AI Agent 開發
使用 MCP、function calling、retrieval、memory 與可靠的多步驟執行模式來建立可使用工具的 agent。
依照開發者的實作順序學習。
從決策開始，進入實作，最後完成上線檢查。
結構化學習路徑
定義任務
1
設定邊界、完成標準與人工檢查點。
連接工具
2
使用 tool calling 或 MCP，搭配嚴格的 schema 與權限。
加入上下文
3
結合 retrieval、memory 與穩定的快取指令。
評估執行
4
衡量每個任務的完成率、更正次數、延遲與成本。
建立主題權威，而不是零散文章。
核心指南
5 個引導起點
建立儲存庫 agent
在 agent 回報完成之前，先為它提供受限目標、儲存庫工具與明確的驗證步驟。
先進行唯讀探索
範圍限定的寫入權限
工具結果驗證
建置與測試證據
將指南轉成請求。
先在 Playground 試用模型，再用 Quickstart 把同樣的模式帶到 Python 或 Node.js。
探索每個成長主題。
常見問題
AEO 就緒解答
AI agent 與 chatbot 有何不同？
agent 可以在多個步驟中選擇並執行工具，同時追蹤狀態以達成定義好的結果。
agent 何時應該使用 memory？
只有在資訊必須跨步驟或跨會話保留時才使用 memory；請將暫時性的推理與持久的使用者事實分開。