我在 AI Agents 中的旅程：从好奇到能力的介绍

Source: Dev.to

引言

当我报名参加 Kaggle AI Agents Intensive 课程时，我对 AI 只有基本的了解，却几乎没有实际使用代理系统的经验。五天后，我不仅掌握了理论知识，还拥有了构建能够推理、规划并执行复杂任务的高级 AI 代理的信心。这是我对这段变革之旅的反思。

引起共鸣的关键概念

从预测式 AI 向代理式 AI 的转变

对我而言，最具范式转变的概念是理解传统 AI 模型与代理之间的根本区别。传统模型只会预测下一个 token 或对输入进行分类，而代理则主动追求目标、做出决策并与环境交互。

这种区别在第一天就变得清晰——我们探讨了代理如何通过函数调用与外部工具交互。突然之间，AI 不再只是生成文本，而是能够预约、查询数据库、编排工作流。

ReAct：推理 + 行动

ReAct（Reasoning and Acting）框架是一大启示。将 思考 → 行动 → 观察 循环交错进行的优雅方式，正像人类解决问题的过程。看到代理将复杂查询拆解为逻辑步骤、执行动作并根据反馈调整策略，仿佛在目睹智能的涌现。

# Simplified ReAct loop
while not task_complete:
    thought = agent.reason(current_state)
    action = agent.decide_action(thought)
    observation = environment.execute(action)
    current_state = agent.update(observation)

多代理系统与专精化

在探索 CrewAI 和 LangGraph 等框架时，多代理架构的威力变得显而易见。我们不再构建单一的庞大代理，而是创建专门的代理协同工作——研究员代理负责收集信息，分析员代理处理数据，写作代理负责撰写报告。

关键收获

代理是系统，而非模型

构建代理需要系统思维：架构、错误处理、监控和迭代与底层大语言模型同等重要。

专精胜于泛化

多个聚焦的代理往往优于一个复杂的代理。这一点同样适用于多代理系统和工具设计。

人机交互界面至关重要

最好的代理应当淡出视野。用户不需要了解 ReAct 循环或函数调用——他们只需实现自己的目标。

展望未来

这门课程不仅教会我如何构建 AI 代理，更根本改变了我对 AI 应用的思考方式。我现在看到代理系统在各处都有机会：

• 真正理解上下文的个人生产力助理
• 能自主探索知识图谱的研究工具
• 能增强人类能力的创意协作伙伴

工具已经存在，框架正在成熟。剩下的就是想象力和执行力。

结束语

AI Agents Intensive 的变革之处不在于教会我语法或 API，而在于把我的视角从“AI 能做什么？”转向“我能用 AI 代理构建什么？”

区别在于 agency——既指我们构建的系统，也指我们作为构建者的主动性。

对任何考虑踏上这段旅程的人：大胆投入。学习曲线虽陡，但站在顶端的风景非同凡响。