7.0 KiB
AgentSeed —— 从零开始的Agent开发教程
播下一颗种子，期待它长成参天大树的那天。
AgentSeed 是一个从零开始构建 AI Agent 的渐进式教学项目。
项目以 Python 为主，不直接依赖 LangChain 等 Agent Framework，而是从一次最基础的 LLM 调用出发，逐步实现上下文、工具调用、Agent Loop、存储、检索、Skill、MCP、可观测性与评测。
为什么做 AgentSeed
AI 正在从单纯的聊天工具，转向能够理解目标、使用工具并完成任务的智能助手。
一个 Agent 可以简单理解为：
Agent = 大语言模型（LLM）+ 上下文（Context）+ 工具（Tools）
- LLM 负责理解问题、推理并作出决策；
- Context 为模型提供完成当前任务所需的信息；
- Tools 让模型能够搜索、计算、读写文件并调用外部服务。
但在实际学习中，LLM、Tool Use、Agent Loop、RAG、Skill 和 MCP 等概念经常同时出现，让人难以看清它们之间的关系。
AgentSeed 希望提供一条清晰的学习路径：不从庞大的框架开始，而是从可以运行的最小代码开始。每次只引入一个主要概念，观察它解决了什么问题，再让这些能力逐步生长为一个完整的 Agent。
项目特点
- 从底层机制开始：直接理解 HTTP、JSON、Message、Tool Call 和 Agent Loop。
- 渐进式实现：项目能力通过连续的 Git commit 逐步演进。
- 每步都可运行：切换到关键提交后，可以观察该阶段新增的能力。
- 先实践，再抽象：抽象从已经运行的代码中产生，而不是提前设计复杂框架。
- 覆盖完整链路：从命令行模型调用，逐步扩展到 Web、RAG、Skill、MCP 和 Eval。
- 使用 Anthropic 示例：当前代码和教程统一以 Anthropic Messages API 为例。
如何学习
本项目以 Git commit 作为学习和推进单位。每个关键提交都会回答四个问题：
- 这一阶段要解决什么问题？
- 为什么需要引入这个概念？
- 它在代码中是如何实现的？
- 运行后可以观察到什么新能力？
你可以跟随主分支持续阅读，也可以切换到某个提交，查看 Agent 是如何一步步构建出来的。
第一章：LLM 对话
从一次普通的 HTTP 请求开始，理解应用如何与大语言模型通信。
主要内容：
- 调用 Anthropic Messages API 兼容接口；
- 理解 System、User、Assistant 消息角色；
- 保存消息并实现上下文记忆；
- 抽象模型客户端；
- 实现流式输出；
- 使用 FastAPI 和 React 构建 Web ChatBox。
本章的目标是建立完整的模型通信基础，并理解：
LLM 的输入是一组有角色、有顺序的消息；所谓对话记忆，本质上是应用对上下文的保存与再次发送。
第二章：Agent 核心能力
在模型对话的基础上，引入 Agent 的三类核心能力：执行、存储与检索。
执行（Action）
- 定义并调用 Tool；
- 实现“模型决策 → 工具执行 → 结果反馈”的 Agent Loop；
- 使用 Human-in-the-loop 审批关键操作。
存储（Storage）
- 持久化保存会话和运行数据；
- 使用检查点恢复被暂停或中断的 Agent。
检索（Retrieval）
- 从线性遍历和关键词检索开始；
- 逐步引入全文索引与向量索引；
- 使用 RAG 将外部知识注入模型上下文。
本章的目标是让模型从“生成回答”走向“采取行动并使用外部知识”。
第三章：格式转换与可观测性
让 Agent 的输入、输出和执行过程更加可靠、清晰和可追踪。
主要内容：
- 使用 Schema 约束结构化输出；
- 记录模型调用、工具执行和停止原因；
- 保存并查看完整的 Agent 运行轨迹。
本章的目标是解决两个问题：Agent 输出能否被程序稳定使用，以及一次任务失败后能否看清发生了什么。
第四章：Skill 技能系统
让 Agent 根据任务按需发现和使用可复用的技能说明。
主要内容：
- 从文件系统发现并激活 Skill；
- 按需加载 Skill 指令和资源；
- 使用 Skill 编排多步骤任务；
- 复用已有的 Agent Loop、Tools 和结构化输出能力。
本章的目标是让 Agent 从通用执行器进一步发展为能够按任务加载专业工作方法的系统。
第五章：MCP 协议接入
通过 Model Context Protocol 将 Agent 与外部能力连接起来。
主要内容：
- 管理 MCP Server 的生命周期；
- 发现并调用 MCP Tool；
- 连接多个受信任的 MCP Server；
- 将 MCP Resource 和 Prompt 加入上下文。
本章的目标是理解 MCP 如何为模型与外部工具、资源和提示词提供统一的连接方式。
第六章：评测与最终整合
将前面实现的能力组合为完整的 Agent 参考应用，并建立可重复的验证方法。
主要内容：
- 构建可确定性验证的 Eval Runner；
- 统计成功率、步骤数、耗时和用量；
- 整合 CLI、Web、Tool、RAG、Skill、MCP 和 Trace；
- 提供端到端示例与调试说明。
本章的目标是让 Agent 不仅“能够运行”，还能够被验证、分析和持续改进。
阶段产物
| 阶段 | 主题 | 阶段产物 |
|---|---|---|
| 1 | LLM 对话 | 支持消息角色、上下文和流式响应的 CLI 与 Web ChatBox |
| 2 | Agent 核心能力 | 支持 Tool、人工审批、持久化、恢复和 RAG 的 Agent |
| 3 | 格式与可观测性 | 结构化输出与可查看的 Agent Trace |
| 4 | Skill 技能系统 | 支持技能发现与多步骤任务的 Skill Agent |
| 5 | MCP 协议 | 支持 Tools、Resources、Prompts 和多服务路由的 MCP Agent |
| 6 | 评测与整合 | Eval Runner、参考应用与端到端教程 |
项目原则
- 使用渐进式单项目，让能力在前一个提交的基础上自然演进；
- 每个关键提交聚焦一个主要概念和一项可观察的新能力；
- 不使用大型 Agent Framework 隐藏关键机制；
- 先理解模型通信和 Agent 原理，再逐步完成工程抽象；
- 不为尚未出现的问题提前引入复杂设计；
- 不提交 API Key 或其他敏感信息。
最终目标
AgentSeed 最终会形成一个完整但最小的 AI Agent 参考实现：它能够与模型对话、维护上下文、调用工具、等待人工审批、保存与恢复状态、检索外部知识、加载 Skill、连接 MCP Server，并通过 Trace 和 Eval 观察与验证自己的执行过程。
更重要的是，项目会完整保留它从一颗种子逐步生长起来的过程。
Star History
相关链接
- Linux.do：连接开发者与 AI 爱好者的社区。
- AgentSeed GitHub：项目源码与教程。