AI Agent 框架、多 Agent 编排、Agentic Loop、工具调用、子 Agent 协调……听起来复杂得像需要计算机学位加三年后端经验才能入门。

其实不需要。这篇指南的目标是：一个周末，构建出你第一个真正能跑的 AI Agent。不是聊天机器人，不是一次性自动化，是一个能设定目标、拆解步骤、使用工具、直至交付结果的真实 Agent。

Agent 是什么

忘掉所有复杂的定义。

聊天机器人等你提问 → 给出回答 → 停下。Agent 拿到目标，决定需要哪些步骤，用工具完成这些步骤，持续运作直到目标达成。

区别就一个字：自主性。

一个真实场景的对比：

  • 聊天机器人：你问"阿姆斯特丹天气如何"，它回答"目前 12 度，多云"
  • Agent：你说"我明天有户外会议，要不要带伞"，Agent 查天气预报、查你所在位置、查明天逐小时降水预报、查会议时间段，综合判断后回答："下午 2 点到 4 点有雨，带伞；建议考虑改到室内，因为有 70% 概率下大雨"

Agent 没有回答一个问题，而是理解了一个目标（帮我准备会议），找出所需信息（天气预报、时机），用了工具（天气 API），给出了可操作的建议。

准备工作

  • Anthropic API Key：去 console.anthropic.com 创建账户、添加计费、获取 Key。个人项目周末练习花不了几美元。
  • Python：去 python.org 下载最新版。Mac 打开 Terminal，Windows 打开 Command Prompt 或 PowerShell，输入 python --version 确认安装成功。

建项目目录并安装依赖：

mkdir my-first-agent
cd my-first-agent
python -m venv venv
source venv/bin/activate  # Windows 用 venv\Scripts\activate
pip install anthropic

Agentic Loop：核心概念就这一个

每个 Agent 都遵循同一个基础循环：

  1. 把目标 + 可用工具描述发给 Claude
  2. Claude 决定是否需要用工具达成目标
  3. 如果需要，Claude 告诉你调用哪个工具、输入什么
  4. 代码执行工具，把结果返回给 Claude
  5. Claude 决定是否还需要其他工具，或目标已达成
  6. 重复直到完成

这就是全部概念。其他都是细节。

第一步：让 Claude 帮你写代码

创建一个空文件 agent.py，然后直接打开 Claude（或任何支持 Claude API 的界面），把这个 Prompt 丢进去：

I want to build my first AI agent in Python using the Anthropic API. The agent should: 1. Accept a goal from the user 2. Have access to 2 tools: a web search tool (simulated with a function that returns mock data) and a calculator tool 3. Use the standard agentic loop: send message → check if Claude wants to use a tool → execute the tool → send result back → repeat until done 4. Print each step so I can see the agent thinking Requirements: - Use the Anthropic Python SDK - Use claude-sonnet-4-20250514 as the model - The agent should loop properly using stop_reason to detect when Claude is done - Include clear comments explaining every section - Keep it simple — this is my first agent ever Write the complete code I can save as agent.py and run.

Claude 会生成完整可运行的脚本。保存为 agent.py，设置 API Key 环境变量，然后运行：

export ANTHROPIC_API_KEY=your-key-here
python agent.py

给一个简单目标试试，比如："15% 的 847 是多少，这是正常的小费比例吗？"

你会看到 Agent 思考这个问题、决定用计算器、得到结果、判断这是否正常小费、给出最终回答。这是你第一个 Agent——一个能推理、会用工具、向目标迭代的系统。

接入真实工具

模拟工具只是概念验证。现在接入真实数据。

让 Claude 修改你的 Agent，接入 Tavily 搜索 API（有慷慨的免费额度），替换掉模拟搜索函数。当 Agent 再次跑起来、问它需要实时信息的问题，它会真正搜索网络、处理结果、融入推理。

这是它从玩具变成实用工具的临界点。

再加一个文件读取工具：让 Agent 能读你电脑上指定文件夹里的文件内容。问它"读一下我昨天的笔记，提取关键事项"，它会打开文件、读取内容、生成摘要。

两个真实工具——搜索和文件读取——已经让 Agent 能处理真实任务：研究一个主题然后把发现写入文件，指向一个文档让它分析内容。

对话记忆

当前 Agent 每次处理一个目标。让它记住完整对话历史：每次交互后保留完整消息历史，和下一次请求一起发送。Agent 会记住你们讨论过什么、在哪个话题上继续，而不需要你重新解释。

这是从一次性工具到助手的关键转变。

错误处理

真实工具会失败——API 超时、文件不存在、数据格式错误。

给每个工具加上结构化错误处理：告诉 Agent 哪里出了问题、下一步怎么办。好的错误处理是 demo 和日常可用工具的分界线。

毕业设计

给 Agent 十个不同难度的任务，观察它的表现：

  • "这周天气预报是什么？"
  • "读我的会议笔记，提取行动项"
  • "研究 [主题] 最新新闻，写一段总结"
  • "计算 10000 美元年利率 5% 复利 10 年的结果"
  • "找出阿姆斯特丹三家好评餐厅并比较"

每个任务暴露一个改进点：更好的工具描述、更好的错误处理、新的工具。

三阶段进阶路径

第二周：根据实际需要加 3-5 个工具。天气、日历、邮件、文件创建、数据分析——匹配你的工作流。

第三周：把 Agent 部署到能持续运行的地方。树莓派、低配云服务器，或者你的笔记本。接入 Telegram 或 WhatsApp，手机上随时对话。

第二个月：研究多 Agent 架构。构建多个专业 Agent 协同工作的系统——一个做研究，一个写内容，一个做数据分析，由一个中央 Agent 协调。

第三个月：开始为别人建 Agent。你这个周末学到的技能，企业会为此付费。能够构建定制 AI Agent 的人才市场正在快速增长，供给远没跟上需求。