Agent开发学习记录

从初探：从0开始的AI-Agent开发踩坑实录开始

推荐到的两个提示词工程学习地址：
https://github.com/PandaBearLab/prompt-tutorial
https://www.promptingguide.ai/zh

文章最开始，先是介绍了几种流行的 agent 方案，比如 ReAct、

后面介绍了作者在搭建他的 agent 的具体方案，首先是采用最粗暴的方案，直接用一个完整的 prompt 让大模型去执行，结果也是可想而知，很容易陷入思考的死胡同。然后是分阶段，分步骤的去调用函数或者大模型去执行和判断，从而避免了单次大模型思考量过大。随后，提到了一个“蓝图“的观点，我觉得很有启发：

中间语言“部署蓝图”
由于上一个“全自主决策”Agent的失败，我发现可能更需要流程的可控性。如果让AI自己生成部署蓝图，后续再遵循蓝图进行部署物生成，可能会让结果更为可控。
为什么设计这个“蓝图”？1.  降低认知负荷，保证分析质量：让 AI 专注于“理解和分析”，而不是同时分心去想 Helm 的模板语法。这极大地提升了分析阶段的准确性。AI 在这一步表现得像一个真正的架构师，它能准确识别数据卷、配置文件、环境变量，并规划出对应的 K8s 资源。2. 应对 Token 限制：复杂项目部署物的输出可能会超过模型的上限。为此采用了“迭代分片法”，它会先解析出里的所有服务，然后一个一个地调用 LLM 去生成每个 service 的蓝图片段，最后在代码层面将它们拼接成完整的蓝图。用工程手段弥补模型能力限制3. 解耦与稳定：“蓝图”成了一个稳定、可调试的中间状态。如果最终生成的 Chart 有问题，我能清晰地判断，是“蓝图”生成错了，还是从“蓝图”到“YAML”的翻译步骤错了。这种解耦，对于调试和迭代至关重要。看似是使用了更多的prompt，但减少了调试的难度。

在后面，就是多 agent 方案的介绍了

一个好的 Agent 到底长什么样？结构化上下文、单一职责、外部化状态、解耦处理、稳定性

12-Factor Agents：https://github.com/humanlayer/12-factor-agents?tab=readme-ov-file

OpenAI 的最佳实践：https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api