前言
从2022年末，openai ChatGPT引爆AI热潮已经接近4年。4年来，AI的爆款如雨后春笋般火出圈，chatgpt-4、chatgpt-4o、deepseek、豆包、seedance、claude-code、codex、claw、workbuddy等等等等。
互联网大厂们不甘落后，每个热点都不肯放过，这四年来，大概都经历了这些过程：
- 基模期：22年底，互联网大厂老板纷纷拍大腿------------原来堆算力真的能大力出奇迹！一边纳闷自家研究那么久也没出成果，怎么人家一个创业公司就这么敢想敢干？一边召集自家的lab、实验室按照人家的方法，也快速搞出自己的第一版模型。
- 群魔乱舞期：在经过了半年的沉淀，大厂内的中层们坐不住了（这里主要是那些非大模型业务的）------------王侯将相宁有种乎，谁说不做模型就不能搞AI了。于是一场轰轰烈烈的内部创新潮开始了，公司的所有非AI业务都拆了一个新的方向：B平台搞了个"New B平台"，C产品搞了个"Next C产品"。这个阶段，只要能用个langchain调用LLM那就是合格的创新者；懂得RAG调优的，已经是佼佼者。
- 探索整合期：经过了1年的探索，New B平台、Next C都已经把简单收益拿到手了，老板们决定收网验一验大家卷了1年的成果。所以这个阶段，会把公司的AI项目收敛一下，同一个类目的项目派到做的最好的团队。而公司层面，也在探索AI除了对话助手还能做什么。这期间各个C端对话助手类产品烧钱不停。
- 降本增效期：在大厂还在琢磨ChatGpt的作业怎么不香了时，Anthropic先发制人，甩出王炸claude-code。虽然每个大厂的AI-coding都有布局，但是还远没有达到人家那种丝滑感。上个月大家遛弯还在焦虑啥时候被裁，结果立马就成为了现实，原来写代码才是最容易被替代的。与此同时，大厂内的研效提升达到了空前的热潮，所有人都在搞Skill、MCP。随之而来的还有Claw、Harness，正式宣告了大Agent时代到来。
对于个人而言，在25年之前，AI更多是一些探索项目；但26年开始，Agent开发已经是很明确的方向了。遗憾的是，当前市场上Agent开发岗位都要求有经验，这个筛选精准的筛掉了普通绩效的员工：有经验的Agent开发，大多是23年群魔乱舞期，被派去做"New B"、"Next C"的，这些人都是原本岗位的高绩效，普通绩效的负责维护"Old B"，"Before C"只能越来越边缘，强者恒强在这一刻具现化。
Agent开发入门
贩卖完焦虑，进入正题，如何学习Agent？博主的建议是分三步：
- 用一用市面的各种AI产品，比如豆包、千问、claude-code、Cozi等，了解Agent有哪些能力。
- 学习一个Agent开发工具，博主推荐Langgraph Python SDK，一方面SDK使用简单，一方面教程里有现成的demo便于实操
- 自己写个demo：比如实现一个能够帮你输出报告的聊天助手，能够把教程里的状态转换、打断、子图等应用上。至于Token，可以先薅一下各个平台的免费额度比如百炼等。
Agent开发
博主不是大牛，这里记录一下博主的踩坑过程，希望对大家有一些帮助：
关于structure output
- 使用trustcall.create_extractor方式获取格式化输出，有可能有的模型不支持，所以慎用
- structure定义里的字段，如果Field里不带default就会被设置为必须，那么大模型返回的json如果没有这个字段，就会报错；并且即使Field里写了详细的字段定义及例子，模型可能仍然无法正确输出，需要在调用模型的prompt里写字段含义
关于图之间参数透传
- 子图之间的state可以不一样，但是透传的字段必须都包含
关于tool_call
- 使用bind_tools方式调用模型，返回的是tool_call，需要手动解析来手动调用，所以用create_react_agent可以省去手动写tool调用的代码
- 要在tool的注释里明确写明每个字段的含义，要什么，不要什么
关于plan-execute模式
- execute时，模型喜欢自言自语完成了哪些任务，实际上可能并没有做
- 实际上是tool没有执行成功，但是这个tool_call被记录到了历史消息里，导致模型下次执行在历史里发现了它所以导致出现了幻觉，应该每次执行后把tool的调用和执行结果都记录下来
- executor会去执行的步骤可能有很多，如果我想优化某一步的效果，可能需要在executor的prompt里增加对应的约束，但是这样会使executor的prompt越来越臃肿
- 还是要看职责，如果是执行相关的，放到executor里；如果是某个专有功能相关的，可以考虑新增一个专有节点来处理这个
关于模型输出的坑
- 模型输出的内容不可控，需要有各种校验、约束（比如要求模型输出的为【发送邮件】，它可能输出【1.发送邮件】）
关于Token节约
- 读项目代码/文章前先在内存存一份目录图谱结构
- 每次获取相关代码内容，都是一次本地目录的检索行为，并且做成分页检索，每次只读一个子目录，直到读完所有相关内容，再进行summary整理，给到模型进行分析
- 读文件也要分页，每次只读相关代码附近XXX行内容