Agent 的能力上限，不在模型有多聪明
微信读书《大模型Agent开发实践》· 陈志鹏（@木羽Cheney）
逐页翻阅 599 屏 · 8 章 · 2026-11-03
说明：这是一本必须开着终端读的书。599 屏里绝大部分是命令行、代码块和运行截图，作者是赋范空间的大模型技术负责人，写法偏"带你走一遍"而不是"讲个道理"。也正因为它这么实，它的优点和毛病都特别明显。
Agent 这个题目，很容易写成两类书。
一类是概念书：讲什么是智能体、有哪些范式、未来会怎样。读完你觉得懂了，一动手发现不知道从哪一行开始写。另一类是技巧书：给你一堆提示词模板和框架对比，读完能跑个 demo，但一上真实业务就崩。
这本书走的是第三条路，也是我认为最难写的一条：把一个 Agent 从环境装起，一路做到企业级可用。八章就是这条路的八个路段——Agent 基础、大模型部署、DeepSeek 实操、本地知识库 RAG、RAG 实战、微调实战、Agent 开发、企业级实战。
这个顺序本身就是一个判断：Agent 不是一个起点，是一个终点。你必须先有能跑起来的模型，再有能喂进去的知识，再有能约束它的框架，最后才谈得上"智能体"。
一、第一个真实的坑：它把草稿也交给你了
讲 Agent 的文章大多从 ReAct 开始，这本书却先讲了一个更琐碎、也更真实的问题：本地部署的推理模型，输出里会带思维链。
书里在讲结构化输出时，给的解法非常朴素：取规范化输出内容的"### Response"作为最终模型的答复内容，代码就一行——
print(response[0].split("### Response:")[1])
截图里可以看到，模型吐出来的原始内容是先一段 <think>（里面在自我盘算"用户说你好，久不见，看起来是想打招呼……我应该友好地回应，表达开心并询问情况"），然后才是 </think> 和真正的答复。
这个细节看起来微不足道，但它是"本地部署"和"调 API"之间最容易被忽略的差别之一。云端 API 通常已经帮你把推理过程剥掉了，你拿到的就是干净答案；本地跑开源模型，你拿到的是模型的全部工作过程，包括它的犹豫、自我提醒、格式草稿。
如果你不切，下游会发生什么？
假设你在做一个客服 Agent，模型先想"这个用户好像在生气，我应该先安抚"，然后把这段思考一起输出给用户。用户看到的是一句"这个用户好像在生气"——对话直接崩掉。
再假设你在做结构化抽取，让模型输出 JSON。它先在 think 里写"我需要抽取姓名、电话、金额"，然后输出 JSON。你的解析器在第一个花括号处就崩了，因为它先遇到了中文。
所以那行 split 不是权宜之计，它是协议边界。它的意思是：模型的思考过程和模型的输出，是两个东西，中间必须有一条明确的分界线。
二、schema 就是契约
顺着这条线，书里第 7 章讲 LCEL 时给了一个我认为全书最有工程味的设计。
它说，在 LCEL 中所有组件都实现了 Runnable 接口，在这个过程中，Runnable 会动态生成输入的描述，并将其传入 Pydantic 模型。我们可以调用 schema() 来获取 JSON Schema。书里打印出来是这样：
{'properties': {'topic': {'title': 'Topic', 'type': 'string'}},
'required': ['topic'],
'title': 'PromptInput',
'type': 'object'}
然后是那句关键的总结：
通过这样的强检验机制，可以确保输入的数据格式正确，尽早发现错误。
"尽早"两个字是重点。
Agent 系统最难受的故障，不是它报错，而是它不报错。你把一个字段名拼错了，链路照样跑通，模型照样生成，最后给你一段读起来通顺、但基于错误输入的回答。你看到结果不对，回头查，发现错误发生在第三步，而你已经跑了两百次。
schema 的作用是把这类错误从"结果层"提前到"入口层"。字段少了、类型错了、必填缺失，在进门那一刻就被拦住，而不是等到模型编出一个答案之后你才发现。
我读这一段的时候想到一个类比：schema 之于 Agent，相当于类型系统之于编程语言。写 Python 不写类型也能跑，但项目一大就会出问题；写 TypeScript 会多花时间，但那些时间是从调试里省出来的。Agent 现在的阶段，大致相当于早期的 JavaScript——什么都能塞，什么都可能错。
所以这本书的价值不在于教你"怎么让 Agent 更聪明"，而在于教你"怎么让它不那么容易错"。这两个方向的工程量差一个量级。
三、从链到图：AgentExecutor 为什么让位
书里对 LangChain 和 LangGraph 的区别，有一段话说得比大多数资料都清楚：
LangGraph 在"图"这一概念上进行了重点强化，旨在解决线性序列带来的局限性，而实现这一目标的核心方式是引入循环图结构。在 LangGraph 框架中，图取代了 LangChain 中的 AgentExecutor（Agent 执行器），用于管理 Agent 的生命周期，并通过状态中的暂存器跟踪消息，从而支持以循环方式协调多个链或参与者之间的计算步骤。这与 LangChain 将 Agent 视为可附加工具并插入特定提示的设计理念有所不同。
这段话里有三个信息量很大的点，值得拆开。
第一，"线性序列带来的局限性"。早期 LangChain 的心智模型是链（Chain）：A 的输出喂给 B，B 的输出喂给 C。这个模型很直观，也很好教。但它有一个硬伤——不能回头。
而 Agent 的本质恰恰是回头。它要先想、再调工具、看结果、发现不对、重新想。这是一个环，不是一条线。用链的模型去表达环的行为，只能靠套娃式的 hack，越写越乱。
第二，"图取代了 AgentExecutor"。这是个架构级的替换，不只是换个名字。AgentExecutor 是黑盒：你把模型、工具、提示词塞进去，它自己在里面转，你不知道它转到第几圈、为什么停。状态图是白盒：节点是你定义的，边是你定义的，状态是你定义的，每一步都能停下来看。
对调试来说，这个差别是决定性的。黑盒的问题不是它不好用，是它出错时你无从下手。
第三，"通过状态中的暂存器跟踪消息"。这句话点出了状态图的实现核心：所有东西都挂在状态上。消息、中间结果、工具返回、错误信息，全部是状态的一部分。这样一来，"循环"就变得自然了——回到上一个节点，状态还在，接着算就行。
我觉得这段的价值在于，它把一个看起来像"框架营销"的问题，还原成了一个具体的技术问题：你要不要能回头？要，就必须有状态；有状态，就必须有图。
四、微调改的是嘴，RAG 改的是脑
第 4、5 章讲 RAG，第 6 章讲微调。这三章放在一起，恰好构成一个对照，而这个对照是很多人搞混的地方。
书里讲微调的必要性时说得很清楚：预训练模型"通常具备通用性，尚未针对特定任务或领域进行优化和调整"，微调是在预训练模型的基础上，通过少量训练数据和有限的计算资源，对模型进行特定任务的优化。
关键词是"特定任务"，不是"特定知识"。
这个区别必须掰开：
你要它知道你们公司 2025 年的报销标准 → 这是知识，用 RAG。把制度文档切块、建索引、检索进上下文。
你要它输出时永远先给结论再给依据、永远用敬语、永远不带感叹号 → 这是行为，用微调。准备几百条符合要求的样本，训一遍。
把这两件事搞反，是最常见的浪费。用微调灌知识，你会发现它记住了一些、忘了更多、还会把不同条款混在一起编；用 RAG 改文风，你会发现每次都要在提示词里写一大段要求，还经常不听话。
书里还有一个现实提醒：微调要谈硬件。显存多大、能不能跑 LoRA、多久能训完——这些是硬约束。一台消费级显卡能做的微调，和能做的推理，是两件完全不同规模的事。
至于 RAG 那两章（第 4、5 章），走的是标准路线：文档加载、切块、嵌入、向量库、检索、生成。书里给的例子是本地知识库问答，一路有代码。扎实，但没有太多超出常规的东西——这部分内容现在网上已经很多了。
五、它的短板
说实话，这本书的问题和它的优点来自同一个地方：它太"实"了。
第一，它会很快过期。599 屏里大量是命令行输出、界面截图、API 参数、模型版本号。这类内容在 2024 年写下来是对的，但模型版本三个月一换、框架 API 半年一改，读者照着敲很可能第一步就卡住。一本以命令行截图为骨架的书，保质期天然很短。
第二，深度被广度摊薄了。八章要覆盖部署、RAG、微调、Agent、企业级五个大主题，每章平均七十来屏。这意味着每一块都只能"带你跑通"，没法"带你吃透"。比如微调那一章，讲了为什么微调、怎么准备数据、怎么跑起来，但学习率怎么调、灾难性遗忘怎么防、效果怎么评——这些真正决定成败的部分，基本没有展开。
第三，企业级那一章名不副实。第 8 章标题叫"企业级 Agent 开发实战"，但内容更接近"把前面的东西串起来做个完整例子"。真正的企业级难题——多租户隔离、权限、审计日志、灰度发布、故障回滚、成本核算——几乎没有涉及。而这些恰恰是从"能演示"到"能上线"之间最厚的一堵墙。
第四，缺一张选型地图。书里介绍了不少框架（LangChain、LangGraph、LlamaIndex、GraphRAG、Dify 之类），但很少给出"什么场景该选哪个"的判断。读者读完之后知道有哪些工具，还是不知道该用哪个。
还有一点不算缺点，但需要提醒：这本书默认你有一台能跑模型的机器，或者至少愿意为 API 付费。它对"完全没有工程背景、只想试试看"的读者并不友好——第一章之后的门槛就上来了。
但如果目标是"我真的要做一个能用的东西"，这些短板是可以接受的。因为市面上缺的从来不是"讲清楚 Agent 是什么"的书，而是"把每一步的命令都写出来、让你能跑通一次"的书。跑通一次之后，你才有资格谈判断。
一句话总结：Agent 的能力上限不取决于模型有多聪明，取决于你给它定的契约有多严——schema 定得住，它才敢放出去跑。
阅读记录：《大模型Agent开发实践》，陈志鹏著，微信读书逐页翻阅 599 屏，八章读完，读至第 8 章企业级 Agent 开发实战。2026-11-03。
发表评论: