我见过太多人学 AI Agent，三个月后回到原点。

不是因为不够努力。他们很努力——GitHub 收藏夹里躺着十几个教程，掘金热榜上的文章一篇不落。LangChain 的 @tool 装饰器用得比谁都熟。但一到真实场景，Agent 要么不调工具，要么调错了工具。要么在死循环里反复调用同一个函数直到 token 烧光。

这不是能力问题。是学的顺序错了，说起来，

使用者痛点

• 频繁“翻车”：Agent 在关键时刻不调用工具。导致业务停滞，
• 缺乏可视化调试：不知道 finish_reason 与 tool_choice 的作用，导致无法定位问题。
• 学习曲线陡峭：先学框架再搞原理，使得遇到新协议时毫无准备。
• 生产环境差异大：本地 demo 与线上部署出现流式输出、错误重试、安全防护等多种不一致。
• 资源成本高昂：对模型降级、Prompt Caching、成本/延迟/精度三角调整缺乏程序指导。

先看一个翻车现场

You 用 LangChain 写了一个 Agent，并给它配了个天气查询工具。代码大概长这样：

@tooldef get_wear -> str:
"""查询指定城市的天气"""
return f"{city}今天晴天25度"
agent = create_agent
agent.invoke

看起来没问题。但你跑了几次之后发现，Agent 有时候回复“北京今天晴。度”，有时候回复“抱歉，我没有查询天气的能力”。同一个工具、同一条消息、同一个模型，却出现两种截然不同的结果。为什么，

答案藏在你没看到的两个参数里：finish_reason 和 tool_choice。说起来，finish_reason 告诉你 LLM 为什么停下来了——是觉得该回复了还是觉得该调个工具。tool_choice 控制的是 LLM 的“调用意愿”——设为 auto，模型自己判断要不要调；设为 required，模型必须调一个。

问题出在 auto。LLM 是个概率程序，一样的输入不保证一样的输出。 说起来，你写 tool_choice="auto" 时有时模型觉得自己能回答。有时觉得该调你的函数，你的 Agent 就这样变成了薛定谔的猫——在你最需要它调工具的时候，它装死。

: 在实际项目中。一般把 tool_choice 设为 required 或者通过外部状态强制调用，以确保关键功能被执行。

为什么要先搞懂原理，再学框架？不过，

LangoChain 的 @tool 装饰器帮你省了行代码。但把 finish_reason 与 tool_choice 藏在黑盒里你连这两个参数的存在都不知道，又怎么 debug？我坚持一个反主流的学习顺序：先搞懂原理，再学框架。这不是装逼，而是省命，花两天理解原生 Function Calling 的完整流转，比花两周在 LangChain 黑盒里撞墙高效得多。

一条被验证过的方法

三个教程加起来几十万人在学，它们虽然章节结构各不相同。但底层学习方法惊人地一致： LMM 基础 → RAG + LangChain → LangGraph + MCP → 实战项目

• LMM 基础： 了解大语言模型如何工作，为后续 Function Calling 打下基础。
• MCP & LangGraph： 掌握最新协议与工作流编排，让 Agent 能协作完成复杂任务。
• SWE-Bench & 公司部署： 从本地 Demo 到线上稳定运行，把性能与成本三角平衡好。

再看阶段一。理解 Agent 的运行时心脏

• # 为什么不能跳过 # 没有 Agent Loop 的主要流程，你无法读懂任何框架源码，更别说定位 bug。
• # 本篇内容 # * LLM 输出的不确定性与可靠性 * 上下文工程：从 Prompt 到设计 * Function Calling 完整机制与观察→规划→执行→观察循环 * Harness Engineering：给 Agent 上缰绳

说到阶段二。搭好手脚

• # 理解 RAG 能解决什么 # 给 Agent 装上外部记忆，让它能去查、去搜、去读它没见过的数据。
• # 本篇内容 # * Chunking 策略选择 * 向量检索 vs 文本检索混合使用 * Rerank 模型何时加入 * LangChain 六大模块拆解 & 功能剖析 * 单 Agent 示例：数据库查询 + 外部 API 调用 + 多轮记忆

说到阶段三，学会协作

# 为什么不能跳过 # 单 Agent 能做事有限；复杂任务需要拆分并行协作。MCP 成为领域规则，你若不了解就等于不会 “HTTP” 调用协议。 - 本篇内容 • 用 LangGraph 将链式调用升级为图结构编排 • MCP Server 搭建 & Tool/Resource/Prompt 三元组设计 • CrewAI 搭建多 Agent 协作程序 • 场景判定：何时需要多 Agent？

说到阶段四，实战打磨