开场暴击：Agent 工程师正在血洗招聘市场
先聊点刺激的。
这两年冒出来一个岗位叫 Agent 工程师，直接把传统软件工程师的薪资天花板给捅穿了。企业抢人抢到疯------不是因为他们会写更漂亮的代码，而是因为他们能把 AI 变成真正能干活的数字员工。
你手机上那些 App，扒开皮看看：Cursor 不是编辑器，是一个能读你代码库、自己写代码、自己改 bug 的 Agent。豆包不是聊天框，是能调日历、搜邮件、帮你写周报的 Agent。飞书 CLI 更狠，直接在命令行里塞了个会操作电脑的 AI。Claude、OpenClaw、Hermes、悟空、Workbody......名字千奇百怪，内核一模一样。
一个 Agent 强不强，取决于三样东西：用了什么脑子、装了哪些工具、拿到了什么情报。
就这么简单。三样凑齐了，AI 就是你的数字分身。缺一样，它就只是个高级版小爱同学。
LLM 不是万能的神，它只是一个没有手脚的大脑
豆包背后是字节的模型，Claude 背后是 Anthropic。LLM 是 Agent 的大脑，这一点没人搞错。
但搞反的是------很多人以为 LLM 什么都能干。
真相是：LLM 只会两件事，推理 和生成。它没有手脚，碰不到外部世界。你让它查股价，它脑子里没有纽交所的实时数据。你让它发邮件，它连 SMTP 服务器长什么样都不知道。
那为什么 Cursor 能改你代码？因为 LLM 推理出 "用户想重构这个函数"，然后调了一个叫 edit_file 的工具。为什么豆包能查日历？因为 LLM 判断出 "明天下午三点有空"，然后调了日历 API。
LLM 是大脑，但它需要手和脚。手和脚，就是 Tool。
Tool：一顿操作猛如虎，全靠工具补
没有 Tool 的 AI，就像一个被关在玻璃房里的天才------满脑子想法，啥也执行不了。
来段代码，直观感受一下。假设你问 AI："青岛啤酒的收盘价是多少？" 没有工具的情况下，AI 要么说"我无法获取实时数据"，要么直接编一个数字糊弄你（这更可怕）。
有工具的情况下，流程是这样的：
第一步，LLM 自己推理：用户问的是实时股价，我脑子里的训练数据没有这个，但我工具箱里有个 get_closing_price，恰好能查。第二步，它生成一个 tool_call，参数填上"青岛啤酒"。第三步，你的代码执行这个函数，拿到 67.92。第四步，LLM 再把这个数字裹上一句人话丢给用户。
看代码。先把工具定义好：
javascript
import client from "./client.mjs";
const tools = [
{
type: "function",
function: {
name: "get_closing_price",
// ⚠️ 注意这里！description 是 LLM 理解工具的唯一入口
// 写烂了，LLM 就不知道该什么时候调它
description: "获取指定股票的收盘价",
parameters: {
type: "object",
properties: {
name: {
type: "string",
description: "股票名称" // 别写 "string类型的证券标识符"，LLM 看不懂人话之外的鬼东西
}
},
required: ["name"]
}
}
}
];工具函数长这样，朴实无华：
javascript
function get_closing_price(name) {
if (name === '青岛啤酒') return "67.92";
if (name === '贵州茅台') return "1488.21";
return "未找到股票";
}然后把工具挂到请求里，tool_choice: 'auto' 的意思是 "你自己看着办，该调就调，不该调就别瞎调"：
javascript
const send_message = async (messages) => {
return await client.chat.completions.create({
model: 'deepseek-v4-flash',
messages,
tools,
tool_choice: 'auto'
});
};
const main = async () => {
let messages = [
{ role: 'user', content: "青岛啤酒的收盘价是多少？" }
];
const response = await send_message(messages);
const message = response.choices[0].message;
console.log(message); // 你会看到 tool_calls，不是胡编乱造的价格
};
main();这里面有一个无数人踩过的坑：工具的 description 不是写给程序员看的，是写给 LLM 看的。 你写 "获取指定股票的收盘价"，LLM 秒懂。你写 "本接口通过 RESTful 风格调用证券数据源返回 JSON 格式的收盘价"，LLM 直接懵逼。参数 description 同理，"股票名称" 四个字比 "string 类型，符合 ISO 证券编码规范" 有效一百倍。
Reasoning：掀开 LLM 的天灵盖，看看它在想什么
LLM 每次回复你之前，其实脑子里都嘀咕了一大段。只是平时被藏起来了，你只能看到最终答案。
DeepSeek 良心，给了个参数叫 reasoning_effort，设成 'high' 之后模型会花更多 Token 做深度思考------而且，它把思考过程通过 reasoning_content 完整暴露给你。
javascript
import client from './client.mjs';
const main = async () => {
const result = await client.chat.completions.create({
model: 'deepseek-v4-flash',
reasoning_effort: 'high', // 别手软，设 high
messages: [
{
role: 'system',
content: '你是一个足球领域的专家，请尽量帮我回答与足球相关的问题'
},
{
role: 'user',
content: 'C罗是哪个国家的足球运动员？'
},
{
role: 'assistant',
content: 'C罗是葡萄牙的足球运动员'
},
{
role: 'user',
content: '内马尔呢？'
}
]
});
console.log('思考过程：');
console.log(result.choices[0].message.reasoning_content);
// ↑ 这里面你会看到模型的内心戏：
// "用户先问了C罗，答案是葡萄牙。现在又问内马尔，
// 结合上下文应该也是在问国籍。内马尔我记得是巴西的......"
console.log('最终答案：');
console.log(result.choices[0].message.content);
// "内马尔是巴西的足球运动员。" ------ 干净利落
};
main();这玩意儿有什么用？三个字：可解释性。
以前 LLM 输出一个莫名其妙的结果，你只能挠头------它到底怎么想的？Prompt 哪里写劈了？现在你把 reasoning_content 打出来一看，哦，原来它在第三步的推理跳步了，原来它把一个不相关的上下文硬扯进来了。定位问题、调优 Prompt 的效率直接翻倍。
一张图把四个概念串起来
以上聊了四个东西，单独看容易忘，串起来才是完整链路：
ini
messages（多轮对话上下文）
↓
LLM 接收，开启 reasoning_effort='high'
↓
推理过程中产出生 reasoning_content（思考过程，流式输出）
↓
判断：需要调工具吗？
├── 不需要 → 直接生成 content 输出
└── 需要 → 找到对应 tool → 填参数 → 执行函数 → 拿到结果
↓
再做一次 completion
↓
输出 content就这么一条线。Agent 靠 LLM 做推理，靠 Tool 做执行，靠 messages 记上下文。你把这三样拼好，再拿 reasoning_content 当调试窗口，基本上一个能打的 AI 应用就立起来了。
多说两句
市面上 AI 教程铺天盖地，但大部分都在教你怎么写 Prompt。Prompt 当然重要，但它只是 messages 里的一部分。
真正拉开差距的是两件事：你会不会给 LLM 装工具，你能不能看懂它的推理过程。
前者决定了 AI 能做多少事。后者决定了你多快能定位到它做错了什么。
这两个东西玩明白了，剩下的都是体力活。