大都督周瑜零基础手写AI Agent

2026年，Agent开发的“快餐化”正在制造一种集体幻觉。

打开任何一个低代码平台，拖拽几个节点，连上大模型API，一个“智能体”就诞生了。演示效果不错，能回答问题，能调用搜索。但一旦把它放进真实业务场景——客户说“帮我处理一下这批订单”，Agent开始一轮又一轮地调用工具，半小时过去了，Token烧了几十万，任务还停在“正在分析需求”阶段。

问题不在模型能力，在于大多数人从来没有亲手拆开过Agent的内部结构，不知道循环在哪里失控、记忆在哪里丢失、规划在哪里跑偏。

大都督周瑜的《零基础手写AI Agent》系列，走的是完全相反的路：不用框架，从零手写，先把Agent的每一根骨头拆开看明白。

从ReAct开始：拆掉“思考-行动”循环的黑盒

课程的第一章直接切入Agent最核心的范式：ReAct。

ReAct的本质是一个循环：模型思考当前状态，决定调用哪个工具，代码执行工具并返回结果，模型观察结果后继续思考，直到任务完成或触发停止条件-7。这个循环听起来简单，但手写实现的时候，每一个环节都有坑。

课程覆盖了从“大模型调用”到“工具机制实现”再到“ReAct融合”的完整链路-5。不调用LangChain，不依赖任何Agent框架，直接用最基础的API调用和Python代码，把这个循环跑通。然后是一个贪吃蛇实战——让Agent真正“动手”玩一个游戏，而不是停留在问答层面。

这一步的价值不在于学会写一个ReAct Agent，而在于建立对Agent运行机制的“肌肉记忆”。当后面用框架的时候，你知道框架在背后替你做了什么，也知道它在哪些地方可能出错。

手写Manus：把“通用Agent”拆解成可理解的组件

课程第二章进入“手写Manus”阶段，这是整个课程最有含金量的部分-5。

Manus代表的是“通用型Agent”的理想形态：能操作浏览器、能执行代码、能搜索网页、能过滤信息。但拆开来看，它不过是一组工具的合理编排加上一套消息和工具的相关性过滤机制。

课程从基础架构开始，逐步实现Sandbox代码执行、Tavily搜索工具、浏览器操作工具，然后是两个容易被忽略但极其关键的环节：消息相关性过滤和工具相关性过滤-5。这两个过滤机制解决的是同一个问题：当Agent同时面对几十条历史消息和十几个可用工具时，它怎么知道该关注什么、该用什么？

不解决这个问题，Agent就会在信息过载中迷失。手写这两个过滤机制，是理解Agent“注意力管理”的最佳入口。

从手写到工程：Spring AI的实战落地

课程的第三章转向生产化-5。

手写Agent让你理解原理，但真实项目里不可能什么都自己造。Spring AI生态覆盖了ChatMemory持久化、RAG检索增强、MCP协议、工具调用源码分析等内容。其中RAG部分从基础的文本向量化一直讲到高级RAG组件和效果评估，工具机制部分则深入到源码级别。

最后落在一个综合实战上：AI周报系统。从Git工具开发到周报内容生成，再到邮件发送和人工确认环节，把前面所有能力串成一条完整的自动化链路-5。

这个项目的设计意图很明确：Agent不能只活在演示视频里，它需要连接真实的工具、真实的数据、真实的人。人工确认环节的存在，恰恰说明课程对Agent的定位是“协作”而非“替代”——在关键节点保留人的判断权，才是可落地的工程方案。

和周瑜其他课程的关系

大都督周瑜的课程体系有一条清晰的递进线：《零基础手写大模型》从神经网络、Transformer一路手写到GPT和DeepSeek架构，解决的是“模型内部发生了什么”的问题-1。而《零基础手写AI Agent》解决的是“模型之外怎么编排”的问题。

两者之间的关系可以用一句话概括：先知道发动机怎么转，再学怎么造一辆能上路跑的车。

关于“零基础”的诚实说明

课程标注“零基础”，但有一个前提不能忽略：你需要能读懂Python代码。

从课程目录来看，它不会从“什么是变量”讲起，而是直接进入大模型调用和工具实现。这是合理的——Agent开发本身就需要一定的编程基础，强行把Python教学塞进来只会稀释核心内容的密度。

如果你已经有基本的Python能力，但从来没有手写过Agent，这门课提供了一条不绕路的学习路径：从最核心的ReAct循环开始，逐步扩展到完整的Agent架构，最后用Spring AI落地到真实项目。全程不依赖框架的“黑盒魔法”，每一行代码都在解释Agent为什么这样工作。

2026年的Agent开发，缺的不是工具，是理解工具如何工作的人。手写一遍，是最快的理解方式。

本作品采用《CC 协议》，转载必须注明作者和本文链接