Hello-Agents 读书笔记（一）｜从LLM到Agent，我们是在创造“熟练工”吗？

这两天晚上在宾馆里有点完整时间，我又开始重读 Hello-Agents。不知听谁说过：学习最好的方式之一，是尝试把自己的理解“输出”出来——输出会逼着你整理概念、填补模糊地带，也能检验你到底有没有真正搞懂。

所以我决定按下耐心，开始写第一篇读书笔记。原教程链接放在这里，建议大家尽量去读原文： https://datawhalechina.github.io/hello-agents/

---

第一部分（第 1-3 章）：基础概念，适合补齐“常识地图”

第一部分的第 1、2、3 章主要是在铺垫基础知识。

• 如果你完全没接触过 LLM 或 Agent，这三章很值得读，至少能把“这套东西到底在讲什么”建立起直观框架。
• 如果你已经有基本概念，可以相对快速浏览。虽然有代码实操，但它们并不会立刻带你进入“当下主流 Agent 怎么开发”的核心地带。

把这三章的核心内容压缩下来，我觉得主要是三点：

1）Agent 的基本闭环：感知—规划—行动—反馈迭代

智能体通常通过 API 等方式感知环境，由 LLM 负责规划（任务分解）与工具选择，然后执行行动（比如调用 API），再根据环境返回的结果进入下一轮迭代。

这其实就是一个“有反馈的行动系统”，核心是能循环。

2）LLM 是 Agent 的“心脏”，提示工程是主要沟通手段

Agent 的能力很大程度根植于其“心脏”——LLM。我们通过提示工程与 LLM 沟通，常见手段包括角色扮演、思维链等，用来引导其行为边界与输出质量。

但 LLM 的局限也必须直视，比如：

• 模型幻觉（生成看似合理但实际不正确的信息）
• 知识时效性（模型知识可能过期，或与最新事实偏离）

3）Workflow vs Agent：静态流程 vs 动态目标驱动

• Workflow：静态的、预先编排的固定流程，更像“按指令办事”。
• Agent：动态的、以目标为导向的自主系统，更像“为了达成目标自主思考”。

不过结合前两点也能意识到：现阶段的 Agent 仍然有明显局限，尤其当任务复杂、环境变化、工具不可控时，自主性越强也越容易“跑偏”。

---

第二部分第 4 章：真正的干货——三种常见 Agent 开发范式

读到第二部分第 4 章，感觉内容一下子“落地”了很多。它介绍了 Agent 开发中最常见的三个范式：ReAct / Plan-and-Solve / Reflection。

1）ReAct：Thought → Action → Observation（循环）

• Thought（思考）：智能体的“内心独白”，分析现状、拆解任务、制定下一步计划或反思上一步结果
• Action（行动）：采取具体动作，通常是调用外部工具，例如 Search[‘华为最新款手机’]
• Observation（观察）：工具返回的结果，比如搜索摘要或 API 返回值

说实话，我在制造业干了十几年，对这种套路非常熟：这不就是PDCA的味道吗？ 先计划（Plan）→再执行（Do）→然后检查结果（Check）→必要时调整（Act）→再来一轮。

2）Plan-and-Solve：先整体规划，再按计划执行

• 规划阶段（Planning）：先接收完整问题，不急着做；先把问题分解，制定清晰的分步骤行动计划（这是一次 LLM 产物）
• 执行阶段（Solving）：拿到计划后，严格按步骤逐一执行；每步可能是一次独立 LLM 调用，或对上一步结果的加工，直到完成

有人可能会说：这才更像 PDCA。 但我觉得还是有区别——它更像 waterfall 的项目流程：先把路线图想清楚，然后一路按里程碑推进，每个 milestone 搞个 Gate Review，强调过程可控。

3）Reflection：先做初稿，再评审，再修订

• 执行（Execution）：先用 ReAct 或 Plan-and-Solve 跑出一个初步答案/轨迹（“初稿”）

• 反思（Reflection）：再用一个独立模型或特殊提示词，让它扮演“评审员”，从多个维度挑刺，比如：

• 事实性错误（是否与常识或事实冲突）

• 逻辑漏洞（推理链是否断裂/自相矛盾）

• 效率问题（是否有更直接路径）

• 遗漏信息（是否忽略关键约束） 生成结构化反馈（Feedback）

• 优化（Refinement）：将“初稿 + 反馈”作为上下文，再生成修订版

你有没有觉得这更像敏捷开发？先跑通一个版本，再迭代提升。 （这部分我不算懂，欢迎懂敏捷的朋友来纠正我。）

---

小结：Agent 的出现，本质上依赖 LLM 能力的跃迁

读完第 4 章，更印证了我的一个直觉：Agent 的产生，其实是因为 LLM 的能力提升到了一个新的阈值。我们开始尝试把模型放进更像“人类组织协作”的框架里，把它当成一个熟练工，而不是一个需要手把手教的小学生。

当 LLM 具备了更强的推理、工具使用与上下文保持能力，Agent 才变得可用；而各种范式（ReAct / Plan-and-Solve / Reflection），本质上是在用不同的“组织方法”，帮助它更稳定地把能力释放出来。