这是实用篇的收尾篇。前面 13 篇你一个个装、一个个配、一个个写，本篇换个角度------退一步看全局，把用过的工具按"你要解决什么问题"重新排一遍，给你一张选型地图。
目标
不再学新工具，而是建立自己的工具坐标系：以后遇到一个 Agent 需求，能立刻判断"该用哪类工具、翻回本系列哪一篇"。
一句话价值：工具是手段，不是目的。知道什么时候用什么，比囤一堆工具重要。
背景衔接
回头看，实用篇其实只回答了三件事：
- 让 Agent 跑起来（01--04：环境 + 模型接入）
- 把 Agent 用起来（05--08：现成智能体 Hermes / OpenClaw）
- 自己造 Agent（09--13：手写 → 标准化 → 编排 → 部署 → 开源）
下面按这个脉络，把每个工具放回它该在的位置。
一、全景：你在本系列用过的工具
| 类别 | 工具 | 解决什么 | 本系列哪篇 |
|---|---|---|---|
| 运行环境 | Python / Node / Docker / Git | Agent 跑在哪、怎么分发 | 01 |
| 编码 Agent | Claude Code | 在终端里让 AI 帮你写代码 | 01、02、04 |
| 模型接入 | DeepSeek（官网直连） | 用国产模型跑 Claude Code | 02 |
| 模型接入 | OpenRouter（中转站） | 一个 Key 调多个平台模型 | 03 |
| 模型接入 | CCSwitch | 多模型一键切换、配置持久化 | 04 |
| 助手型 Agent | Hermes | 记得你、长期陪跑的个人助理 | 05、06 |
| 执行型 Agent | OpenClaw（小龙虾） | 给 AI 装"数字手脚"去干活 | 07、08 |
| 手写 Agent | openai SDK + Tool Calling | 从零搭最小 Agent | 09 |
| 工具标准化 | MCP | 把工具用统一协议暴露 | 10 |
| 流程编排 | LangGraph | 把控制流画成可循环的图 | 11 |
| 部署 | Docker | 容器化，随处可跑 | 12 |
| 交付 | GitHub | 开源成公开作品 | 13 |
二、按"你要做什么"选工具
光有清单还不够，关键是场景驱动。下面几张决策表，遇到需求直接照查：
场景 A：我想让 AI 帮我写代码
- 主力：Claude Code（终端里直接用，第 01 篇）
- 模型不够用 / 想换国产模型：接 DeepSeek （第 02 篇）或 OpenRouter（第 03 篇）
- 经常切模型嫌麻烦：CCSwitch 一键切换（第 04 篇）
场景 B：我想要个"记得我"的私人助理
- Hermes：本地优先、跨会话记忆、能联动 Obsidian（第 05、06 篇）
- 注意：它偏"问答/陪跑"，不是"替你操作电脑"
场景 C：我想让 AI 真的去干一件事（建文件、点网页）
- OpenClaw（小龙虾）：执行型框架，靠 Skills + Sandbox（第 07、08 篇）
- ⚠️ 安全是前提：Sandbox 必开、第三方 Skill 来源要清白
场景 D：我想自己从零写一个 Agent
- 最小起步：openai SDK + Tool Calling（第 09 篇）
- 工具要给别的 Agent 用：MCP 标准化（第 10 篇）
- 流程复杂、要可视化/持久化：LangGraph 画图（第 11 篇）
- 上生产：Docker 打包（第 12 篇）→ GitHub 开源（第 13 篇）
三、补充推荐（本系列没展开，但值得知道）
盘点不能只讲用过的。这几个类别你迟早会碰上：
| 工具 | 类别 | 一句话定位 | 和本系列关系 |
|---|---|---|---|
| Ollama / llama.cpp | 本地模型 | 在自己机器跑开源模型，零 API 费用、数据不出本机 | 替代/补充 DeepSeek 官网直连 |
| Dify / Coze | 工作流型 | 浏览器拖拽搭 Agent，不用写代码 | 和 Hermes 互补，偏"搭应用" |
| LangChain | 底层框架 | LangGraph 的母体，更底层更灵活 | 11 篇的上游，复杂项目可下钻 |
| AutoGen（微软） | 多 Agent | 多个 Agent 互相对话协作 | 多 Agent 编排的另一条路线 |
| vLLM | 推理服务 | 把模型部署成高吞吐 API | Docker 部署的进阶，自己托管模型 |
诚实提醒：上面这些不是都要学。新人把本系列 14 篇走通，已经有完整动手能力；补充项等遇到具体需求再碰，别提前焦虑。
四、一个反过度工程的忠告
走完整个系列，最容易犯的错是工具囤积症------看到新框架就上，小项目也先 docker compose + K8s + 多 Agent。
记住这条主线判断（贯穿你整个工程观）：
- 本地调试 → venv 足够，别急着 Docker
- 单 Agent 能解决 → 别上 LangGraph
- 手写循环够用 → 别为"显得高级"抽 MCP
- 工具是杠杆，不是勋章
中小厂 Agent 岗位面试真正看重的，不是你用过多少工具，而是你能讲清为什么这样选、代价是什么、踩过什么坑------这正是本系列每篇"设计权衡 + 踩坑记录"想训练你的。
五、下一步去哪
实用篇到此结束。你已经具备"从零做出一个能跑、能部署、能公开的 Agent"的完整能力。
接下来两条路，按你的目标选：
-
想建立完整认知：回 AI Agent 入门指南（概念篇），把"它是什么"补全
-
想上生产、做可靠系统 ：进 AI Agent 工程实践 系列，那里不讲工具怎么装，只讲工程决策------为什么规则要分层、为什么需要 Review、Benchmark 怎么做才不沦为摆设
概念篇（它是什么）
↓
实用篇（怎么上手） ← 你在这里走完了
↓
工程实践（怎么上生产）
三专栏形成完整的 AI Agent 成长体系。能走到这一步，你已经超过绝大多数只停留在"调个 API"的初学者。
实用篇 · 全十四篇，到此闭环。
从"装环境"到"开源交付"，你亲手把一条 Agent 工程化链路走通了。下一步，是把这些动手能力，沉淀成能写进简历和讲进面试的工程思考。