会调用工具已经不够了：生产级 Agent 还缺什么？

这些天，AI Agent 又明显向前走了一步。

8 月 20 日，Anthropic 正式开放 Computer Use、Skills API 和 Files API。Agent 可以操作软件、加载团队沉淀的工作方法、读取资料并交付文件。

8 月 25 日，Salesforce 扩展 Headless 360，让 Agent 能通过 MCP 发现和调用企业业务能力。

8 月 26 日，Claude in Chrome 全面开放，Agent 开始直接在浏览器里点击、输入、填写表单，执行跨页面任务。

单看都是能力更新，放在一起看，趋势已经很明显：

AI Agent 正从“回答问题”，进入“实际完成工作”的阶段。

而当 Agent 真正开始替人操作软件、调用业务系统、连续执行任务时，开发中更难的问题也开始暴露出来。

01会调用工具，不等于能完成任务

做一个能够演示的 Agent，现在并不难。

调用一次模型、接入一个搜索工具，再用框架搭出工作流，很快就能看到效果。

真正放进项目以后，问题才会出现：

• RAG 换一批文档，检索效果就开始波动；
• 工具调用成功一次，连续执行几步却容易中断；
• 任务执行到一半，不知道怎样保存状态和恢复；
• Agent 可以修改数据，却缺少权限控制和人工确认；
• 项目能够运行，却没有日志、Trace 和评测体系。

所以，一个真正能够工作的 Agent，远不只是：

LLM + Prompt + 几个工具。

它还需要解决四类问题：

理解：怎样获得正确的知识、上下文和记忆；

行动：怎样连接工具、数据和外部系统；

持续完成：怎样规划任务、保存状态，并从失败中恢复；

可靠：怎样控制权限、记录过程、评估效果和管理成本。

这四层能力，才是 Demo 和生产级 Agent 之间真正的差距。

02很多人不是没学过，而是没有把知识连起来

你可能已经调用过模型 API，也跑过 RAG，甚至研究过 LangGraph、MCP 和多智能体。

但真正开始做项目时，还是会遇到很多问题：

Prompt、RAG、记忆和工具调用是什么关系？

什么时候使用工作流，什么时候需要 Agent 自主决策？

MCP、A2A 和 AG-UI 分别应该放在哪一层？

Agent 执行失败后，系统应该重试、调整策略，还是交给人工？

很多时候，问题不是教程看得太少，而是这些内容分散在不同框架、文档和案例里，缺少一条按照真实开发流程组织起来的路径。

03所以，我们整理了一份「AI Agent 知识库」

它不是一份热门名词清单，也不只是教你复制代码、跑通 Demo。

知识库按照真实开发过程组织内容：

工程基础 → 大模型应用 → RAG → 工具与记忆 → Agent Loop → MCP 与多智能体 → 评测与部署

把这些知识串起来以后，再去看 RAG、Memory、MCP、Agent Loop 等概念，就更容易理解它们各自解决什么问题，以及在整个 Agent 系统中应该放在哪里。

如果你的工程基础还不完整，可以先补齐 Python、异步编程、Pydantic、FastAPI、HTTP、数据库、缓存和 Docker。

这些能力决定了模型调用如何并发、任务状态存在哪里、服务怎样测试，以及项目最终能不能稳定部署。

如果你已经会调用模型，可以继续学习 LLM、Prompt、Context Engineering、RAG、记忆和工具调用。

不只理解概念，还要知道怎样组织上下文、怎样降低幻觉，以及怎样让 Agent 获得完成任务所需的信息。

如果你已经跑通 Demo，可以进一步学习 Planning、Agent Loop、状态管理、失败恢复、权限控制、Trace 和评测。

让 Agent 不只是成功执行一次，而是能够持续、稳定、可追溯地完成任务。

知识库也覆盖 MCP、A2A、AG-UI 等前沿方向，帮助你理解 Agent 怎样连接工具、怎样相互协作，以及怎样与用户交互，而不是只追逐不断变化的技术名词。

04最终，不只是“看懂”，而是做出一个完整项目

这份知识库会通过真实项目，把前面的内容串联起来。

从 FastAPI、Pydantic 和异步调用开始，接入多个模型，实现流式输出、结构化日志、自动化测试和 Docker 部署。

再逐步加入 RAG、工具运行时、Agent Loop、上下文管理、长期记忆、多智能体和评测体系。

最终留下来的，不应该只是收藏夹里的一堆文章。

而应该是一个能够运行、验证、部署，也能够写进简历和作品集的 Agent 项目。

05写在最后

Agent 的下一阶段，不是更会聊天，而是更会完成工作。

当 Agent 开始操作浏览器、调用企业系统、读写文件和执行多步骤流程，开发者需要掌握的，也不再只是模型和 Prompt。

怎样给它正确的信息？

怎样连接工具和业务系统？

怎样让任务持续执行？

怎样控制风险并证明结果有效？

这份「AI Agent 知识库」，就是围绕这些问题整理的。

如果你正在系统学习 AI Agent，或者已经做过一些 Demo，却不知道怎样走向真实工程落地，可以先领取下来，按照自己的阶段选择内容。

少追几个零散概念，完整走一遍从工程基础到 Agent 交付的开发过程。

免费领取完整「AI Agent 知识库」👇