Quartz 4

Agent路线图-01-基础知识

4 min read

阶段一：基础知识

🎯 目标

理解大语言模型（LLM）的基本原理，搭建开发环境，掌握必要的 Python 技能。

一、LLM 基础概念

1.1 什么是大语言模型

  • 本质：基于 Transformer 架构的文本生成模型
  • 核心能力：理解指令 → 生成文本 → 推理与决策
  • 关键概念：
    • Token（词元）：模型处理文本的最小单位
    • Context Window（上下文窗口）：模型一次能处理的最大 Token 数
    • Temperature（温度）：控制生成内容的随机性
    • Top-p / Top-k：采样策略参数

1.2 主流 LLM 一览

模型厂商特点
GPT-4oOpenAI综合能力最强
Claude 4Anthropic长文本、推理能力突出
GLM-4智谱中文能力优秀
Llama 3Meta开源，可本地部署
Qwen 3阿里开源，中英双语

1.3 LLM 的局限性

  • ❌ 无法访问实时信息
  • ❌ 无法执行代码或操作文件
  • ❌ 上下文长度有限
  • ❌ 会产生幻觉（编造信息）
  • ❌ 无法与外部系统交互

💡 Agent 的价值：通过工具调用（Tool Use）弥补以上局限！

二、API 调用基础

2.1 OpenAI API 调用示例

from openai import OpenAI
 
client = OpenAI(api_key="your-api-key")
 
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "什么是 AI Agent？"}
    ],
    temperature=0.7
)
 
print(response.choices[0].message.content)

2.2 核心概念

  • System Prompt：定义 AI 的角色和行为规则
  • User Message：用户输入
  • Assistant Message：AI 回复
  • 多轮对话：维护完整的消息历史

2.3 流式输出（Streaming）

stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "解释 Agent"}],
    stream=True
)
 
for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

三、开发环境搭建

3.1 Python 环境

# 推荐使用 uv 管理环境
uv venv agent-learning
source agent-learning/bin/activate
 
# 安装核心依赖
uv pip install openai anthropic python-dotenv

3.2 项目结构建议

agent-learning/
├── .env                # API Keys（不提交到 Git）
├── notebooks/          # 实验笔记本
├── src/                # 源代码
│   ├── basics/         # 基础练习
│   ├── agents/         # Agent 实现
│   └── tools/          # 工具定义
└── tests/              # 测试

四、Python 必备技能清单

  • 基本数据结构（dict, list, tuple）
  • 函数和类
  • 异步编程（async/await）
  • JSON 处理
  • HTTP 请求（requests / httpx）
  • 类型注解（Type Hints）
  • Pydantic 数据验证
  • pytest 基本测试

📚 推荐资源

✅ 阶段完成标准

  • 能用 Python 调用 LLM API 并获得回复
  • 理解 Token、Temperature、Context Window
  • 能实现多轮对话
  • 搭建好开发环境

下一阶段 → Agent路线图-02-Prompt Engineering

Graph View

Backlinks