最近在尝试将大语言模型（LLM）应用到实际业务中时，发现一个普遍现象：模型本身回答问题的能力很强，但一旦涉及到需要多步骤推理、调用外部工具或处理复杂任务时，就显得力不从心。这背后缺失的关键能力，就是Agent（智能体）。无论是想实现一个能自动分析数据并生成报告的助手，还是一个能根据用户需求自主规划并执行代码任务的编程伙伴，Agent 都是绕不开的核心技术。

本文旨在为你提供一份高强度的、聚焦实战的 Agent 能力训练指南。我们不空谈概念，而是通过一系列精心设计的练习，让你在约2.5小时内，系统性地掌握构建一个“聪明”Agent所需的核心技能。从最基础的思维链提示，到复杂的工具调用与记忆管理，每个环节都配有可运行的代码示例和清晰的解释。无论你是想入门 AI Agent 开发，还是希望提升现有模型的“执行力”，这篇文章都能为你提供一条清晰的路径。

1. 理解 Agent：从“聊天机器人”到“智能执行者”

在深入练习之前，我们必须先厘清 Agent 究竟是什么。简单来说，Agent 是一个能够感知环境、进行决策并执行行动以实现目标的系统。在 LLM 的语境下，Agent 通常指一个以大语言模型为“大脑”，具备规划、工具使用和记忆等能力的程序。

核心区别：

• 传统聊天机器人/LLM：你问，它答。一次交互，一个回复。它不知道之前说过什么（除非提供上下文），也不会主动去做事。
• AI Agent：你给一个目标（如“帮我分析上个月的销售数据并总结趋势”），它会自己拆解任务（规划），决定需要调用哪些工具（如查询数据库、调用Python绘图），执行这些动作，并根据结果调整策略，最终给你一个完整的结果。它是一个有状态的、主动的、可执行的智能体。

一个典型的 Agent 系统包含以下几个核心组件，这也是我们后续练习的路线图：

1. 规划（Planning）：将复杂目标分解为可执行的子任务序列。
2. 工具使用（Tool Use）：调用外部函数、API或代码来获取信息或改变环境。
3. 记忆（Memory）：存储和检索过往的交互、工具执行结果和知识，以保持对话连贯性和学习能力。

接下来，我们将使用LangChain这个流行的 Agent 开发框架，以及 OpenAI 的模型（也可用其他兼容API的模型替代）来展开我们的练习。请确保你已准备好 Python 环境。

2. 环境准备与基础设置

工欲善其事，必先利其器。首先，我们需要搭建一个基础的开发环境。

2.1 安装必要库

打开你的终端或命令行，创建一个新的虚拟环境（推荐），然后安装以下核心库：

# 创建并激活虚拟环境 (可选) python -m venv agent_env source agent_env/bin/activate # Linux/Mac # agent_env\Scripts\activate # Windows # 安装核心库 pip install langchain langchain-openai langchain-community

• langchain: Agent 开发的核心框架。
• langchain-openai: 官方维护的 OpenAI 集成。
• langchain-community: 包含大量第三方工具和组件。

2.2 设置 API 密钥

为了调用 OpenAI 的模型，你需要一个 API Key。请妥善保管你的密钥，不要直接硬编码在代码中。通常通过环境变量来管理：

# 在终端中设置环境变量 (临时) export OPENAI_API_KEY='你的-api-key-here' # Linux/Mac # set OPENAI_API_KEY=你的-api-key-here # Windows

在 Python 代码中，我们可以这样初始化一个基础的 LLM：

# 文件：base_setup.py import os from langchain_openai import ChatOpenAI # 从环境变量读取API Key，如果没有设置，则会报错 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # temperature 控制创造性，0表示更确定性的输出，适合任务执行。 print("LLM 初始化成功！") # 可以简单测试一下 response = llm.invoke("你好，请用一句话介绍你自己。") print(response.content)

运行这个脚本，如果看到模型回复，说明环境配置成功。至此，我们的“大脑”就准备好了。

3. 核心能力一：思维链与规划（Planning）

Agent 的“聪明”首先体现在其规划能力上。我们通过提示工程（Prompt Engineering）来激发模型的这种能力。

3.1 零样本（Zero-Shot）与思维链（Chain-of-Thought）

最基本的规划是让模型直接根据指令做出反应。

# 文件：planning_basic.py from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 零样本提示：直接给任务 zero_shot_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个有帮助的助手。"), ("human", "用户的目标是：{goal}。请直接给出实现这个目标需要的关键步骤。") ]) goal = "组织一次成功的线上技术分享会" chain_zero = zero_shot_prompt | llm result_zero = chain_zero.invoke({"goal": goal}) print("【零样本提示结果】") print(result_zero.content) print("-" * 50) # 思维链提示：要求模型展示推理过程 cot_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个善于分析和规划的助手。请逐步思考。"), ("human", """ 用户的目标是：{goal}。 请按以下格式回答： 思考过程：首先，我需要理解这个目标涉及哪些方面。然后，我会拆解出主要的阶段。最后，列出每个阶段的具体任务。 规划步骤： 1. ... 2. ... ... """) ]) chain_cot = cot_prompt | llm result_cot = chain_cot.invoke({"goal": goal}) print("【思维链提示结果】") print(result_cot.content)

练习要点：对比两种提示的结果。思维链提示通常会产生更结构化、更深思熟虑的步骤，因为它模拟了人类的推理过程。这是构建 Agent 规划能力的基础。

3.2 使用 LangChain 的 Expression Language 构建规划链

我们可以将规划过程封装成一个可复用的“链”（Chain）。

# 文件：planning_chain.py from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) output_parser = StrOutputParser() # 定义规划链 planning_prompt = ChatPromptTemplate.from_template( """你是一个项目规划专家。请将以下目标分解为一个有序的任务列表。 每个任务应该是一个清晰、可执行的行动语句。 目标：{goal} 请以数字列表的形式输出任务： """ ) planning_chain = planning_prompt | llm | output_parser # 测试不同的目标 goals = [ "写一篇关于Python异步编程的博客", "为我的个人网站添加一个黑暗模式切换功能", "分析过去一周的服务器日志，找出错误率最高的API端点" ] for g in goals: print(f"\n目标：{g}") print("分解任务：") plan = planning_chain.invoke({"goal": g}) print(plan) print("-" * 40)

这个planning_chain现在就是一个可重用的规划模块。在完整的 Agent 中，这个模块的输出（任务列表）将成为后续工具调用的输入。

4. 核心能力二：工具使用（Tool Use）

规划好了步骤，下一步就是执行。Agent 通过“工具”来与外部世界交互。工具本质上是一个函数，Agent 可以决定在何时、以何种参数调用它。

4.1 创建你的第一个工具

让我们创建一个简单的工具，例如一个计算器和一个查询天气的模拟工具。

# 文件：tool_basic.py from langchain.tools import tool from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate import math # 1. 使用 @tool 装饰器定义工具 @tool def calculate(expression: str) -> str: """计算一个数学表达式的值。支持 +, -, *, /, **, sqrt() 等。""" # 注意：直接使用 eval 有安全风险，此处仅用于演示。生产环境应使用安全评估库如 `ast.literal_eval` 或自定义解析器。 try: # 为安全起见，我们限制可用的函数和变量 allowed_names = {"sqrt": math.sqrt, "pi": math.pi, "e": math.e} result = eval(expression, {"__builtins__": None}, allowed_names) return f"计算结果：{expression} = {result}" except Exception as e: return f"计算错误：{e}" @tool def get_weather(city: str) -> str: """获取指定城市的当前天气（模拟）。""" # 这里模拟一个API调用 weather_data = { "北京": "晴，15°C，微风", "上海": "多云，18°C，东南风2级", "深圳": "阵雨，22°C，南风3级", "纽约": "阴，10°C，北风4级" } forecast = weather_data.get(city, "抱歉，未找到该城市的天气信息。") return f"{city}的天气：{forecast}" # 2. 准备工具列表和LLM tools = [calculate, get_weather] llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 3. 创建Agent提示模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个拥有工具使用能力的助手。请根据用户问题，决定是否需要使用工具，以及使用哪个工具。严格遵循工具的参数格式。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), # 这是关键，用于记录Agent的思考过程 ]) # 4. 创建Agent和Executor agent = create_openai_tools_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) # 5. 运行测试 print("=== 测试1：数学计算 ===") result1 = agent_executor.invoke({"input": "请计算 3 的平方加上 4 的平方再开根号是多少？"}) print(f"最终答案：{result1['output']}\n") print("=== 测试2：天气查询 ===") result2 = agent_executor.invoke({"input": "今天北京和上海的天气怎么样？"}) print(f"最终答案：{result2['output']}\n") print("=== 测试3：混合任务 ===") result3 = agent_executor.invoke({"input": "如果北京温度是15度，上海是18度，两地的平均温度是多少？先查天气再计算。"}) print(f"最终答案：{result3['output']}")

关键点解析：

• @tool装饰器：将普通 Python 函数转换为 LangChain 能识别的工具。文档字符串"""内的描述至关重要，Agent 靠它来理解工具的功能。
• AgentExecutor：驱动 Agent 运行的核心引擎。verbose=True会打印出详细的思考过程，这是学习 Agent 如何决策的绝佳方式。
• agent_scratchpad：这是一个占位符，用于在对话中自动插入 Agent 之前的工具调用和观察结果，形成连贯的“记忆”。

运行上述代码，你会看到 Agent 的完整思考链路：Thought（思考是否需要工具）->Action（选择工具并传入参数）->Observation（工具返回结果）->Final Answer（整合结果并回复）。

4.2 使用预构建和自定义工具

LangChain 社区提供了海量的预构建工具，从搜索引擎、维基百科到数据库、代码执行器。

# 文件：tool_advanced.py from langchain_community.tools import WikipediaQueryRun, DuckDuckGoSearchRun from langchain_community.utilities import WikipediaAPIWrapper, DuckDuckGoSearchAPIWrapper from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate # 1. 使用社区工具 wiki_wrapper = WikipediaAPIWrapper(top_k_results=2, doc_content_chars_max=500) wiki_tool = WikipediaQueryRun(api_wrapper=wiki_wrapper) search_wrapper = DuckDuckGoSearchAPIWrapper() search_tool = DuckDuckGoSearchRun(api_wrapper=search_wrapper) # 2. 组合工具 tools = [wiki_tool, search_tool] llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个研究助手。优先使用维基百科工具获取权威信息，如果找不到或信息不足，再使用网络搜索。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), ]) agent = create_openai_tools_agent(llm, tools, prompt) executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) # 3. 测试信息检索能力 questions = [ "LangChain 框架的主要作者是谁？", "2023年诺贝尔物理学奖的相关新闻", ] for q in questions: print(f"\n问题：{q}") result = executor.invoke({"input": q}) print(f"答案：{result['output'][:300]}...") # 截断部分输出

这个 Agent 已经具备了初步的研究能力！它知道根据问题类型选择不同的工具，并按照优先级（维基百科优先）执行。

5. 核心能力三：记忆（Memory）

一个没有记忆的 Agent，每次对话都是全新的开始。记忆让 Agent 能进行连贯的多轮对话，记住用户偏好和历史上下文。

5.1 对话缓冲区记忆（ConversationBufferMemory）

这是最简单直接的记忆方式，保存所有历史对话。

# 文件：memory_buffer.py from langchain.memory import ConversationBufferMemory from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import tool @tool def get_name_length(name: str) -> str: """计算一个名字的字符长度。""" return f"名字 '{name}' 的长度是 {len(name)} 个字符。" tools = [get_name_length] llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 关键：在提示中预留记忆变量的位置，并在创建memory时指定key prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个友好的助手，会记住对话中提到的所有事情。"), MessagesPlaceholder(variable_name="chat_history"), # 历史对话将放在这里 ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) agent = create_openai_tools_agent(llm, tools, prompt) executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True) # 进行多轮对话 conversation = [ "你好，我的名字是张三。", "我的名字长度是多少？", # 它应该记得“张三” "我妹妹叫李小花，她也想知道她名字的长度。", "那么我的名字长度和我妹妹的名字长度，哪个更长？" # 它应该记得两个人名并比较 ] for i, msg in enumerate(conversation): print(f"\n[用户第{i+1}轮]: {msg}") result = executor.invoke({"input": msg}) print(f"[助手]: {result['output']}") # 查看当前记忆内容 print("\n=== 当前对话记忆 ===") print(memory.buffer)

5.2 对话摘要记忆（ConversationSummaryMemory）

当对话很长时，缓冲区记忆会消耗大量 Token。摘要记忆则定期将长对话总结成一段精炼的文字，节省上下文空间。

# 文件：memory_summary.py from langchain.memory import ConversationSummaryMemory from langchain_openai import ChatOpenAI from langchain.chains import ConversationChain llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 使用 ConversationSummaryMemory memory = ConversationSummaryMemory(llm=llm, memory_key="chat_history", return_messages=True) conversation = ConversationChain(llm=llm, memory=memory, verbose=False) # 模拟一段较长的、话题相关的对话 long_chat = [ "我喜欢编程，尤其是Python和JavaScript。", "Python 我用来做数据分析和后端开发。", "JavaScript 我主要用React框架来做前端。", "对了，我还用Python的FastAPI框架写过几个微服务项目。", "你觉得对于初学者，是先学Python好还是先学JavaScript好？" ] print("进行一段长对话...") for msg in long_chat: print(f"\n用户: {msg}") response = conversation.predict(input=msg) print(f"助手: {response}") # 查看记忆摘要，而不是完整历史 print("\n=== 记忆摘要 ===") print(memory.buffer)

你会看到，memory.buffer中存储的是一段总结性文字，如“用户谈论了他的编程喜好，主要使用Python和JavaScript...”，而不是每一句原话。这大大提升了长对话的可行性。

6. 综合实战：构建一个任务规划与执行 Agent

现在，让我们把规划、工具、记忆三者结合起来，构建一个完整的 Agent。这个 Agent 将能够接受一个复杂目标，自动规划步骤，调用工具执行，并在过程中记住关键信息。

# 文件：full_agent_demo.py from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.memory import ConversationBufferWindowMemory # 使用窗口记忆，只保留最近N轮 from langchain.tools import tool from datetime import datetime import random # ---------- 1. 定义工具 ---------- @tool def search_web(query: str) -> str: """使用网络搜索获取最新信息。这是一个模拟函数。""" # 模拟搜索结果 results = { "最新的AI会议": "NeurIPS 2024将于12月举行，投稿截止日期为5月。", "Python 3.12 新特性": "Python 3.12 改进了错误信息，并引入了新的类型语法。", "今天的头条新闻": "科技板块：某公司发布新一代AI芯片。" } for key, value in results.items(): if key in query or query in key: return f"搜索 '{query}' 的结果：{value}" return f"未找到关于 '{query}' 的明确信息。" @tool def calculate_bmi(weight_kg: float, height_m: float) -> str: """计算身体质量指数 (BMI)。公式：体重(kg) / 身高(m)^2""" bmi = weight_kg / (height_m ** 2) category = "偏瘦" if bmi < 18.5 else "正常" if bmi < 25 else "偏胖" if bmi < 30 else "肥胖" return f"您的BMI是 {bmi:.1f}，属于'{category}'范围。" @tool def get_current_time() -> str: """获取当前日期和时间。""" now = datetime.now() return f"当前时间是：{now.strftime('%Y-%m-%d %H:%M:%S')}" # ---------- 2. 设置LLM、记忆和提示 ---------- llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) tools = [search_web, calculate_bmi, get_current_time] # 使用窗口记忆，只保留最近3轮对话，避免上下文过长 memory = ConversationBufferWindowMemory( memory_key="chat_history", k=3, return_messages=True ) # 构建一个功能更强大的系统提示，引导Agent进行规划 prompt = ChatPromptTemplate.from_messages([ ("system", """你是一个高级任务执行助手。你的工作流程如下： 1. **理解与分析**：仔细分析用户的请求，判断其复杂程度。 2. **规划**：如果请求是复杂的或多步骤的，先在脑中（或通过思考步骤）规划一个清晰的执行方案。 3. **工具选择**：根据规划，决定是否需要使用工具，以及使用哪个工具。工具描述如下： - search_web: 当你需要获取最新的、非常识性的信息时使用。 - calculate_bmi: 当用户提供体重和身高，需要计算BMI时使用。 - get_current_time: 当用户询问当前时间时使用。 4. **执行与整合**：按规划执行，整合工具返回的结果，给出最终、完整的答复。 请保持对话的连贯性，记住之前提到的关键信息。 """), MessagesPlaceholder(variable_name="chat_history"), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # ---------- 3. 创建并运行Agent ---------- agent = create_openai_tools_agent(llm, tools, prompt) executor = AgentExecutor( agent=agent, tools=tools, memory=memory, verbose=True, # 设为True以观察思考过程 handle_parsing_errors=True, max_iterations=5 # 防止Agent陷入死循环 ) print("===== 综合Agent演示开始 =====") print("你可以尝试输入复杂任务，例如：") print(" - '我想了解最新的AI会议，然后告诉我现在几点。'") print(" - '我体重70公斤，身高1.75米，我的BMI是多少？顺便查一下Python有什么新特性。'") print(" - '记住我的名字叫小明。我刚刚问过时间了吗？'") print("输入 '退出' 或 'quit' 结束对话。\n") while True: user_input = input("\n你的问题: ") if user_input.lower() in ['退出', 'quit', 'exit']: print("对话结束。") break try: result = executor.invoke({"input": user_input}) print(f"\n助手: {result['output']}") except Exception as e: print(f"执行出错: {e}")

这个综合 Agent 演示了以下能力：

1. 多步骤规划：对于“查AI会议然后看时间”这类请求，它会先规划（搜索），再执行（获取时间）。
2. 上下文感知：得益于ConversationBufferWindowMemory，它能记住前几轮对话（如你的名字）。
3. 工具路由：能根据问题准确选择search_web、calculate_bmi或get_current_time。
4. 防呆设计：max_iterations参数防止 Agent 在无法解决问题时无限循环。

运行这个脚本，通过verbose=True观察它的完整思考链，你会对 Agent 的运作机制有更深刻的理解。

7. 常见问题与调试技巧

在开发 Agent 过程中，你一定会遇到各种问题。以下是一些高频问题及其解决思路。

调试金句：永远开启verbose=True。这是理解 Agent “内心戏”的最重要窗口。通过观察Thought、Action、Observation的流转，你能精准定位问题发生在规划、工具选择还是执行阶段。

8. 进阶优化与工程实践

当你掌握了基础 Agent 构建后，以下实践能让你的 Agent 更可靠、更强大。

8.1 提示词工程优化

系统的提示词是 Agent 的“宪法”。好的提示词应：

• 角色明确：清晰定义 Agent 的职责和边界。
• 流程指示：明确给出思考、规划、执行的步骤框架。
• 格式要求：要求输出结构化内容（如 JSON、列表），便于后续解析。
• 安全与边界：规定什么能做，什么不能做。

# 一个更优化的系统提示示例 advanced_system_prompt = """ 你是一个专业的数据分析助手。你的核心职责是帮助用户通过计算和搜索获取信息。 **工作流程**： 1. **理解需求**：确认用户的具体问题。 2. **判断工具**：分析是否需要计算或搜索。 - 涉及数学公式、单位换算、数据计算，使用 `calculate` 工具。 - 涉及事实、新闻、最新信息，使用 `search_web` 工具。 3. **执行与验证**：调用工具后，检查结果是否合理。如果结果不理想，思考是否需要换一种方式或工具。 4. **清晰回复**：将工具结果整合成用户易懂的答案，并注明信息来源（如“根据计算...”或“根据网络搜索...”）。 **重要规则**： - 如果用户请求涉及危险、违法或伦理问题，直接拒绝并说明原因。 - 对于不确定的信息，务必声明“这可能不准确”或“根据搜索结果显示”。 - 保持友好和专业。 """

8.2 使用更强大的模型与智能体框架

• 升级模型：对于复杂任务，gpt-3.5-turbo可能力不从心，gpt-4或gpt-4-turbo在规划、推理和工具调用准确性上通常有显著提升。
• 探索其他框架：LangChain 是优秀的起点，但生产环境可以考虑：
  • AutoGen(微软)：专注于多智能体协作，适合构建由多个专家 Agent 组成的团队。
  • CrewAI：受 Crew（团队）概念启发，擅长角色扮演和任务分工，管理多 Agent 工作流非常直观。
  • Semantic Kernel(微软)：深度集成 .NET 生态，提供强大的规划器和插件（技能）管理。

8.3 构建可复用的工具库

将工具模块化，方便在不同 Agent 间复用。

# 文件：my_toolkit.py from langchain.tools import tool import requests import json class CalculatorTools: @tool def calculate_area(radius: float) -> str: """计算圆的面积。参数：半径 (float)。""" area = 3.14159 * radius * radius return f"半径为 {radius} 的圆面积是 {area:.2f}" @tool def convert_currency(amount: float, from_curr: str, to_curr: str) -> str: """货币转换（模拟）。参数：金额, 原货币代码, 目标货币代码。""" rates = {"USD": 1.0, "CNY": 7.2, "EUR": 0.92, "GBP": 0.79} # 模拟转换 if from_curr in rates and to_curr in rates: converted = amount * rates[to_curr] / rates[from_curr] return f"{amount} {from_curr} 约等于 {converted:.2f} {to_curr}" return "不支持的货币代码。" # 使用时 from my_toolkit import CalculatorTools tools = [CalculatorTools.calculate_area, CalculatorTools.convert_currency]

8.4 为生产环境做好准备

1. 错误处理与降级：Agent 执行链的每一步都可能出错。做好异常捕获，并提供友好的降级回答（如“服务暂时不可用，您可以尝试...”）。
2. 日志与监控：记录完整的 Agent 执行轨迹（Thought, Action, Observation），便于问题回溯和性能分析。
3. 成本控制：监控 Token 使用量，设置预算和速率限制。对于内部工具，可以考虑使用本地小模型（通过 Ollama、LM Studio）来处理简单任务。
4. 安全与审核：对用户输入和工具输出进行内容安全过滤。特别是当工具能执行代码或访问数据库时，权限控制至关重要。

通过以上2.5小时的高强度练习，你已经从零开始，系统地实践了构建一个实用 AI Agent 的核心流程：从激发模型的规划能力，到定义和调用工具，再到管理对话记忆，最后整合成一个能处理多步骤任务的智能体。记住，Agent 开发是一个迭代过程，核心在于清晰的定义（工具、提示）和细致的观察（verbose日志）。接下来，尝试为你自己的业务场景设计工具和提示词，打造专属的智能助手吧。