AI Agent完整课程

Marina Wyss是亚马逊高级应用科学家，《AI Agents: Complete Course》是一篇从零基础到生产级落地的完整AI Agent课程指南。文章严格按Beginner → Intermediate → Advanced → Bonus分层展开，像一本浓缩教材。

入门：工作原理

核心理念：AI Agent不是一次性生成答案，而是迭代循环（ReAct Loop：Reason思考 → Act行动 → Observe观察 →Repeat循环或输出），模拟人类写论文的过程（规划→研究→草稿→批判→修订），从而大幅减少幻觉、提升准确性。

使用步骤

1. 定义任务并分解：把大任务拆成小步骤（LLM能做、代码能做、API能调用）。
   示例（写论文代理）： LLM生成大纲 → 生成搜索词 → 调用搜索API → 获取网页内容 → LLM写初稿 → LLM自我批判 → LLM修订。
2. 设置上下文工程：给代理提供“背景+角色+工具+记忆”。

示例提示模板：“你是发票处理专家。任务：从PDF提取字段。可用工具：extract_invoice_fields、save_to_db。”

3. 实现ReAct循环（核心使用方式）：

while 任务未完成：
    思考 = LLM(当前上下文 + 历史记录)
    if 需要工具：
        调用工具（例如查询数据库）
        观察结果 → 加入上下文
    else：
        输出最终答案

中级：实际解决问题

加入记忆机制、设置护栏（Guardrails，防非确定性问题） + 应用四大设计模式，让代理更可靠、更强大。

其中，应用四大设计模式是“如何使用”的核心技巧：

• Reflection（反思）：让代理自我批判并重写。
• Tool Use（工具使用）：代理只“请求”工具，系统执行后反馈。
• Planning（规划）：LLM先生成JSON步骤计划，再逐一执行。
• Multi-Agent Collaboration（多代理协作）：分工合作。

高级：企业落地

高级任务分解：按领域（功能型）、文件（空间型）、阶段（时间型）、数据分区（数据驱动型）拆分。

最后作者还推荐一篇关于智能体系统设计的博客，以及Deeplearning.AI 的“智能体人工智能”和“多智能体系统”课程。