学智能体开发，快的是抄，慢的是提炼

摘要GitHub 上 Agent 教程动辄八万星但照着抄完能力不会自动长在身上。讲清学 Agent 的三个动作——并读找共识、抽象再还原、往新场景里练以及为什么星数跟仓库是否还活着是两件完全不相干的事。我的收藏夹里有好几个 Agent 教程仓库。第一个是某中文社区的《从零开始构建智能体》八万两千多星五大部分十六章从 Transformer 讲到 Agentic RL。第二个是微软的十八节课英文为主配套代码七万六千星。第三个是 Hugging Face 的 Agents Course三万三千星每章配作业。一个都没读完。不是没时间。是每换一个仓库都要重新记一遍术语ReAct、Plan-and-Solve、上下文工程、Agentic RAG。看完这个的第三章那个仓库用了另一套说法。三个月后想回头查一个 API 细节发现自己的笔记里只有中文标题和一堆没勾选的复选框。后来我把学习方式换了。变化不大但有一个体会值得写出来会做和会造之间隔着的不是知识量是提炼。会跑的代码和跑得住的系统是两件事先说一件容易被跳过的事。教程教的是能跑。工程师做的是跑得住。这两件事的距离比多数人以为的大。你按教程写完一个 ReAct 循环跑通十个 case输出看着挺像回事。放到企业工单场景里问题一个接一个冒出来工具返回超时了循环还在往下走工单系统查不到数据模型开始编上下文堆到十万 token注意力散掉开始漏看关键约束。这些问题教程里没有。因为教程的作者在演示环境里跑。所以挑教程的第一个标准不是星数是它有没有讲那些不体面的部分失败模式、上下文预算、执行预算、评估。这一条比什么都重要后面再说。最稀缺的能力是学会学的能力工具会变。LangChain 换过三轮 APIAgent 框架的概念今年就被重写过——Loop 刚火六周Graph 就来了我 8 月那篇文章写的就是这事。明年的教程目录大概率跟今天的不一样。但有一层东西不会变主循环怎么设计、上下文预算怎么分、失败怎么归类。这层是规律不是招式。所以学 Agent最该练的不是记 API是从具体做法里把规律捞出来。这一步没有捷径也没有教程能替你做——所有教程都默认你在照抄没人教你抄完之后该想什么。具体三步。第一步并读找共识。不是找一个仓库从头读到尾。是同时打开三个仓库只读同一个主题。比如都读工具使用这一章。Datawhale 那一本在第四章手写 ReAct微软那本在 Tool Use Design Pattern 里讲同样的循环Hugging Face 那本把它拆成选择工具、填参数、读返回三步。三个不同作者反复讲的东西大概率就是共识。共识抓出来框架就有了。剩下的细节是噪音不影响你判断方向。这个动作有个反直觉的地方同时看三个比专注看一个慢。但你三天后回头查东西的时候命中率差很多——单看一个仓库你只记住那套说法看三个你记住的是三套说法里重合的那部分。第二步抽象然后还原。抽象是从具体做法里提取规律还原是把规律放回新场景里用。缺了抽象你手上就只是抄来的代码缺了还原你手上就只是背下来的道理。举个数钱的例子。教程里手写的 ReAct 循环大概长这样whilenotdone:actionllm(prompt,history)resulttools[action.name](**action.args)history.append(action,result)donellm.judge(history)FINAL抄完这段抽象一次。抽象出来的是什么是模型只负责决策副作用交给确定性代码每一步的结果都回灌进历史历史是唯一的状态载体。就这三句。能背下来了。然后还原。拿企业工单场景试读工单文本模型决策→ 查工单表确定性代码执行→ 把查到的字段回灌进历史状态更新→ 判断信息够不够不够就继续查下一个字段。一还原问题全出来了。判断信息够不够这一步原版是让模型自己输出一个 FINAL 字符串。可工单场景里模型会因为没找到想要的东西就急着收尾。这时候done不能交给模型判得让代码判——查了三个字段还是空就返回缺什么让它去问用户要。这一改就已经不是抄了。这是从规律里长出来的东西。**这段改造过程才是学本身。**跳过它抄完的代码在你手里规律不在。第三步往新场景里练。提炼出的规律管不管用只有拿新问题去试才知道。我的做法是给自己限定每次只加一个新维度。第一次只跑通循环不管错误处理。第二次加超时和重试。第三次加上下文压缩。第四次加评估——建一个 20 条的小数据集每次改动都跑一遍看通过率掉了还是涨了。第四次开始才真正要命。之前三次都以为自己懂了直到加了评估才发现第三次那套上下文压缩策略让通过率掉了一大截——改之前觉得自己在优化改之后才发现是在丢信息。规律要放到新问题里试过才算长在身上。八万星和一万星都可能是刻舟求剑上面这套动作有个前提你的教程得是活的。而这件事经常不成立。我顺手查了几个常被推荐仓库的最后一次提交时间结果有点扎心。某大模型路线图仓库八万三千多星最后一次提交是 2026 年 2 月。某提示工程指南七万九千星2026 年 3 月之后没动。Chip Huyen 那本《机器学习系统设计》一万零七百星最后一次提交是 2023 年 4 月。对比一下同星量级的另一个Datawhale 那本《从零开始构建智能体》八万两千多星上周还在提交。差在哪儿差在作者是不是还在这个领域里干活。星数反映的是过去有多少人收藏跟现在还准不准完全是两件事。这就是刻舟求剑。楚国人坐船过江剑掉水里了他在船边刻了道痕。到了岸边跳下去什么也没捞到。你按 2024 年的写法学 Function Calling今天发现模型早就换了接口。这不是教程作者的错——他写下的时候那是对的。**所以判断一个仓库该不该学先看它最后一次提交再看它讲不讲失败模式最后才看星数。**这个顺序反了你会把大量时间花在已经过期的写法上。还有个更省事的办法找到那个仓库里讲得最含糊、最像官方文档套话的部分。那通常就是作者自己也没在生产里踩过的地方。别把思考外包出去最后说个最容易出事的点。学 Agent 的人往往一边学一边让 AI 帮自己学。这很自然——反正有个能秒答的东西。问题出在你让 AI 替你总结了八万星教程的要点自己看完觉得懂了。但你不知道它省略了什么也不知道它编了什么。等你遇到那个它没讲、也没编、而你也没意识到要问的地方就卡住了。同样的道理在写代码时更明显。如果你连这个循环该在哪停都想清楚了让 AI 帮你把手写的 ReAct 改成异步的效率很高。但如果连循环为什么要在那里停都没想过让 AI 帮你从零写一个你拿到的就是一段你没验证过的东西。执行这件事越来越便宜判断这件事越来越贵。把归纳、抽象、判断留给自己把编码、查文档、跑实验交给工具。这条线划反了你会发现自己越来越快也越来越浅。最后的话收藏夹里的教程现在还在。但用法变了。不再是从头读到尾而是当字典碰到具体问题翻到对应那一节看它有没有讲失败——如果没讲就不信它这一段。学得快和学得对不是一件事。快的动作是抄。抄一个仓库半天就完。慢的动作是提炼把抄来的东西拆开还原到自己的场景里撞一次墙撞完再改。前者让你今天感觉不错。后者让你三年后还有东西可以拿。参考资料Datawhale / hello-agents《从零开始构建智能体》 — 五部分十六章涵盖经典范式、上下文工程、MCP/A2A、Agentic RL、评估microsoft / ai-agents-for-beginners — 18 节课设计模式、生产部署、协议、安全支持简体中文huggingface / agents-course — 单元式课程每章带练习Shubhamsaboo / awesome-llm-apps — 一百多个可运行的 Agent 与 RAG 应用适合还原练手chip Huyen / machine-learning-systems-design — 系统设计视角作者唐悦玮 | 从后端出发用 AI 拓展到全栈的工程师。