03｜学习地图：从模型走向可行动系统

明确整套课程的知识顺序、工具选择与最终项目。

历史不是模型越来越大的一条直线，而是符号规则、学习、语言、工具和反馈多条河流汇合。

本课交付物

使用本系列交互时间线选择三个转折点，写出每个节点新增了什么能力、仍缺什么。

---

核心讲解

欢迎来到第一单元，在这里你将在 AI 智能体 (AI Agents) 的基础知识中建立坚实的基础，包括：

• 理解智能体 (Understanding Agents)

  • 什么是智能体，它是如何工作的？
  • 智能体如何使用推理 (Reasoning) 和规划 (Planning) 做出决策？

• 大型语言模型 (LLMs) 在智能体中的角色

  • LLMs 如何作为智能体的"大脑"
  • LLMs 如何通过消息系统 (Message System) 构建对话

• 工具和行动 (Tools and Actions)

  • 智能体如何使用外部工具与环境交互
  • 如何为你的智能体构建和集成工具

• 智能体工作流程 (Agent Workflow):

  • 思考 (Think) → 行动 (Act) → 观察 (Observe)

探索这些主题后，你将使用 smolagents 构建你的第一个智能体！

你的智能体名为 小安，将处理一个简单的任务，并展示如何在实践中应用这些概念。

你甚至会学习如何在 模型服务平台 Spaces 上发布你的智能体，这样你就可以与朋友和同事分享它。

最后，在本单元结束时，你将参加一个测验。通过它，你将获得你的第一个课程认证：🎓 智能体基础证书 (Certificate of Fundamentals of Agents)。

这个单元是你的重要起点，在进入更高级的主题之前，为理解智能体打下基础。

这是一个大单元，所以请慢慢来，不要犹豫随时回来复习这些章节。

准备好了吗？让我们开始吧！🚀

---

核心讲解

您可以在 模型服务平台/learn 上访问第 1 单元 👉 此处

<!–

标题	描述
智能体的定义	概述智能体所能执行的任务，不含技术术语。
解释大型语言模型（LLM）	介绍大型语言模型，包括模型家族树及适用于智能体的模型。
消息和特殊标记	解释消息、特殊标记及聊天模板的使用。
虚拟智能体库	介绍如何使用虚拟智能体库和无服务器API。
工具	概述用于智能体工具的Pydantic及其他常见工具格式。
智能体步骤和结构	介绍智能体涉及的步骤，包括思考、行动、观察，以及代码智能体与JSON智能体的比较。
思考	解释思考过程及ReAct方法。
行动	概述行动及停止和解析方法。
观察	解释观察过程及追加结果以反映。
小测验	包含测试概念理解的小测验。
简单用例	提供一个使用datetime和Python函数作为工具的简单用例练习。
–>

<!–

Title	Description
Definition of an Agent	General example of what agents can do without technical jargon.
Explain LLMs	Explanation of Large Language Models, including the family tree of models and suitable models for agents.
Messages and Special Tokens	Explanation of messages, special tokens, and chat-template usage.
Dummy Agent Library	Introduction to using a dummy agent library and serverless API.
Tools	Overview of Pydantic for agent tools and other common tool formats.
Agent Steps and Structure	Steps involved in an agent, including thoughts, actions, observations, and a comparison between code agents and JSON agents.
Thoughts	Explanation of thoughts and the ReAct approach.
Actions	Overview of actions and stop and parse approach.
Observations	Explanation of observations and append result to reflect.
Quizz	Contains quizzes to test understanding of the concepts.
Simple Use Case	Provides a simple use case exercise using datetime and a Python function as a tool.
–>

---

本站实战工作台

Agent 史不是“模型越来越大”的直线

现代 Agent 来自多条河流：图灵把智能转为可观察行为问题；符号 AI 研究规则与规划；受限世界把语言、状态和动作连成闭环；机器学习让表示来自数据；Transformer 与大模型带来通用语言接口；ReAct、工具调用、Computer Use 与开放协议把模型接回环境。

五次关键转向

1950 年的模仿游戏强调行为检验，却不代表机器能操作世界。1970 年前后的 SHRDLU 在积木世界中连接语言与行动，证明闭环也暴露玩具环境局限。1997 年 Deep Blue 展示清晰规则下搜索与评估的力量，不等于通用智能。

2017 年 Transformer 改变序列建模，2020 年上下文学习让一个模型适配多种语言任务。2022 年 ReAct 把推理与行动交替写成明确范式；2023 年结构化函数调用让自然语言与确定性程序之间的桥更稳定；2024 年 Computer Use 与 MCP 分别扩展界面行动与工具连接。

用“新增能力 / 尚缺能力”读节点

不要只背年份。每个节点写两列：它让系统新增什么可观察能力，仍缺什么。例如 ELIZA 新增自然对话体验，却缺少世界模型和真实行动；函数调用新增结构化参数，却不自动提供授权、校验和正确工具选择。

在历史长卷中完成一条证据链

选择三个不相邻节点，打开一手资料。为每个节点写 120 字说明，区分论文或官方资料明确陈述的事实与你的推断。再画箭头说明后一个节点继承了什么、改变了什么。不要把“首次”“发明”写成事实，除非来源直接支持。

一条反事实路线

假设没有大模型函数调用，现代 Agent 是否仍可能存在？专家系统、规划器和机器人早已具备 Agent 特征，只是自然语言泛化与工具接入成本更高。这个反事实帮助你区分 Agent 概念与 LLM Agent 热潮。

历史给工程的三个提醒

流畅对话会夸大能力感；受限环境的成功不能直接外推开放世界；每次接口统一都会把问题转移到权限、信任和评估。学历史不是为了致敬名单，而是识别今天系统正在重复的旧错误。