LangChain与AutoGPT之外:从零手写一个可循环调用的AI Agent
LangChain 0.1.x 和 AutoGPT 把 Agent 抽象得很优雅,但封装越厚,调试越像在黑盒里摸象。我用 380 行 Python 手写了一个最小可用 Agent,支持工具调用、短期记忆、重试与最大步数控制,在本地 Qwen2.5-7B 上跑通「查天气→算温差→写文件」链路,平均 3.2 步完成,单步失败重试 2 次后成功率从 71% 提升到 94%。本文拆解工具定义、记忆管理、错

主要整理产品设计与管理相关的学习笔记与工程经验,内容覆盖产品增长与运营、用户体验优化。关注技术选择背后的成本与边界,希望把复杂问题讲清楚、把实践步骤写完整。
LangChain 0.1.x 和 AutoGPT 把 Agent 抽象得很优雅,但封装越厚,调试越像在黑盒里摸象。我用 380 行 Python 手写了一个最小可用 Agent,支持工具调用、短期记忆、重试与最大步数控制,在本地 Qwen2.5-7B 上跑通「查天气→算温差→写文件」链路,平均 3.2 步完成,单步失败重试 2 次后成功率从 71% 提升到 94%。本文拆解工具定义、记忆管理、错
同一份千行合同文本,用默认Prompt跑百度ERNIE 4.0(2024年3月版),实体抽取F1值只有0.63,token消耗却高达4821。经过四轮指令重构——加入角色约束、输出Schema、否定指令和示例驱动后,F1飙到0.85,token直降37%。本文用真实业务场景(企业采购合同关键条款抽取)记录完整的Prompt实验日志,包含每版Prompt的完整代码、API参数配置、失败案例分析,以及