AI Agent 开发
使用 MCP、function calling、retrieval、memory 与可靠的多步骤执行模式来创建可使用工具的 agent。
依照开发者的实作顺序学习。
从决策开始，进入实作，最后完成上线检查。
结构化学习路径
定义任务
1
设置边界、完成标准与人工检查点。
连接工具
2
使用 tool calling 或 MCP，搭配严格的 schema 与权限。
加入上下文
3
结合 retrieval、memory 与稳定的缓存指令。
评估执行
4
衡量每个任务的完成率、更正次数、延迟与成本。
创建主题权威，而不是零散文章。
核心指南
5 个引导起点
创建存储库 agent
在 agent 回报完成之前，先为它提供受限目标、存储库工具与明确的验证步骤。
先进行只读探索
范围限定的写入权限
工具结果验证
建置与测试证据
将指南转成请求。
先在 Playground 试用模型，再用 Quickstart 把同样的模式带到 Python 或 Node.js。
探索每个成长主题。
常见问题
AEO 就绪解答
AI agent 与 chatbot 有何不同？
agent 可以在多个步骤中选择并执行工具，同时追踪状态以达成定义好的结果。
agent 何时应该使用 memory？
只有在信息必须跨步骤或跨会话保留时才使用 memory；请将暂时性的推理与持久的用户事实分开。