如果我今天就想自己写一个 Agent该怎么动手这个问题我之前也纠结过。翻遍 GitHub 上的项目看了几十篇教程不是太简单Hello World 级别的 Demo就是太复杂直接上 K8s 集群编排。直到我自己动手踩了一遍坑才总结出这套「从 0 到 1 搭建生产级 Agent」的实操路线。今天这篇文章不讲概念只讲代码。你跟着做一个小时之内就能跑起一个能用的 Agent。一、选型Agent 框架怎么选在动手写代码之前先解决一个选择题用哪个框架市面上主流的 Agent 框架大概分三类第一类全栈型 — LangChain / LangGraph优点生态最完善文档最全社区最大。你要什么都有。缺点抽象层太多调试起来很痛苦。有时候一个简单的功能要绕三层 API。适合企业级项目需要完善的工具链和监控体系。第二类轻量型 — Mastra / Vercel AI SDK优点API 设计简洁开箱即用尤其适合前端开发者。缺点生态不如 LangChain 丰富一些高级功能需要自己实现。适合中小型项目团队以全栈/前端为主。第三类极简型 — 自己写优点完全可控没有冗余抽象性能最优。缺点需要自己处理状态管理、工具调用、错误重试等——这些看似简单实际坑很多。现场建议第一次上手用 Mastra 或 Vercel AI SDK。等你理解了 Agent 的核心机制再考虑要不要自己写底层。二、搭建30 分钟跑起第一个 Agent我用 Mastra 来演示因为它的 API 足够直观而且内置了工作流引擎。第一步初始化项目# 创建项目 npx create-mastralatest my-first-agent # 进入目录 cd my-first-agent # 安装依赖 npm install就这么简单三行命令一个 Agent 项目的骨架就出来了。第二步配置大模型在src/mastra/index.ts里配置你要用的大模型import { Mastra } from mastra/core; import { createOpenAI } from mastra/openai; const openai createOpenAI({ apiKey: process.env.OPENAI_API_KEY, }); export const mastra new Mastra({ llm: openai(gpt-4o), });注意这里用的是 OpenAI 兼容的 API如果你用国内的大模型如 DeepSeek、通义千问只要它们提供 OpenAI 兼容接口就可以无缝切换。第三步写第一个 Agentimport { Agent } from mastra/core; // 定义一个客服 Agent const supportAgent new Agent({ name: support-agent, instructions: 你是一个专业的客服助手。 你的职责是 1. 理解用户的问题给出清晰、准确的回答 2. 如果问题复杂主动引导用户提供更多信息 3. 保持友好、专业的语气 当用户问到产品价格时引导他们查看官网定价页面。 当用户需要技术支持时先尝试解决问题解决不了再转人工。, model: openai(gpt-4o), });代码量很少对吧但要注意instructions 是 Agent 的灵魂。你写 Prompt 的质量直接决定了 Agent 的表现。第四步给 Agent 加上工具Agent 和普通聊天机器人的最大区别就是能调用工具。import { createTool } from mastra/core; import { z } from zod; // 定义一个查询订单的工具 const getOrderTool createTool({ id: get-order, description: 根据订单号查询订单信息, inputSchema: z.object({ orderId: z.string().describe(订单号格式如 ORD-2026-xxxx), }), execute: async ({ orderId }) { // 这里调用你的订单系统 API const response await fetch(https://api.example.com/orders/${orderId}); const data await response.json(); return data; }, }); // 把工具绑定到 Agent const supportAgent new Agent({ name: support-agent, instructions: ..., model: openai(gpt-4o), tools: { getOrderTool }, });关键点工具的描述description和参数 Schema 一定要写清楚。大模型是根据这些信息来决定什么时候调用工具的。描述越清晰Agent 的调用准确率越高。三、进阶用工作流编排复杂任务单个 Agent 能做的事情有限。当你需要多个步骤协作时就需要工作流Workflow了。Mastra 内置了工作流引擎可以让你像搭积木一样组装任务import { Workflow } from mastra/core; // 定义一个工作流处理客户投诉 const complaintWorkflow new Workflow({ name: complaint-handling, trigger: async ({ context }) { // 第一步情绪分析 const sentiment await analyzeSentiment(context.message); return { sentiment }; }, steps: [ { name: categorize, execute: async ({ context }) { // 第二步投诉分类 const category await categorizeComplaint(context.message); return { category }; }, }, { name: assign, dependsOn: [categorize], execute: async ({ context }) { // 第三步根据分类指派处理人 const assignee getAssignee(context.category); return { assignee }; }, }, { name: respond, dependsOn: [assign, trigger], // 依赖上两步的结果 execute: async ({ context }) { // 第四步生成回复 const reply await generateReply(context); return { reply }; }, }, ], });这个工作流的好处是什么可观测每一步的输入输出都有记录出了 bug 一眼就能定位可重试某一步失败了可以单独重试不用从头再来可插拔想换一个 NLP 模型做情绪分析只改 trigger 那一步就够了四、部署让你的 Agent 上线写好 Agent 之后怎么让它跑起来接受真实请求方案一用框架自带的 ServerMastra 自带了一个 Express 服务一行命令就能启动npx mastra dev默认会在localhost:3000启动一个 HTTP 服务你可以在浏览器里直接测试。方案二自定义 API 路由如果你想把 Agent 嵌入到现有系统里可以自己写 APIimport express from express; const app express(); app.post(/api/agent, async (req, res) { const { message } req.body; // 调用 Agent const response await supportAgent.generate(message); res.json({ reply: response.text }); }); app.listen(3001);方案三通过 MCP 协议暴露MCPModel Context Protocol是今年 AI 领域最重要的协议创新之一。把你的 Agent 包装成 MCP Server任何支持 MCP 的客户端Claude、Codex、Cursor都能直接调用它。import { MCPServer } from mastra/mcp; const server new MCPServer({ agent: supportAgent, }); server.listen(3002);为什么这很重要因为这意味着你写的 Agent 不再是一个孤立的系统而是整个 AI 生态中的一个「插件」。其他 Agent 可以调用它它可以调用其他 Agent——这才是真正的 Agent 网络。五、避坑生产环境必须注意的 5 件事最后分享几个我踩过的坑1. Token 限流大模型 API 有 Rate Limit生产环境一定要做 Token 预算管理。建议用mastra/rate-limit中间件或者自己在 API 调用前加一层限流。2. 上下文窗口模型有上下文窗口限制比如 128K tokens。如果 Agent 对话很长记得做滑动窗口摘要——把历史对话压缩成摘要而不是无限制地追加。3. 工具调用超时工具调用可能因为外部 API 挂掉而卡住。永远给工具调用设置超时时间建议 30 秒上限。4. 输出验证大模型生成的内容不一定符合预期格式。在 Agent 输出之前加一层 Schema 验证确保输出的 JSON 结构正确。5. 日志和监控生产环境的 Agent 一定要有日志。建议记录每次请求的输入输出、Token 消耗、工具调用耗时、错误信息。这些数据是你优化 Agent 的依据。写在最后今天我们用 30 分钟从零搭建了一个能跑起来的 AI Agent。它不复杂——核心只有三件事定义 Agent、绑定工具、编排工作流。但它的天花板很高——你可以不断叠加工具、优化 Prompt、丰富工作流让它从一个简单的「问答机器人」变成真正的「数字员工」。明天预告AI Agent 的评估体系——如何衡量你的 Agent 做得好不好想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
尧图网络