2025 年，是 Agent 真正开始爆发的一年。它不再只是 Demo 、Prompt 技巧或能力展示，而是被放进真实业务系统中，开始承担明确职责，也开始暴露真实问题。
我从 2024 年 开始做 LLM 和 Agent 相关项目，有过几次真正落地的，也有不少因为方向判断失误、工程复杂度失控而中途终止的项目。
过程中踩过不少坑，有一些比较简单，比如
seed参数以便于结果复现。langchain_openai 默认会吞掉 reasoning_content，导致收不到推理过程的内容，可以通过猴子补丁的方式修复。还有一些比较复杂，是架构设计和能力边界的问题，比如
把 Prompt 当成逻辑层使用 一开始为了省事，把判断条件、分支选择、状态切换全写进 Prompt 。 Prompt 越写越长，也越来越“聪明”，但问题也随之出现： 很难调试、很难复现，任何一句话的微调，都可能引发完全不同的行为。 到后面你会发现，系统不是坏在模型能力上，而是坏在逻辑藏在自然语言里，没人能真正控制它。
工具列表失控，模型不知道该用什么 工具越加越多，却缺少清晰的边界和分工。 对模型来说，这不是“能力增强”，而是决策负担： 相似功能的工具混在一起，调用条件模糊， 有时选错工具，有时干脆不用工具，行为看起来像“随机发挥”。 问题不在模型，而在于你并没有真正告诉它：什么时候该用、什么时候不该用。
没有给 Agent 设定清晰的能力上限 一些本就不适合模型判断的问题，被强行交给模型处理； 一些本该由人介入兜底的灰色区间，被乐观地当成“可以自动化”。 在小规模测试时，这类问题很难暴露， 但一旦进入真实场景，失败会成批出现，而且往往是系统性失败，不是修几个 Prompt 就能解决的。
在不断失败、复盘、修正的过程中，我开始系统性地整理这些经验，并借助 AI 一起校对认知与表达，逐步沉淀出了这份 **《 100 天搞定 Agent 开发》**。
它一方面是我自己的工程笔记和认知复盘，另一方面，也希望能为正在或准备进入 Agent 开发的工程师，少走一些我已经走过的弯路。
整个路径中，大量内容基于真实工程实践，配合主流开源框架的实战，包括但不限于：LangChain 、LangGraph 、Gradio 、Agno 、Mem0 、Vanna 、Langfuse 等。 整个学习路径结构大致如下：
这是一份还在持续打磨中的工程笔记，目前只整理了前两周。 如果你对 Agent 开发也有兴趣，或者正在踩类似的坑， 很欢迎一起交流、提意见，甚至直接参与共建。
👉 GitHub： https://github.com/flingjie/Agent-100-Days
建立对大语言模型的“第一性理解”：
- 模型在“算什么”，而不是“看起来会什么”
- 为什么它能表现出类智能行为
- 为什么它天然不稳定、不可控、但又非常有用
基于 Langchain 和 Gradio 动手实现一个英语学习 Agent
学习提示词工程的概念、通用技巧、和优化迭代技巧
学习基于 LLM 工具调用和原理，基于 langchain 的工具调用实现和 MCP 的设计开发
学习知识库相关知识，并基于 llamaindex 和 lightRAG 进行知识库实战
学习上下文工程并基于 langchain 进行实战
了解记忆系统及常见分类，并基于 langchain 和 mem0 进行实战
学习 Agent 的基本架构，思维方式的转变，以及动手实现一个 Agent
学习反思模式并进行实战应用”
HITL 模式的学习、设计与实战
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。