# 为什么你学了很多 Agent 工具,还是做不出真正可用的 Agent?
**作者**: Nana
**日期**: 2026-06-14T11:39:16.000Z
**来源**: [https://x.com/3333yyds/status/2066123302427656389](https://x.com/3333yyds/status/2066123302427656389)
---

很多人学 AI Agent,其实是被“ 工具焦虑 ”带偏了
今天看到 LangChain 火,就去学 LangChain
明天看到 LangGraph 火,就去学 LangGraph
后天又看到 MCP、RAG、多 Agent、Memory、ReAct
结果收藏夹越来越满,脑子却越来越乱
不是不努力,而是学习顺序一开始就错了。
很多人以为学 Agent,就是学会怎么用框架搭一个 Demo,
但 Agent 真正难的地方,根本不在 Demo。
Demo 可以很快跑起来
难的是你能不能解释清楚:
为什么这里需要工具调用?
为什么这里需要记忆?
为什么这里要接检索?
为什么任务要拆成多个步骤?
为什么这个 Agent 出错以后不会自己修正?
为什么看起来很智能,但一上线就不稳定?
这些问题,才是真正区分“ 会调包 ”和“ 懂系统 ”的地方

所以我现在觉得:
学 Agent,不能从框架开始。
应该先从系统开始。
最近看到一个开源项目:
Haozhe-Xing / agent_learning
我觉得它值得收藏的原因,不是因为它列了很多资料。
而是它把 Agent 这件事拆成了一条相对完整的学习路线。
它不是一上来就让你写 LangChain,也不是直接教你搭一个多 Agent Demo。
而是先从 LLM 基础、Prompt 开始,
再到 Function Calling、Tool Use,
然后进入 RAG、Memory、ReAct,
再往后才是 LangGraph、MCP、多 Agent、评估、部署,
最后还延伸到 Agentic RL、GRPO、PPO、DPO。
这个顺序至关重要
因为 Agent 不是一个框架功能,
它是一套围绕目标持续运行的系统。
模型只是其中一部分。

一个 Agent 真正要工作起来,至少需要几层能力:
第一层,是理解目标
用户到底要它完成什么,而不是简单回答什么。
第二层,是获取信息
它能看到哪些上下文?哪些信息来自用户?哪些来自检索?哪些来自外部工具?
第三层,是行动能力
它能调用什么工具?什么时候调用?调用失败怎么办?
第四层,是记忆和状态
它如何知道自己做到了哪一步?之前发生过什么?哪些信息应该保留?
第五层,是反馈和修正
结果错了怎么办?工具返回异常怎么办?任务中途偏了怎么办?
第六层,是工程化约束
成本怎么控?权限怎么管?风险怎么降?结果怎么评估?上线以后怎么监控?
你会发现,Agent 根本不是“给模型写一段更长的 Prompt”。
Prompt 只是入口。
Agent 是系统。
这也是为什么很多人 Prompt 写得不错,但一做 Agent 就卡住。
因为 Prompt 解决的是“怎么让模型说得更好”
Agent 解决的是“怎么让模型把事情做完”
这两件事完全不是一个难度。
我觉得接下来 AI 应用会出现一个很明显的变化:
以前大家比的是谁更会写提示词,
后来大家比的是谁能把 RAG 做得更准。
接下来大家比的,可能是谁能把 Agent 做得更稳
稳,才是 Agent 真正的关键词
不是演示视频里跑通一次,
而是在真实环境里:
能持续执行,
能处理异常,
能控制权限,
能管理上下文,
能评估结果,
能在成本可控的情况下完成任务。
这才是 Agent 工程化的价值

所以如果你现在想系统学习 Agent,我不建议一上来就追某个框架。
框架当然要学。
但它应该放在后面。
你应该先搞清楚:
LLM 能做什么,不能做什么。
Prompt 解决什么问题。
Function Calling 为什么重要。
RAG 解决的是知识问题,不是万能问题。
Memory 不是简单存聊天记录。
ReAct 的核心是推理和行动循环。
多 Agent 不是越多越强,而是协作成本更高。
评估和部署不是最后一步,而是能不能落地的前提。
当你理解这些,再去看 LangGraph、MCP、多 Agent,感觉会完全不一样
你不会再被名词牵着走,
而是知道每个工具应该放在系统里的哪个位置。
这也是我觉得 agent_learning 有价值的地方
它不是一个“速成教程”。
更像一张学习地图。
你可以沿着它把 Agent 从基础到工程化重新梳理一遍。
对刚入门的人,它能避免你一上来被框架劝退。
对已经做过 RAG 或 Tool Calling 的人,它能帮你补上系统设计这一层。
对想做真实 Agent 产品的人,它也会提醒你:
Agent 最难的不是跑起来。
而是长期稳定地运行。
另外,它还会追踪 arXiv 上 Agent 相关论文,把新内容持续补进来。
这点挺重要。
因为 Agent 这个方向变化太快。
很多教程写完没多久就过时了。
但一个持续更新的学习地图,对系统学习会更有价值。

我的理解是:
Agent 的核心不是“智能感”
而是“可执行”
不是让模型看起来像人在思考,
而是让模型在一个可控流程里持续完成任务。
所以学 Agent,最终学的不是某个框架。
而是如何把模型、工具、记忆、检索、反馈、评估、部署这些模块组织起来。
这是一种系统设计能力。
也是 AI 应用从 Demo 走向真实产品时,绕不开的一课。
项目地址:
https://github.com/Haozhe-Xing/agent_learning
## 相关链接
- [Nana](https://x.com/3333yyds)
- [@3333yyds](https://x.com/3333yyds)
- [9.9K](https://x.com/3333yyds/status/2066123302427656389/analytics)
- [https://github.com/Haozhe-Xing/agent_learning](https://github.com/Haozhe-Xing/agent_learning)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [7:39 PM · Jun 14, 2026](https://x.com/3333yyds/status/2066123302427656389)
- [9,906 Views](https://x.com/3333yyds/status/2066123302427656389/analytics)
- [View quotes](https://x.com/3333yyds/status/2066123302427656389/quotes)
---
*导出时间: 2026/6/15 10:39:33*