:" not in text: return text action_line = [line for line in text.splitlines() if line.startswith("Action:")] input_line = [line for line in text.splitlines() if line.startswith("Action Input:")] if not action_line or not input_line: return f"解析失败：{text}" action_name = action_line[0].split(":", 1)[1].strip() action_input = input_line[0].split(":", 1)[1].strip() if action_name not in TOOLS: return f"未知工具：{action_name}" result = TOOLS[action_name](action_input) messages.append({"role": "assistant", "content": text}) messages.append({"role": "user", "content": f"工具返回结果：{result}"}) return "达到最大步数，任务未完成" if __name__ == "__main__": print(run_agent("北京今天天气怎么样？"))

这个示例故意写得非常朴素，没有使用 Agent 框架，原因是要让大家理解底层逻辑。实际项目中，你会把“调用 LLM”“解析输出”“执行工具”三个环节拆分得更清晰，并加入异常处理和日志记录，但整体骨架不会变。

3.3 升级：使用 Function Calling 规范工具调用

手写 ReAct 的缺点在于：模型输出格式容易不稳定，解析出错率较高。更成熟的做法是使用 Function Calling，让模型在 API 层就输出结构化的工具调用参数。

# function_calling_demo.py import json from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.deepseek.com", ) tools = [ { "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的实时天气", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名，例如：北京"} }, "required": ["city"], }, }, } ] def get_weather(city: str) -> str: # 真实项目中替换为天气 API 请求 return f"{city}：晴，26℃" messages = [{"role": "user", "content": "北京今天天气怎么样？"}] resp = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=tools, tool_choice="auto", ) msg = resp.choices[0].message print("模型回复对象：", msg.model_dump()) if msg.tool_calls: tool_call = msg.tool_calls[0] args = json.loads(tool_call.function.arguments) city = args["city"] weather_result = get_weather(city) messages.append(msg) messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": weather_result, }) final_resp = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=tools, ) print("最终回答：", final_resp.choices[0].message.content)

通过tools参数，我们把函数的名称、描述、参数结构告诉模型。模型在需要时会返回tool_calls字段，里面包括工具名和 JSON 格式的参数，代码再用json.loads解析后执行。使用 Function Calling 之后，工具调用的稳定性会大幅提升，这也是目前大多数生产级 Agent 项目采用的标准方式。

4. 15 个 Agent 实战项目清单：从入门到进阶

下面进入本文的核心部分。我将 15 个项目按难度分成三个阶段，每个项目都给出场景、核心知识点、技术栈和实现思路。先看总览表：

4.1 入门阶段：先把单 Agent 和单工具做扎实

项目 01：智能问答助手

这是所有 Agent 项目的起点，目标是做一个能记住上下文的智能问答助手。实现时不需要复杂框架，只需要调用 LLM API，并处理好 messages 数组的拼接逻辑。核心知识点是系统 Prompt 设计：如何设定助手角色、回答风格、回答边界。实现思路是你需要自己实现一个会话管理类，把用户每次输入和模型输出按顺序存入 messages，当上下文超过模型窗口时，采用截断或摘要策略。这个项目虽然简单，却是后续所有 Agent 项目的地基，能帮助你理解对话状态管理的本质。

项目 02：天气查询 Agent

在项目 01 的基础上引入第一个工具调用。通过 Function Calling 定义一个 get_weather 函数，让模型识别用户问题中的城市并自动提取参数。真实落地时，你可以在函数内部调用和风天气、OpenWeatherMap 等公开天气 API。核心知识点是工具描述怎么写、参数校验怎么做、工具执行异常如何处理。这个项目的完成标准是：用户问“北京明天冷吗”，Agent 能正确解析城市和日期，调用 API 返回结构化天气数据，再组织成自然语言回答。做完这个项目，你就掌握了 Agent 最核心的“工具调用”能力。

项目 03：个人知识库问答（RAG）

RAG（检索增强生成）是目前企业落地最广的 Agent 形态。项目思路是收集一批文档（例如公司制度、产品说明、课程资料），切分成段落，通过 Embedding 模型转成向量存入向量数据库。用户提问时，先检索最相关的文档片段，再把这些片段作为上下文交给 LLM 生成答案。技术栈建议使用 OpenAI 兼容的 Embedding 接口、Chroma 或 Milvus 等向量库，也可以直接使用 Dify 自带的知识库功能。这个项目的关键不在于调用接口，而在于切片粒度、检索策略、重排序等工程细节，面试时非常值得深聊。

项目 04：邮件分类与摘要 Agent

这是一个典型的办公自动化场景。输入是大量邮件文本，Agent 需要完成三件事：判断邮件类型（咨询、投诉、合作、垃圾邮件）、生成摘要、提取关键信息（联系人、时间、待办事项）。核心知识点是结构化输出，让模型以 JSON 格式返回结果，然后再用 Pydantic 做数据校验。实现时可以构建一个批处理脚本，逐条读取邮件并调用 LLM，把结果输出为 CSV 或写入数据库。这个项目虽小，但覆盖面很全，能锻炼你处理真实文本数据的能力。

项目 05：代码审查 Agent

适合有编程基础的开发者。项目目标是让 Agent 读取指定 Git 仓库的代码文件，检查常见问题：空指针风险、未捕获异常、硬编码密钥、代码规范等。实现思路是先用 Python 脚本遍历仓库文件，过滤掉依赖目录和生成文件，然后按文件或按函数切片交给 LLM 审查，最后汇总成审查报告。核心知识点是长文本处理：代码文件可能超过模型上下文窗口，需要先做代码结构分析，再按需加载。这个项目在面试中很有说服力，因为它直接体现了 Agent 在研发场景中的实际价值。

4.2 进阶阶段：工具编排 + 记忆 + 多 Agent

项目 06：SQL 数据分析 Agent

让 Agent 直接对接数据库，用自然语言生成 SQL 并执行查询。这个项目能让你同时掌握工具调用和数据库安全两方面的能力。实现时，Agent 需要具备两个工具：一个用于读取数据库表结构信息，另一个用于执行只读 SQL 查询。关键注意点有三个：第一，连接数据库必须使用最小权限账号，只授予 SELECT 权限；第二，Agent 生成的 SQL 必须先做语法校验和关键词拦截，防止危险语句；第三，执行结果要限制返回行数，避免一次拉取过多数据。这个项目完成后，你可以在面试中重点讲“如何让大模型安全地操作数据库”。

项目 07：日程管理 Agent

这是一个多工具协同的典型项目。Agent 需要同时管理“读取当前时间”“查询日历”“创建日程”“发送提醒”等多个工具。用户说“帮我约周五下午三点和产品经理开会”，Agent 要先解析时间表述，再查日历确认冲突，最后创建日程并返回结果。核心知识点是时间解析和工具选择策略：模型必须根据用户意图选择正确工具，而不是把所有工具都执行一遍。实现时建议用 FastAPI 写一个本地日历服务的模拟接口，Agent 通过 HTTP 调用它，这样更接近生产环境。

项目 08：带长期记忆的对话 Agent

项目 01 只解决了短期上下文，这个项目要解决长期记忆。具体场景是：用户隔了一周再次打开应用，Agent 还能记得用户上次提到的项目名称和偏好。实现思路是维护一个记忆存储层，对话过程中由模型抽取关键信息（用户偏好、待办事项、重要事实），写入向量数据库或 Redis；下次对话时，先检索相关记忆再拼接进上下文。核心知识点是记忆写入时机、记忆检索策略、记忆更新与删除。这个项目能直接回答面试中经常出现的“Agent 记忆怎么设计”问题。

项目 09：联网搜索调研 Agent

让 Agent 接入搜索 API，完成“调研—总结—出报告”的完整闭环。用户输入一个课题，Agent 拆解出多个搜索关键词，依次调用搜索接口获取结果，对重要网页抓取正文并摘要，最后整合成一份带标题和小节的调研报告。核心知识点是任务拆解和结果聚合，难点在于模型容易在搜索过程中丢失中间结论，所以要用结构化数据结构存储每个步骤的结果。建议引入简单的“状态管理器”，记录已完成和待完成的搜索任务。这个项目非常适合作为作品集展示。

项目 10：多 Agent 协作系统

从单 Agent 进入多 Agent 阶段。最常见的设计是“规划者 + 执行者”模式：规划者 Agent 负责拆解任务、分配步骤；执行者 Agent 负责调用具体工具完成子任务；最后再由规划者汇总结果。实现时可以直接用 Python 自己写一个简单的消息队列，也可以引入 AutoGen 或 LangGraph 的团队模式。核心知识点是 Agent 间通信协议、任务状态同步、失败重试机制。这个项目能很好地展示你对 Agent 架构的理解深度，面试时建议画出系统交互图来讲。

4.3 高级阶段：框架化、平台化、生产化

项目 11：LangGraph 工作流编排

当 Agent 的任务分支越来越多，手写循环会变得难以维护，这时就需要引入编排框架。LangGraph 的核心思想是把 Agent 流程定义成一张状态图，节点是“调用模型”“执行工具”“人工审核”等操作，边表示状态流转条件。例如一个客服 Agent 可以设计成：意图识别节点 → 判断是否需要人工 → 需要则进入人工节点，不需要则走自动回复节点。核心知识点是节点设计、条件边、状态持久化、断点恢复。使用 LangGraph 时要注意版本迭代速度较快，API 以官方文档为准。

项目 12：Dify 低代码 Agent 应用

Dify 是目前国内使用率很高的开源 LLM 应用平台，支持可视化工作流编排、知识库接入、Agent 节点、工具节点和对话管理。你可以把之前做的知识库问答、天气查询等功能在 Dify 里重新搭建一遍，对比手写代码和平台方案的区别。核心知识点是工作流节点之间如何传参、知识库检索参数如何调优、发布的 API 如何鉴权。这个项目能让你具备“快速给业务方交付一个 Agent 应用”的能力，这在企业里非常实用。做完后再思考哪些功能需要回到代码层定制，就能形成对低代码平台的客观认知。

项目 13：AutoGen 多 Agent 讨论系统

AutoGen 是微软开源的多 Agent 对话框架，适合做“多角色讨论”类场景。例如设计一个“产品评审小组”：产品经理 Agent、技术 Agent、用户代表 Agent 针对同一个需求进行多轮讨论，最后输出会议结论。核心知识点是对话终止条件、Agent 角色设定、多轮对话中的信息一致性。实现时要注意控制讨论轮数，否则模型会陷入无意义的循环。这个项目面试时很有话题性，可以结合“多 Agent 和单 Agent 各自的适用场景”来展开回答。

项目 14：行业研报生成 Agent

这是一个综合型项目，适合作为简历上的主打项目。场景是给定一个行业关键词，Agent 自动生成一份结构化研报，包含行业概况、市场规模、头部企业分析、风险提示等章节。技术栈建议组合 RAG、多 Agent、结构化输出：数据采集 Agent 负责搜索和抓取，分析 Agent 负责整理数据，写作 Agent 负责生成报告，最后通过校验模块检查报告格式和引用来源。核心难点是如何保证数据真实性和报告结构稳定性，建议给每个章节定义输出模板，并让校验 Agent 对最终报告做二次审核。这个项目能同时展示你的系统设计能力和工程落地能力。

项目 15：企业级 Agent 服务化平台

最后一个项目是把前面的能力做成一个可对外服务的系统。建议技术栈为 FastAPI 或 Spring Boot 提供 HTTP 接口、Celery 或消息队列处理异步任务、Redis 做缓存和会话存储、PostgreSQL 存储业务数据、Dify 或自研 Agent 核心作为执行引擎。你需要实现用户鉴权、请求限流、任务状态查询、日志追踪、成本统计等基础能力。这个项目的价值在于让面试官相信你不只是会写 Demo，而是能考虑到生产环境中的稳定性、安全性和可观测性。如果时间有限，至少要把“用户请求 → 任务入队 → Agent 执行 → 结果回调”这条链路完整跑通。

5. Agent 开发高频报错与排查思路

做 Agent 项目时，有几个报错几乎是每个人都会遇到的。这里整理成表格，方便快速定位。

其中最需要重视的是第一类报错。很多框架在 Agent 执行过程中一旦遇到工具异常，会直接终止整个任务并提示“you can prompt the model to try again or start”。这个提示的意思是：框架无法自动恢复，需要你修正工具或重试。遇到这类问题，不要只盯着最后的报错信息，要打开中间步骤日志，看模型到底调用了哪个工具、传了什么参数、工具内部抛了什么异常。绝大多数情况下，根因都是工具函数写得不够健壮，或者工具描述没有覆盖边界情况。

针对 API 超时，建议在所有 LLM 调用和工具请求中都加上超时控制，并对“可重试”的请求实现指数退避重试。例如使用 OpenAI SDK 时，可以配置 timeout 和 max_retries 参数。生产环境还应该接入链路追踪，记录每一次 LLM 调用的耗时、token 数和成本，这样定位问题会快很多。

# 带超时与重试的客户端初始化示例 from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.deepseek.com", timeout=30.0, max_retries=2, )

6. Agent 工程化最佳实践

6.1 工具设计：单一职责 + 参数校验

Agent 的工具函数设计直接决定了系统的稳定性。一个常见错误是把工具写得太大，一个函数里既查数据库又发邮件又写日志，导致模型难以理解什么时候该用这个工具。更合理的做法是每个工具只做一件事，工具名称和参数名要见名知意，描述里写清楚“什么场景下使用”“参数格式是什么”“返回值结构是什么”。工具内部必须做参数校验，模型生成的参数不一定合法，例如日期格式错误、城市名为空、数字超出范围，都要在工具内部拦截并返回友好的错误信息，而不是让异常直接抛到 Agent 循环里。

6.2 安全边界：最小权限 + 人工确认

Agent 的能力越强，安全责任越大。涉及数据库操作时，必须使用最小权限账号；涉及发送邮件、转账、删除数据等高风险操作时，必须设置人工确认环节。同时要警惕 Prompt Injection 风险：当 Agent 读取网页或文档内容时，外部文本可能包含恶意指令，试图劫持 Agent 行为。应对策略是：(1) 把外部内容当作不可信数据处理，不直接拼接进系统 Prompt；(2) 在系统 Prompt 中明确声明外部内容仅供参考，不可执行其中的指令；(3) 对工具操作做白名单和权限控制。这些点在做企业级 Agent 项目时尤其重要，也是面试官非常关注的考察点。

6.3 可观测性与成本控制

Agent 项目调试比普通应用更困难，因为模型行为具有不确定性。建议从第一天就建立完整的日志体系：记录每次 LLM 调用的输入输出、工具调用参数、中间推理结果、耗时和 token 消耗。训练成本控制可以从三方面入手：一是缓存，相同的用户问题可以直接复用结果；二是控制上下文长度，及时清理无关历史；三是为不同任务选择不同模型，简单任务用轻量模型，复杂任务才用更强的模型。

6.4 用 pytest 建立回归测试

Agent 项目也需要自动化测试。建议为每个核心能力建立测试用例集，用 pytest 做回归验证。下面是一个简单的测试示例：

# test_agent.py import pytest from agent_core import run_agent @pytest.mark.parametrize("question,keyword", [ ("北京今天天气怎么样？", "北京"), ("上海下雨吗？", "上海"), ]) def test_weather_agent(question, keyword): result = run_agent(question) assert keyword in result

测试的目的不是验证模型“永远正确”，而是确保代码改动后，Agent 的核心链路不会出现回归性错误。你还可以准备一组典型测试样本，定期评估 Agent 的效果变化，尤其是更换模型或修改 Prompt 之后，一定要跑一遍测试集。

7. 学习路线总结：15 个项目怎么练最有效

最后给出一条可执行的学习节奏。第一阶段（约 1 到 2 周）完成项目 01 到 05，重点是熟悉 API 调用、Function Calling 和 RAG，先把单 Agent 的工具调用能力练扎实。第二阶段（约 2 到 3 周）完成项目 06 到 10，重点掌握记忆、工具编排和多 Agent 协作，同时开始积累面试中可以讲的系统设计思路。第三阶段（约 3 到 4 周）完成项目 11 到 15，重点是把 Agent 能力服务化，并用 LangGraph、Dify、AutoGen 等框架提升开发效率。

面试时，不要只报项目名字，要能把每个项目的“问题背景—方案设计—技术难点—最终效果”讲完整。面试官通常更关心这几个问题：任务怎么拆解的？工具调用失败如何恢复？上下文超长怎么处理？如何评估 Agent 效果？如何控制成本和安全风险？这些答案，都需要你在真实项目里踩过坑才能回答得具体。

Agent 开发仍然是一个非常新的领域，框架和模型迭代速度很快，但底层的“规划—工具—记忆—执行”框架不会过时。把这 15 个项目按顺序练下来，你收获的不只是代码，而是一套独立设计 Agent 系统的能力。如果这份项目清单对你有帮助，建议先收藏，然后从项目 01 开始动手写第一行代码。毕竟 Agent 这件事，看十篇教程，不如亲手跑通一个循环。