教程中心
从零基础配置到多智能体复杂工作流，手把手掌握主流 Agent 的工程落地实践
学习路径
新手起步
装好第一个 AI 助手，从「装不上」到「用起来」
进阶提效
把 Agent 接进日常工作流，而不是当玩具
企业落地
从部门试点走到生产可用，一步都不省
用 Cloudflare Vectorize 做无服务器向量检索与 RAG（Workers AI 嵌入 + D1 存原文）
Cloudflare Vectorize 无服务器向量检索与 RAG 实操：wrangler 建索引、Workers AI 生成嵌入、D1 存原文，query 取 topK 相似向量后拼上下文调 LLM 生成答案，含维度定死与计费注意。
用 MCP Sampling 让 Server 反向调用大模型（sampling/createMessage 实操）
MCP Sampling 实操：用官方 mcp 包的 FastMCP 写会调用 ctx.session.create_message 的服务器，配带 sampling_callback 的客户端，跑通 sampling/createMessage 反向请求宿主模型，并说明弃用状态与安全边界。
用 LiveKit Agents 搭可打断的语音智能体（STT→LLM→TTS 流水线）
LiveKit Agents 开源实时语音智能体框架实操：装依赖、配密钥，用 AgentSession 串起 STT→LLM→TTS 流水线，打开 allow_interruptions 实现自然打断，并用 function_tool 让语音 Agent 中途调用工具。
自建 Agent 会话回放器：结构化事件日志，坏步骤事后可查
不依赖 Langfuse 等平台：把 Agent 运行记成 JSONL 事件流（llm_call / tool_call / tool_result），~150 行代码实现时间线回放、错误过滤、耗时定位，以及从任意断点重建上下文继续调试。
工具结果缓存与幂等设计：让 Agent 重试不重复执行、不重复计费
参数哈希做缓存键 + SQLite 持久缓存 + TTL 与负缓存 + 写操作幂等键登记表。解决 Agent 重试风暴下的三类浪费：重复计算、重复调用计费、重复写入副作用。
Agent 并发工具调用工程：Semaphore 限流、结果聚合与部分失败处理
把串行 20 次搜索从 40 秒压到 4 秒：asyncio.gather 并发、Semaphore 设并发上限、令牌桶控速率、聚合时区分成败。与容错三板斧（463）互补，一篇解决 Agent 批量调工具的吞吐问题。
把 Text2SQL 接上真实数据库：只读账号加 SQL 白名单加结果校验的安全闭环
站内已有教程讲清怎么让模型生成 SQL。但生成出来的 SQL 一旦接上真库直接执行，风险立刻放大：注入、越权读敏感表、结果过大打爆内存。本教程在生成 SQL 之上补上生产闭环：只读账号、SELECT 白名单、结果封顶与脱敏。
工具调用的容错三板斧：超时的重试（指数退避）的降级（fallback）
Agent 的工具不是本地函数就是外部 API、数据库、搜索引擎，它们会超时、会限流、会偶发 5xx。给每个工具调用套上超时、指数退避重试、失败降级加熔断四道防线，写成一个能直接复用的装饰器。
给 Agent 输出上锁：结构化输出加 JSON Schema 校验加失败重试兜底
让模型输出自由文本，下游程序很难直接用：字段名可能变、类型可能错、偶尔还多出解释。把模型当成一个需要校验的接口来对待，用 response_format 拿结构化结果，再用 Pydantic 做本地校验，校验不过就带错误回灌重试。
从零手撸一个会调工具的 Agent 执行循环（ReAct：思考到工具到观察）
不依赖任何 Agent 框架，用 OpenAI 兼容接口加不到 150 行 Python，从零写出 think 到 act 到 observe 的 ReAct 循环，注册工具、维护状态、自动跑到任务完成。看懂它，再看框架就不是黑盒。
用 Streamlit 10 分钟做出可分享的 Agent 对话 Web 应用（零前端）
你会写 Python，但做不出能给别人用的 AI 界面？Streamlit 让你不碰 HTML/JS，几行代码就把 Agent 包成一个可分享的网页。本文从零做一个带会话记忆、能展示工具调用过程的 Agent 聊天应用，并一键部署到 Streamlit Community Cloud。
用 AG-UI 协议给 Agent 做实时流式前端：CopilotKit 实战
后端 Agent 跑起来了，前端却只能干等结果？AG-UI 是一套把 Agent 事件（思考、工具调用、消息）实时流式推到前端的开放协议。本文用 CopilotKit 在半小时内给 Agent 套上一个会「边想边展示」的聊天界面，并支持人类介入（human-in-the-loop）。
自托管 vLLM 推理服务：把开源大模型变成 Agent 的 OpenAI 兼容后端
想给 Agent 换上私有、可控、低成本的模型大脑？vLLM 一行命令就能起一个兼容 OpenAI API 的推理服务，让你的 Agent 客户端 base_url 指向本地、数据不出服务器。本文从安装、启动、并发调优到生产级部署（Docker / systemd / 鉴权限流）全流程覆盖，帮你把开源模型变成可落地的 Agent 后端。
用 Cloudflare Workflows 编排持久化多步 Agent 任务（agents/workflows SDK）
长任务最怕中途崩溃丢进度、重试逻辑写到吐。Cloudflare Workflows 把每一步都持久化到云端，进程挂了也能从断点续跑，还内置重试、超时与人工审批。本文用 agents/workflows SDK 搭一条「下载 → 处理 → 审批 → 通知」的多步 Agent 流水线，覆盖 step.do、waitForApproval 与从 Agent 类触发。
用 Playwright MCP 让 AI 自动测试网页：自然语言驱动浏览器（@playwright/mcp 实战）
传统 UI 自动化要写一堆脆弱的选择器。Playwright MCP 把浏览器变成「AI 能直接调用的工具」——你用自然语言说「点登录、填表单、断言标题」，AI 就真的去操作页面。本文手把手教你把 @playwright/mcp 接进 Claude Desktop 与 Cursor，跑通第一个 AI 辅助 E2E 测试，并讲清 snapshot / vision 两种模式与权限边界。
用微软 Semantic Kernel 搭插件式 Agent：Functions 插件 + Planner 自动规划多步任务
Semantic Kernel 用「插件（Functions）+ 原生函数」把能力模块化，再用 Planner / Function Calling 自动编排多步任务。本文用 Python SDK 写一个文件处理插件，让 Agent 自动规划「读取 → 清洗 → 汇总」流程并落地执行。
用 AutoGen（AG2）搭多智能体对话框架：研究员 + 审校协同写报告
微软 AG2（AutoGen）把多智能体协作抽象成「可对话的 Agent + 群聊编排」。本文用 AgentChat API 搭一个研究员 + 审校的双 Agent 群聊，自动产出带引用的调研报告，覆盖安装、Agent 定义、RoundRobin / Selector 编排与终止条件。
Letta（MemGPT）长期记忆智能体实战：Core/Recall/Archival 三层记忆自管理
普通 Agent 一刷新上下文就「失忆」。Letta（原 MemGPT）用 Core/Recall/Archival 三层记忆 + 自管理上下文，让 Agent 跨会话记住你。本文用 letta server + Python SDK 搭一个会长期记忆的 Agent，并讲清三层记忆各自存什么、何时迁移。
GraphRAG 知识图谱检索实战：用 LlamaIndex PropertyGraphIndex 让 Agent 会「推理关系」
普通向量 RAG 只能找到「相似的句子」，回答不了「谁和谁什么关系」。本文用 LlamaIndex PropertyGraphIndex 从文档抽取实体与关系，构建本地知识图谱，再让 Agent 在图谱上做多跳推理，完整跑通从文档到可追问的关系检索。
用 MCP Client 接入任意工具服务：在自写 Agent 里调用 MCP Server（Python 实战）
已有大量现成的 MCP Server（文件系统、网页抓取、数据库……），但多数教程只教怎么写 Server。本文反过来自写 MCP Client：用官方 mcp SDK 连上 stdio MCP Server，把远程工具变成你 Agent 能直接调用的函数，并配一个最小可运行的 Agent 串联整条链路。