增加每章节 README 文件

This commit is contained in:
2026-09-22 15:57:59 +08:00
parent 8e86665096
commit 9445061c76
49 changed files with 3815 additions and 6 deletions
@@ -0,0 +1,52 @@
# Agent 基础认知
> 所属:阶段二 · AI Agent 核心理论与基础范式
> 目标:建立 Agent 的基础认知:什么是 Agent、与 Chatbot 的本质区别、能干什么不能干什么。
---
## 📌 学习目的
建立 Agent 的基础认知:什么是 Agent、与 Chatbot 的本质区别、能干什么不能干什么。
## ✅ 学习要求(前置条件)
无。
## 📚 主要学习内容
- Agent 的「感知 → 规划 → 调用工具 → 反馈迭代」闭环
- Agent vs Chatbot:被动应答 vs 主动完成任务
- Agent 的能力边界:能调什么工具、能跑多长
- Bad-case:效果差的输入样本的归类
## 📖 对应 docs
- 目录:[`docs/02-阶段二-AI-Agent核心理论与基础范式/`](../../docs/02-阶段二-AI-Agent核心理论与基础范式/)(按目录名里的 `第 X 篇` 对应)
- 在 docs 目录里找到对应的小点 markdown 文件阅读详细理论。
## 🛠️ 建议练习
- [ ] 用一段话向完全不懂的人解释「Agent 是什么」
- [ ] 列出 5 个 Agent 能落地的真实场景,并标注每场景的核心工具
## 🏁 完成后达成标准
- [ ] 能一句话定义 Agent 并与 Chatbot 区分
- [ ] 能给出 Agent 的能力边界判断标准
---
## 🚀 运行提示
```bash
# 激活根目录的虚拟环境
cd /Users/jack/source/Demo/py/demo_python_agent
source .venv/bin/activate # 或直接用 uv run ...
# 进入本章目录
cd code/002_phase2_agent_theory/01_agent_basics
# 跑你的练习文件
uv run python your_exercise.py
```
@@ -0,0 +1,52 @@
# Agent 四大核心组件
> 所属:阶段二 · AI Agent 核心理论与基础范式
> 目标:拆解 Agent 的四大核心组件:规划、记忆、工具、行动。
---
## 📌 学习目的
拆解 Agent 的四大核心组件:规划、记忆、工具、行动。
## ✅ 学习要求(前置条件)
已完成「01_agent_basics」。
## 📚 主要学习内容
- 规划(Planning):目标拆解 / 子任务依赖图
- 记忆(Memory):短期 / 工作 / 长期 三层
- 工具(Tools):函数调用的「声明 / 调用 / 结果回传」三段
- 行动(Action):执行单元 + 异常处理 + 超时
## 📖 对应 docs
- 目录:[`docs/02-阶段二-AI-Agent核心理论与基础范式/`](../../docs/02-阶段二-AI-Agent核心理论与基础范式/)(按目录名里的 `第 X 篇` 对应)
- 在 docs 目录里找到对应的小点 markdown 文件阅读详细理论。
## 🛠️ 建议练习
- [ ] 把「帮我订明天去上海的机票」拆成规划 + 工具调用序列
- [ ] 为一个 Agent 画一张四大组件的协作图
## 🏁 完成后达成标准
- [ ] 能拆出任意 Agent 的四大组件对应到代码模块
- [ ] 能解释「记忆」为什么必须分层
---
## 🚀 运行提示
```bash
# 激活根目录的虚拟环境
cd /Users/jack/source/Demo/py/demo_python_agent
source .venv/bin/activate # 或直接用 uv run ...
# 进入本章目录
cd code/002_phase2_agent_theory/02_agent_core_components
# 跑你的练习文件
uv run python your_exercise.py
```
@@ -0,0 +1,53 @@
# 经典 Agent 工作范式
> 所属:阶段二 · AI Agent 核心理论与基础范式
> 目标:掌握 ReAct / Plan-and-Execute / Reflexion 三大基础范式的实现思路。
---
## 📌 学习目的
掌握 ReAct / Plan-and-Execute / Reflexion 三大基础范式的实现思路。
## ✅ 学习要求(前置条件)
已完成「02_agent_core_components」。
## 📚 主要学习内容
- ReAct:思考 → 行动 → 观察 循环
- Plan-and-Execute:先生成完整计划再逐步执行
- Reflexion:失败后反思错误再重试
- ToT / GoT / MAS:思维树 / 思维图 / 多智能体(了解即可)
## 📖 对应 docs
- 目录:[`docs/02-阶段二-AI-Agent核心理论与基础范式/`](../../docs/02-阶段二-AI-Agent核心理论与基础范式/)(按目录名里的 `第 X 篇` 对应)
- 在 docs 目录里找到对应的小点 markdown 文件阅读详细理论。
## 🛠️ 建议练习
- [ ] 用伪代码写一个 ReAct 主循环(带最大轮次限制)
- [ ] 用 Plan-and-Execute 写「查天气 → 算温差 → 建议穿衣」流程
- [ ] 在 ReAct 基础上加一层反思:「失败时让模型先总结原因」
## 🏁 完成后达成标准
- [ ] 能用伪代码写出三大范式的主循环
- [ ] 能区分何时用 ReAct、何时用 Plan-and-Execute
---
## 🚀 运行提示
```bash
# 激活根目录的虚拟环境
cd /Users/jack/source/Demo/py/demo_python_agent
source .venv/bin/activate # 或直接用 uv run ...
# 进入本章目录
cd code/002_phase2_agent_theory/03_agent_paradigms
# 跑你的练习文件
uv run python your_exercise.py
```
@@ -0,0 +1,52 @@
# Agent 框架选型决策
> 所属:阶段二 · AI Agent 核心理论与基础范式
> 目标:理解手写 vs 框架的权衡,掌握选型矩阵,能根据场景决定要不要引入 LangGraph 等框架。
---
## 📌 学习目的
理解手写 vs 框架的权衡,掌握选型矩阵,能根据场景决定要不要引入 LangGraph 等框架。
## ✅ 学习要求(前置条件)
已完成「03_agent_paradigms」。
## 📚 主要学习内容
- 手写 Agent 的好处:可控 / 轻量 / 学习价值高
- 框架的好处:状态管理 / 持久化 / 可视化 / 生态
- 选型矩阵:场景 × 团队规模 × 维护周期
- 何时不要上框架:极简单任务 / 一次性脚本
## 📖 对应 docs
- 目录:[`docs/02-阶段二-AI-Agent核心理论与基础范式/`](../../docs/02-阶段二-AI-Agent核心理论与基础范式/)(按目录名里的 `第 X 篇` 对应)
- 在 docs 目录里找到对应的小点 markdown 文件阅读详细理论。
## 🛠️ 建议练习
- [ ] 为三个真实场景分别给出「手写 / LangGraph / 其他」的选型建议
- [ ] 画一张「场景复杂度 × 维护周期」的选型决策图
## 🏁 完成后达成标准
- [ ] 能根据场景复杂度判断是否需要引入框架
- [ ] 能说清 LangGraph 比手写的具体收益
---
## 🚀 运行提示
```bash
# 激活根目录的虚拟环境
cd /Users/jack/source/Demo/py/demo_python_agent
source .venv/bin/activate # 或直接用 uv run ...
# 进入本章目录
cd code/002_phase2_agent_theory/04_agent_framework_selection
# 跑你的练习文件
uv run python your_exercise.py
```
@@ -0,0 +1,55 @@
# 阶段二综合实战 · 手写完整 Agent
> 所属:阶段二 · AI Agent 核心理论与基础范式
> 目标:不依赖任何 Agent 框架,从零实现一个支持 ReAct / Plan-and-Execute / Reflexion 的完整 Agent。
---
## 📌 学习目的
不依赖任何 Agent 框架,从零实现一个支持 ReAct / Plan-and-Execute / Reflexion 的完整 Agent。
## ✅ 学习要求(前置条件)
已完成阶段二前 4 个小点。
## 📚 主要学习内容
- MockLLM:用脚本模型替代真实 API,方便离线调试
- ReAct 主循环 + 工具调用 + tool_call_id 配对
- Plan-and-Execute:先生成 todo list 再逐步执行
- Reflexion:失败后让模型反思错误再重试
- 最大轮次 + Token 限流防失控
## 📖 对应 docs
- 目录:[`docs/02-阶段二-AI-Agent核心理论与基础范式/`](../../docs/02-阶段二-AI-Agent核心理论与基础范式/)(按目录名里的 `第 X 篇` 对应)
- 在 docs 目录里找到对应的小点 markdown 文件阅读详细理论。
## 🛠️ 建议练习
- [ ] 实现一个支持两个工具(如搜索 + 计算)的 ReAct Agent
- [ ] 为同一个 Agent 增加 Plan-and-Execute 模式开关
- [ ] 实现 Reflexion:失败时让模型先总结原因,再重试一次
## 🏁 完成后达成标准
- [ ] 能在不依赖框架的前提下跑通 ReAct / Plan-and-Execute / Reflexion
- [ ] 能解释每一段代码对应框架/Agent 的哪一层
- [ ] 能识别手写 Agent 的能力边界与失控点
---
## 🚀 运行提示
```bash
# 激活根目录的虚拟环境
cd /Users/jack/source/Demo/py/demo_python_agent
source .venv/bin/activate # 或直接用 uv run ...
# 进入本章目录
cd code/002_phase2_agent_theory/99_capstone_handcrafted_agent
# 跑你的练习文件
uv run python your_exercise.py
```