企业官网建设流程全解析

第一部分

1. 一句话核心总结

Agent本质上是一个“有手有脚但基本没有脑子”的执行者，它必须把自己提供的所有工具信息告诉大模型（大脑），大模型根据用户需求决定调用哪些工具并下发指令，Agent执行后将结果返回给大模型进行下一步推理，形成完整的工具调用闭环。

2. 核心概念定义

• Agent（智能体）：一个有手有脚但基本没有脑子的执行者。它提供工具信息、Skill信息、工作目录信息、终端信息等（相当于“手和脚”），但一切行动都听从大模型（“大脑”）的指挥。
• 大模型的作用：Agent真正的大脑。它接收用户输入，理解需求，从Agent提供的工具列表中挑选合适的工具，下发执行指令，接收执行结果，进行推理总结，最终生成回答。
• 工具信息的必要性：Agent必须把所有工具信息（如工具名称、功能描述）在每一次通信中都告诉大模型。不告诉大模型，大模型就不知道有哪些工具可用，就像面试时不展示能力就不会被录用。

3. 分类/类型/步骤

工具被大模型使用的完整流程（5步闭环）：

单工具调用示例流程：

用户输入：“读A.txt文件并总结” ↓ Agent（携带read_file工具信息）→ 大模型 ↓ 大模型识别到“读文件”→ 匹配到read_file工具 ↓ 大模型下发指令：“用read_file工具读A.txt” ↓ Agent执行read_file → 返回文件内容给大模型 ↓ 大模型总结内容 → 返回总结给Agent → 展示给用户

多工具调用示例流程（读写组合）：

用户输入：“读A.txt总结并写入B.txt” ↓ Agent（携带read_file和write_file工具）→ 大模型 ↓ 大模型先匹配read_file → 下发读指令 → Agent返回内容 ↓ 大模型总结内容 → 匹配write_file → 下发写指令 ↓ Agent执行写入 → 返回完成信息 → 大模型告知用户完成

4. 排序或对比关系

• Agent vs 传统程序：传统程序硬编码执行逻辑；Agent由大模型动态决策调用哪个工具，更灵活。
• Agent vs 大模型直接调用：大模型本身无工具执行能力，Agent作为“手脚”弥补了执行缺失。
• 简单Agent vs 智能Agent：简单Agent一次性返回整个文件（可能超上下文）；智能Agent会分段读取、考虑上下文窗口限制、做预处理。视频提到这取决于Agent的设计智能程度。

5. 具体建议与注意事项

• 建议：
  • 理解Agent的本质：有手有脚无脑，大模型是大脑
  • 每次通信都必须把所有工具信息告诉大模型
  • 设计Agent时要考虑大模型可能遇到的限制（如上下文窗口）
  • 对于大文件，Agent应分段读取而非一次性全部返回，避免触发上下文限制或导致模型幻觉
• 注意事项：
  • 不把工具告诉大模型 = 大模型不会用这些工具
  • 如果文件内容很长，一次性全部返回可能导致上下文窗口限制或大模型幻觉
  • 是否分段读取、如何处理大数据，完全取决于Agent的设计

第二部分：常见知识点与需了解的概念

1. 基础概念类：

   • Function Calling（函数调用）规范：OpenAI使用tools参数传递工具列表，每个工具包含type、function（含name、description、parameters）。大模型返回tool_calls字段，包含要调用的工具名和参数JSON。
   • 工具参数的结构化定义（JSON Schema）：工具参数需要用JSON Schema描述（如参数类型、是否必填、枚举值等），大模型才能正确生成参数。
   • Tool Choice（工具选择策略）：可以指定tool_choice: "auto"（大模型自动决定）、"required"（必须调用工具）、或指定具体工具名。
   • 并行工具调用（Parallel Tool Calls）：OpenAI支持在一次响应中返回多个tool_calls，Agent可以并行执行多个工具（如同时读三个文件）。

2. 风险类：

   • 工具调用无限循环风险：如果大模型反复调用同一个工具且每次都失败（如读不存在的文件），可能陷入无限循环。Agent需设置最大调用次数限制。
   • 工具执行超时风险：Agent执行工具可能耗时过长（如调用外部API），大模型等待响应时可能超时。需设置超时机制和重试策略。
   • 参数注入攻击：大模型生成的工具参数可能包含恶意内容（如filename: "../../etc/passwd"），Agent需做参数校验和路径过滤。
   • 工具调用结果过大风险：工具返回的结果（如读大文件）可能超出大模型上下文窗口，Agent需实现分块返回或摘要压缩。

3. 实操类：

   • 工具描述的编写技巧：描述应清晰说明“何时使用”、“参数含义”、“返回值格式”。示例：

     {"name":"get_weather","description":"获取指定城市的天气信息。当用户询问某地天气时使用","parameters":{"city":{"type":"string","description":"城市名称，如'北京'"}}}

   • 工具调用结果的返回格式：执行完成后，需将结果包装成role: "tool"的消息，包含tool_call_id和content，返回给大模型继续对话。
   • 流式响应中的工具调用处理：在流式模式下，tool_calls可能分多次传输（如先传index和id，再传参数）。Agent需缓存累积完整后再执行。
   • 工具调用的错误处理：工具执行失败（如文件不存在），Agent应返回错误信息给大模型，大模型可向用户说明或尝试其他方案（如询问正确路径）。

4. 对比类：

   • OpenAI Function Calling vs Anthropic Tool Use：OpenAI使用tool_calls；Anthropic Claude使用tool_use块，返回tool_use_id和input参数。Agent需适配不同厂商格式。
   • 同步工具 vs 异步工具：同步工具立即返回结果（如读文件）；异步工具需轮询或回调（如提交长时间任务）。视频仅演示同步场景。
   • 本地工具 vs 远程工具：Agent可调用本地系统工具（文件、终端）或远程API工具（天气、数据库）。

5. 常见误区：

   • 误区1：大模型直接执行工具。→ 大模型只生成调用指令，真正执行的是Agent。
   • 误区2：工具信息只需在第一次对话时发送。→ 每次请求都必须发送，因为大模型无状态。
   • 误区3：Agent可以自己决定用哪个工具。→ Agent只负责执行，决策权在大模型。
   • 误区4：工具返回值必须完全返回。→ 如果结果过大，Agent应做截断、摘要或分页处理。
   • 误区5：所有大模型支持的工具格式都一样。→ 不同厂商、不同模型格式差异很大，Agent需做适配层。

6. 进阶知识点：

   • 工具调用的链式组合（Chain of Tools）：大模型可计划多步工具调用（如先搜索再总结再翻译），无需用户逐步指导。
   • 工具调用的验证与重试：Agent可验证大模型生成的参数（如文件路径是否存在），若无效可要求大模型重新生成。
   • 带状态工具：工具调用可能改变Agent内部状态（如设置变量），后续调用可依赖这些状态。需在历史消息中传递上下文。
   • ReAct模式（Reasoning + Acting）：大模型在思考（Reasoning）和行动（Acting）之间交替
   • MCP协议中的工具调用：MCP（Model Context Protocol）标准化的工具调用格式，支持跨Agent工具共享和动态发现。

第三部分：全面内容总结（合并第一、二部分）

1. 主题概述

Agent是一个“有手有脚但基本没有脑子”的执行者，大模型是其“大脑”。Agent提供了各种工具（读文件、写文件、调用API等），但必须每次通信时把所有工具信息（名称、描述、参数）告诉大模型。大模型根据用户需求决定调用哪些工具，下发指令给Agent执行，Agent执行后返回结果，大模型基于结果继续推理。整个过程形成一个闭环：需求 → 工具匹配 → 执行 → 结果返回 → 进一步推理。多个工具可串联使用（如先读后写），Agent的设计智能程度决定了它如何处理大数据（如分段读取避免上下文溢出）。

2. 分类与对比

3. 风险与注意事项

• 注意：
  • 不把工具告诉大模型 = 大模型不会用
  • 文件过大可能导致上下文窗口限制或大模型幻觉
  • 分段读取取决于Agent的设计智能程度
• 补充风险：
  • 工具调用无限循环（需设置最大调用次数）
  • 参数注入攻击（需校验用户输入）
  • 执行超时（需设置超时重试机制）
  • 结果过大超上下文（需做摘要或分块）

4. 实操建议

• 工具描述编写：清晰说明功能、参数、返回值。为复杂工具提供使用示例。

  {"name":"read_file","description":"读取文件内容。当用户要求读取、查看、分析文件时使用","parameters":{"path":"文件路径"}}

• 工具调用完整实现：
  1. 构造请求（包含用户消息 + 工具列表 + 历史消息）
  2. 调用大模型，解析tool_calls字段
  3. 执行对应工具函数，捕获结果或错误
  4. 将结果以tool角色消息返回大模型
  5. 大模型生成最终回答或继续调用工具
• 大数据处理策略：
  • 分段读取：每次返回部分内容，大模型可渐进式处理
  • 自动摘要：先读取，用大模型压缩摘要后再传回
  • 分页查询：提供“加载更多”机制
• 安全与校验：
  • 校验工具参数（如路径合法性、类型匹配）
  • 限制工具调用次数（如最多5次）
  • 过滤敏感操作（如删除文件需用户确认）

5. 常见误区辨析

• 误区1：大模型直接执行工具。→ 大模型只生成指令，Agent才是执行者。
• 误区2：工具信息只发一次即可。→ 每次请求都要发，大模型无状态。
• 误区3：Agent能自己决定用哪个工具。→ 决策权在大模型，Agent只执行。
• 误区4：工具返回值必须全量返回。→ 超长结果应分段或压缩。
• 误区5：所有大模型工具格式一样。→ 不同厂商格式差异大，需适配。

通过本篇内容，你将掌握：

• 理解Agent的本质：有手有脚但没脑子的执行者，大模型是其大脑
• 掌握工具被大模型使用的完整流程（5步闭环：发送工具→匹配→下发指令→执行→返回结果）
• 区分单工具调用和多工具顺序调用的处理差异
• 认识到每次通信都必须发送工具信息的原因（大模型无状态）
• 识别工具调用中的常见风险（上下文溢出、无限循环、参数注入）及应对策略
• 为实现自己的Agent（如自定义工具、接入大模型）打下核心原理基础