博客

多Agent系统不只是把多个Agent放在一起。真正的难点在编排——Agent之间怎么传递数据？怎么并行执行？怎么根据中间结果做分支？本文用 LangGraph 和 qwen-agent 分别实现流水线式、并发式、条件式三种编排模式，拆解每次模式的核心原语和适用场景。

复杂任务不能一步到位。规划设计模式（Planning Design Pattern）将'想'和'做'分离——Planning Agent 把用户需求拆分为结构化的子任务列表，Concierge Agent 按依赖顺序逐一执行。本文通过 7 天巴黎旅行的完整案例，拆解任务分解、Pydantic 结构化输出、规划-执行分离三层设计。

手工编写 system prompt 耗时、不一致、难扩展。系统消息框架（System Message Framework）用一个 meta-prompt 让 LLM 帮你自动生成 system prompt——你只需告诉它角色、公司和职责。本文拆解这个两步生成流程，并探讨它和构建可信赖 AI Agent 之间的关系。

传统 RAG 的总流程是先检索再生成。Agentic RAG 把检索权交还给 Agent——由 LLM 自主决定何时检索、用什么关键词检索、是否需要二次检索验证。本文通过旅游知识库搜索的完整案例，拆解 Agentic RAG 的核心机制和 Producer-Checker 迭代模式。

当 Agent 同时拥有多个工具时，LLM 怎么编排调用顺序？下游代码怎么可靠消费 Agent 输出？副作用操作（预订、扣款）怎么加入人工审批？本文通过旅行预订代理的完整案例，讲解三种工具使用设计模式。

构建 AI Agent 不只是写代码，更要懂设计。本文讲解三种基础设计模式：用清晰指令约束 Agent 行为、用 Pydantic 让输出可验证、用单一职责拆分复杂任务。每种模式都有可运行的代码对照，帮你从'能用'走向'好用'。

上篇文章手写了 tool calling 循环。这篇文章往上走一层：Agent 框架到底做了什么？拆解 Client、Agent、Tools、Session 四层抽象，每一层都用手写代码和 qwen-agent 框架对照——你会发现，框架不过是对那 30 行的工程化封装。

抛开所有框架，只用 openai SDK 直连通义千问 API，手写 tool calling 循环。用 30 行核心代码讲清楚：AI Agent 到底是什么，Agent 框架底层到底做了什么，以及为什么理解这个循环比学任何框架都重要。

分享我如何基于Next.js 16构建一个现代化的个人主页，专门面向AI研究者和开发者。本文详细介绍了技术选型、功能设计以及如何利用AI辅助开发。