记不清从什么时候开始，"AI能帮你干活"已经不算新闻，真正变成新闻的是：有人真在用的，和只会在收藏夹里吃灰的，差距越来越大。我上周帮一位刚入职场的师弟处理他的"每日重复劳动清单"，用Agent（智能体）给他搭了个"数字分身"，从整理信息、汇总表格到写周报草稿，半小时内全部跑通。他当天回去就把收藏夹里吃灰的教程翻出来重看了一遍。这事让我特别想写一篇真正零基础能看懂的入门内容——不堆概念、不摆术语，就讲清楚Agent到底是什么、怎么上手、能解决什么问题，以及哪些坑新手一定会踩。
这篇文章适合所有人，尤其适合那些"收藏了五十篇AI教程但一个都没用起来"的职场小白。我会用我实际搭过的案例来拆解，尽量说人话，保证你跟着操作能复现，而不是看完就又关掉。
1. 先搞清楚：Agent到底是工具，还是"同事"
1.1 为什么说Agent是"数字分身"
市面上对Agent的定义五花八门，有的说是"智能体"，有的说是"AI助手"，有的直接叫"数字员工"。我的理解很简单：Agent就是一个能听懂人话、能自己拆解任务、能调用工具去执行的程序。它不像普通软件那样你点一下它动一下，而是你给它一个目标，它能自己规划路径、分步执行、遇到问题还会换方案。
"数字分身"这个说法，其实特别精准。你想想你平时工作里最消耗时间的是什么？不是那些需要深度思考的活儿，而是大量重复的、流程化的、不太需要创造力的琐事——整理信息、回复常规消息、汇总数据、写标准化文档。这些事情的特点是：规则清晰、例子里有答案、但量特别大。以前这些活儿必须你亲自做，是因为"没人替你做"，现在Agent完全可以做你的影子，按照你定好的规则去执行。
但必须说明一点：Agent不是把你整个人复制一遍。它更像一个"实习生"，你告诉它标准和样例，它在你的监督下干活。它没有你的行业判断力，也没有你的社交直觉，但它有一个优势是你比不了的——不知疲倦、执行速度快、永远不会因为重复劳动而烦躁。
1.2 Agent的三个核心部件：模型、记忆、工具
要理解Agent怎么工作，把它拆成三个部件就一目了然。
第一个是大脑，也就是大语言模型。它负责理解你的指令、做推理、生成内容。说白了，没有大脑的Agent就是一堆空壳。目前国内主流的模型在中文理解和生成上已经非常成熟，普通办公场景完全够用。
第二个是记忆。这里的记忆分两层：短期记忆是对话上下文，就是你跟它聊的这段过程它都记得；长期记忆是知识库，你可以把公司制度、产品资料、个人笔记喂给它，让它回答问题时能引用这些"私有知识"。很多人觉得Agent"聪明"，其实有一半功劳是知识库的——它不是天生知道你的业务，而是你教会了它。
第三个是手脚，也就是工具调用。这是Agent和普通聊天机器人最本质的区别。普通聊天机器人只会"说"，Agent会"做"。它可以调用日历帮你安排时间，调用表格工具帮你整理数据，调用搜索接口帮你查资料，甚至通过API操作你常用的办公软件。判断一个产品是不是真Agent，就看它能不能主动调用外部工具来完成任务，而不只是动嘴皮子。
1.3 为什么现在零基础也能入门
三年前想搞一个Agent，你得会写代码、懂API调用、了解模型部署，光是环境配置就能劝退一大半人。现在完全不一样了，门槛低到只需要你会打字、会拖拽、会描述需求。
这个变化背后有三个信号。第一，搭建平台把复杂的技术封装成了可视化界面，你不需要写代码，通过配置就能拼出一个Agent。第二，大模型本身的能力足够强，你只需要把需求描述清楚，它就能理解并拆解任务，不再需要你教它每一步怎么走。第三，生态里的现成模板和插件越来越多，很多常见场景都有人帮你做好了，你只需要改改参数就能用。
所以"零基础入门"这句话在今天不是噱头，是真的能做到。但我也要说句实话：门槛低了，不代表不需要动脑。恰恰因为工具变简单了，人与人之间的差距就体现在两件事上——你有没有想清楚要用Agent解决什么问题，以及你会不会把自己的需求讲清楚。这两件事，恰恰是职场小白最容易忽略的。
1.4 什么场景适合用Agent，什么场景不适合
我建议你在动手之前，先花五分钟想清楚：你的需求适不适合交给Agent。这个方法对我自己特别管用，分享给大家。
适合的场景有三个特征：目标明确、流程可描述、容错空间存在。比如"把本周的销售数据整理成周报模板"，目标清楚，流程固定，就算第一次结果不完美，改一版也很快。这类任务就是Agent的舒适区。
不适合的场景也有三个特征：需要主观判断、结果不可验证、涉及重大责任。比如"帮我判断这个候选人适不适合录用"、"帮我写一份对客户的道歉信并直接发出去"，这些任务不是Agent能力不够，而是风险太高。它没有你的立场，也不了解关系的微妙之处，贸然让AI替你拍板，出了事代价很大的。
记住一个原则：Agent负责"做"，你负责"判"。凡是结果需要你把关的，就让Agent出草稿你来定稿；凡是流程固定且风险低的，才可以让它全自动执行。
2. 零基础第一次上手：平台选择与首个Agent
2.1 平台选型：看这四点就够了
市面上能搭Agent的平台不少，各有侧重，新手很容易挑花眼。我不直接推荐某个具体产品，因为我用过好几个，发现每个都有一批忠实用户，适合你的才是最好的。我给四个选型维度，你照着判断就行。
第一，看它是否支持可视化编排。你要找的是那种能拖拽、能配置的平台，不是让你写Python的SDK。可视化编排意味着你可以直观地看到任务流程，改起来也方便。第二，看知识库功能是否成熟。上传文档、自动切片、检索问答，这三步是否顺畅，直接影响后期体验。第三，看工具生态。平台内置了多少工具？能不能接入你日常用的办公软件？支持不支持自定义API？工具越丰富，你的Agent能干的活越多。第四，看免费额度够不够你学习用。新手期会大量试错，找一个能免费跑起来的平台，比纠结"哪个最强"重要得多。
我自己的建议是：先选一个用户量大的主流平台，把基础流程跑通，而不是一上来就研究多个平台对比测评。等你在一个平台上做出第一个能用的Agent，你自然就理解了这类产品的共性，这时候再去看别的平台，也就是半天的事。
2.2 第一个Agent的完整创建过程
第一次创建Agent，千万别一上来就做大项目。找一个特别小的、真实的、你每周都要做的任务开始。我给我师弟选的第一个任务是"帮我在群里礼貌地回复常规问题"，这个需求够小，但每天都要用，反馈来得快。
具体步骤大概是这样。第一步，打开平台，新建一个Agent，起个名字。名字别叫"通用助手"这种，起个你能记得住的功能名，比如"群聊小帮手"。第二步，写系统提示词，也就是角色设定。我建议新手直接套用这个结构："你是[角色]，你的任务是[任务描述]，你工作时遵循[规则]，输出格式要求[格式]。"第三步，把这个Agent发布出来，在对话界面里直接测试。第四步，把你平时的真实消息发给它，看它回得怎么样，不满意就改提示词，再测。
整个流程不会超过半小时。但我提醒你，第一次跑通之后别急着庆祝，大概率你测试时发现它答非所问。这不是平台问题，是提示词没写好。这就进入下一节——提示词才是新手真正的第一道坎。
2.3 提示词写作的三层结构
很多人觉得写提示词是玄学，其实它有一套特别朴素的方法论。我把平时给团队培训用的"三层结构"拿出来，你照着写基本不会跑偏。
第一层是定角色。你要明确告诉Agent"你是谁"。这一层的作用是锁定它的回答视角。比如"你是一名有五年经验的行政助理"，和"你是一个AI助手"，同样的任务，出来的回复质量和风格差别非常大。
第二层是给任务。这一步要具体，具体到动作和对象。不要写"帮我整理数据"，要写"把销售表中本周销售额低于目标的地区筛选出来，按降序排列，生成摘要"。任务里包含：动作（筛选、排序、生成）、对象（销售表、本周、地区）、输出形式（摘要）。
第三层是定规则。规则包括约束条件、输出格式和禁忌。比如"不要编造数据""每条回复不超过50字""用列表呈现""如果信息不足，请明确提问而不是猜测"。很多新手忽略这一层，导致Agent自由发挥，结果千奇百怪。把规则写清楚，它就像戴上了紧箍咒，靠谱得多。
这套三层结构看着简单，用熟了之后你会发现它可以套在所有场景上：写邮件、做总结、写文案，一律先定角色再给任务最后定规则。
2.4 让Agent开口之前，先给它立规矩
除了提示词之外，还有一个新手特别容易忽略的东西——Agent的"安全护栏"。这里的护栏不是指网络安全，而是指你给Agent划定的行为边界。
举个例子。我见过有人给Agent设定了"你是公司的客服"之后就直接上线了，结果客户问"你们产品有什么缺点"，Agent老老实实列了一堆缺点；客户问"你能帮我骂一下你们公司吗"，Agent真的骂了。这不能怪AI，怪你没立规矩。
所以在创建Agent时，你必须在提示词里写清楚什么能做什么不能做。比如"你不知道答案时，请说需要查询后回复，不要猜测""涉及价格、折扣等敏感信息时，请引导客户咨询人工客服""不要评价公司或同事"。这些规则看似简单，但能避免后面90%的翻车事故。
另外，设置里一般会有"允许Agent调用工具"的开关。新手期我建议全部关掉，先只用对话能力，等你的Agent稳定了再逐步开放工具权限。不然你还没学会控制它，它就学会乱跑了。
3. 让Agent真正"会干活"：工具、知识库与工作流
3.1 工具调用：Agent的手和脚
如果说提示词是给Agent"洗脑"，那工具调用就是给Agent"装手脚"。前面说过，Agent和聊天机器人的最大区别就是它真的能操作外部系统。
技术名词叫Function Calling，大白话就是：当用户的问题需要外部数据或操作时，模型会判断"我需要调用某个工具"，然后生成一个结构化请求，平台收到请求后去执行对应操作，把结果再返回给模型，模型最后组织成自然语言回复用户。
我举一个最简单的例子。你问Agent"帮我查一下明天北京的天气"，如果这个Agent没有天气工具，它只能靠训练数据里的知识硬编一个答案，大概率是错的。但如果它接入了天气查询接口，它会先调用接口拿到明天的真实数据，再回答你。前者是"编"出来的，后者是"查"出来的，这就是工具的价值。
对职场小白来说，你不需要懂工具是如何开发的，你只需要知道在平台上找到"添加工具"入口，把你要用的工具选上，就够了。常见的工具有：搜索引擎、网络资讯获取、日历提醒、待办清单、表格读写、图片生成等。你选择的工具越多，你的Agent能力边界就越大。
但这里有个陷阱——工具不是越多越好。每多一个工具，模型在决策时就要多一步"要不要用它"的判断，决策变慢而且更容易选错。我的经验是：只给Agent配它需要的那三五个工具，宁缺毋滥。
3.2 知识库：把你的经验变成长期记忆
知识库是让Agent从"通用助手"变成"行业专家"的关键。没有知识库的Agent，什么都知道一点，但不知道你的公司的具体情况。有了知识库，它回答问题时会以你提供的资料为依据，准确率立刻上一个台阶。
知识库的工作流程分三步。第一步，上传资料，支持格式一般是TXT、PDF、Word、Markdown等常见文档格式。第二步，平台会自动把文档拆分成小片段，并对每个片段做向量化处理，也就是把文字变成数学表达。第三步，当用户提问时，系统会先检索知识库里最相关的片段，再把片段和大模型的能力结合，生成回答。这个过程叫RAG，你不需要背这个术语，只要理解它的意思：让Agent在回答前先"查资料"，而不是凭感觉。
我在实际项目里的经验是，知识库的质量比数量重要得多。你上传1000份杂乱无章的文档，不如整理10份结构清晰的文档。给Agent喂知识之前，先把文档里的过时信息删掉，把重复内容合并，把核心结论放在显眼的位置。还有一点特别重要：定期更新知识库。你的业务流程变了、产品价格变了，知识库里的旧资料不会自己更新，必须你手动维护。
3.3 工作流：从单步问答到多步协作
如果你想让Agent完成更复杂的任务，比如"每天早上自动汇总昨晚的未读邮件、提取待办事项、生成今日计划并发给我"，单靠对话聊天是不够的。这时候你需要工作流。
工作流，说白了就是把一个复杂的任务拆成多个节点，每个节点负责一步，节点之间按顺序执行。你可以把它想象成工厂里的流水线：第一个工位负责接收原材料，第二个工位负责清洗，第三个工位负责加工，最后一个工位负责包装出货。工作流就是把Agent的各个环节固化下来，让每次执行都稳定一致。
对职场小白来说，什么时候需要工作流？我判断标准很简单：同一个任务，你让Agent做了三次以上，每次都还需要手动补充一样的信息，这时候就该把它固化成工作流了。比如你每周一都要生成一份周报，每次都要告诉Agent"这周的重点是X、数据来源是Y"，那不如做一个"周报生成工作流"，把X和Y都做成输入变量，以后只需要填变量就行。
工作流的配置在两个主流平台上都是可视化完成的，每个节点有多种类型：开始节点负责接收用户输入；大模型节点负责生成或处理文本；知识库检索节点负责查资料；代码节点负责执行特定计算，这在图形界面里有专门模块；条件分支节点负责按规则走不同路径；结束节点负责输出最终结果。初次配置时，我先建议你画一个最简流程，比如"接收本周记录 → 调知识库补全背景 → 大模型生成周报 → 输出"，跑通之后再往里面加节点。上来就画十步流程的，多半最后调试到崩溃。
3.4 一个典型工作流的配置示例
光讲概念不落地等于白讲，我把我实际配过的一个"会议纪要转待办工作流"拿出来演示。这个场景每个职场人都有需求，而且它刚好覆盖了工作流最常用的几个节点。
流程是这样设计的：第一步，输入节点接收会议记录文本。这里的输入可以是你手动粘贴的，也可以是Agent从语音转文字工具里自动获取的。第二步，大模型节点执行第一次处理，把会议记录按"议题、讨论要点、结论"三个维度重新整理。第三步，大模型节点执行第二次处理，从整理后的内容中提取所有人名及其负责的待办事项，输出格式是"责任人|待办内容|截止时间"。第四步，写入待办应用，把上一步的结果自动同步到你的待办软件里。第五步，输出节点返回一个总结："已生成3条待办，已同步，请查收。"
配置这个工作流，我大概花了二十分钟。整个过程最花时间的不是拖节点，而是调试第二步和第三步的提示词。第一次跑下来，模型把"讨论要点"和"结论"混在一起，逻辑混乱；加了规则"结论必须是从讨论要点中判断出的明确决定"之后，效果立刻好了。这就是调试的真实体验——没有一次成功，全靠试。
我还给这个工作流加了一个小小的细节：在输出节点前加了一个条件分支，如果待办数量是0，则返回"本次会议未产生明确待办，请确认是否有遗漏"，否则才同步待办。这个小分支看起来不起眼，但避免了"每次开会都生成一堆空待办"的尴尬。
4. 职场小白的四个落地场景：从收藏到每天用
4.1 周报日报：把零散记录变成结构化汇报
写作和汇报永远是职场新人最头疼的事，也是Agent最能直接帮上忙的场景。我师弟的第一个成功案例就是周报。
以前他的流程是：每天工作结束，在备忘录里随手记几句，周五晚上对着零散笔记憋两个小时的周报。现在他的流程变成：每天下班前花两分钟跟Agent说一句"今天做了三件事，给某某客户回了方案，整理了数据表，开会讨论了下个月排期"，Agent自动把这句话整理成结构化的工作记录存起来。周五的时候，他只需要对Agent说"生成周报"，Agent会把一周的记录汇总、分类、补充细节、按照"本周完成、遇到的问题、下周计划"的结构输出初稿。他花十分钟改一改措辞，周报就完成了。
这里的核心技巧是"每日积累、每周汇总"。不要让Agent在周五凭空生成周报，因为你自己都记不清周一干了什么，AI更不可能猜出来。你每天花一两分钟给它喂素材，它才能在你需要的时候给出高质量产出。这个思路也适用于日报、月度总结、项目复盘，本质上是把你的随手记录变成一个结构化数据库。
4.2 会议纪要：录音转文字之后的二次加工
现在很多会议软件自带录音转文字功能，但转出来的文字稿几乎是没法直接用的——口语化内容太多、逻辑混乱、全是"嗯嗯啊啊"。我一开始也是让Agent直接处理录音稿，效果很差。后来总结经验，正确的姿势是分两步走。
第一步，先用语音转文字工具把录音变成文本，这一步不需要Agent参与。第二步，把文本交给Agent，让Agent执行"三遍加工法"。第一遍，去除口语杂质和重复内容。第二遍，按议题把内容分组，提炼出每个人的核心观点。第三遍，总结出明确的结论和行动项。这三步你可以写在一个大提示词里让Agent一次完成，也可以拆成工作流里的三个节点逐步处理。
我个人更推荐拆成三步单独执行，因为每一步都有独立的变量需要检查。第一遍加工后你要扫一眼有没有漏掉关键信息，第二遍加工后你要确认议题分类是否合理，第三遍你只需要核对行动项是否完整。分步处理虽然多花几次点击，但每步都可控，最终质量远高于一步到位。
4.3 邮件与消息回复：语气、结构、要点一次到位
职场里最耗精力的其实是那些"不是很重要但必须回复"的消息——合作方问进度、同事确认时间、领导转发资料说"你看看"。回复这些消息不需要多高深的水平，但是每条都亲自写真的很烦。Agent在这里能极大地解放你。
我的用法是：给Agent建一个"消息回复助手"，提示词里明确规定语气规则和结构规则。语气规则包括"回复语态自然，不用AI腔，不要每句都用首先其次最后"；结构规则是"先确认对方信息，再给出明确答复，最后留一个可执行的下一步"。
实际操作时，我会把收到的消息原样粘贴给Agent，它在几秒内返回一版草稿，我再花三十秒微调。你不要指望它一次写到位，因为它在语气拿捏上始终差点意思，但它的作用是把"从零写一条消息"变成"改一条消息"，这中间的效率提升是肉眼可见的。还有一个额外好处：因为我规定它回复前必须先确认对方的核心诉求，很多以前我会忽略的细节，它反而帮我抓到了。
4.4 个人知识库：让Agent替你"记住"读过的内容
这是我认为最值得长期投入，但也是最容易被新手误解的场景。不是让你把一堆PDF丢进知识库就完了，而是要建立一个"个人外脑"，让它在你需要的时候秒速找到你以前看过的信息。
我给自己建过一个"行业资料库"，把平时读的行业报告、优秀文章、自己的读书笔记都放进去。它的价值在于：当我要写一个行业分析时，不需要重新翻几十篇文档，只需要问Agent"去年市场上出现过哪些类似方案，各自优劣势是什么"，它会基于知识库里的资料整理出带出处的回答。每条回答都标注了信息来源，我可以直接回溯原文确认。
这里有一个经验，也是我踩过的坑：知识库不是用来"存"的，是用来"问"的。如果你只是把文档上传进去然后再也不管，那知识库就是个电子仓库，毫无价值。你必须经常去"问"它，在问的过程中你才会发现哪些资料缺了、哪些资料过时了、哪些分类不合理。用得多了，知识库才会真正变成你工作流的一部分。
5. 新手避坑实录：这些坑我都替你踩过了
5.1 提示词太空：给AI一个"差的样例"不如不给
新手最容易犯的错，就是提示词写得过于空泛。我见过最典型的是"帮我写一封得体的邮件"，完了，没有任何背景信息。你猜Agent会怎么写？它只能生成一个放到任何场景都能用、但放哪个场景都不好用的万能模板。
我的建议是，把"帮我写一封邮件"换成"帮我写一封回复客户推迟交付的邮件。背景：客户的项目因供应商问题要延期一周，我需要向客户说明原因并提供新的交付时间。语气要诚恳但不要让客户觉得我们团队能力不行"。看到区别了吗？后者包含了角色、任务背景、约束条件，Agent的输出才可能有针对性。
还有一个小技巧：给Agent一个好的范例，远胜于给它一堆形容词。与其说"写得高级一点"，不如给它一段你认可的文本作为参照，让它模仿风格。你给它一个"好学生作业"，它才能交出一份像样的答卷。
5.2 幻觉问题：Agent一本正经地胡说八道
幻觉是大模型绕不开的问题，也是职场场景里风险最大的坑。有一次我让Agent帮我整理一份去年的活动数据，它非常流畅地生成了一张表格，数据看起来特别完整，但我核对时发现有一半的数据来源根本不存在，是它根据模式"推测"出来的。那一次之后，我再也不敢让Agent在没有数据源的情况下输出具体数字。
应对幻觉，我总结了三道防线。第一道防线是约束信息来源：写提示词时强制规定"所有数据必须来自知识库或用户提供的原文，禁止自行补充"；第二道防线是要求标注来源：让Agent在输出中注明每一条信息的出处，方便核查；第三道防线是人工抽查：涉及重要数据时，我永远会抽20%的条目核对原始材料。这三道防线用下来，幻觉的影响基本可控。
别误会，我这不是让大家不相信Agent，而是要建立一套"输出必须可验证"的习惯。把Agent当"初稿生成器"没问题，但把它当"事实来源"就是危险的。
5.3 权限与数据安全：别轻易交出"钥匙"
这里说的权限，既包括Agent调用工具的权限，也包括你上传给它的数据内容。很多零基础用户喜欢给Agent开满权限——能读所有文档、能写文件、能访问外部服务。图一时方便，风险却大得多。
我在一次测试中就翻过车：给Agent开了"读取全部在线文档"的权限，结果它回答问题时把一份我根本没打算引用的内部资料的内容也给搬出来了。它不会判断哪些内容敏感，它只知道"检索到了，就用"。所以你一定要在知识库里提前做好内容筛选，不要把含有隐私信息、未定稿内容的文档放进Agent可访问的范围。
另一个很容易忽略的提示：很多平台的Agent发布后，是在一个公开或半公开的环境里运行的。你在调试时输入的对话记录、上传的文档，可能会被平台用于模型优化。如果你有严格的保密要求，建议选择支持私有化部署的版本，或者至少关闭"数据用于训练"的选项，把敏感资料的Agent放在隔离环境里。这些设置通常在隐私中心里可以找到。
5.4 别把Agent当决策者：它负责干活，你负责判断
最后一个坑，也是我觉得最需要警惕的，是"甩手掌柜心态"。刚开始用Agent的人，会觉得它好厉害啊，什么都能答，渐渐就不自己思考了，遇到问题就问Agent，Agent说什么就信什么。
我在实际使用中的体会是，越用Agent越要保持自己的判断力。Agent可以帮你完成分析报告，但它替你定不了"这个项目要不要做"；它可以帮你起草回复，但它替不了你判断"这句话会不会得罪客户"。它的本质是一个加速器，加速的是你已有的能力，而不是替代你没有的判断力。
我的建议是，每次使用Agent完成一个重要任务，问自己三个问题：它输出的内容里，哪些是我的判断？哪些是它的推理？如果它错了，我能发现吗？想清楚这三个问题，你就能把Agent放在正确的位置上——它是个好工具，但你才是那个对结果负责的人。
6. 进阶路线图：从"用别人的Agent"到"造自己的Agent"
6.1 理解大模型API：一个请求就是一个对话
如果你用可视化平台用得熟练了，早晚会遇到一个瓶颈：平台给你的能力边界不够用了。这时候你会想自己调用大模型的API去开发更定制化的功能。别怕，这一步没有想象中难。
大模型API的想法超级简单：你发一个HTTP请求，请求里包含你的消息和参数，模型返回一段回复。它的本质和你在对话框里输入文字完全一样，只不过你通过代码控制这个过程。你不需要理解模型内部怎么运作，你只需要知道怎么发请求、怎么处理返回的结果。
当你理解了API的基础调用之后，再去回看那些可视化平台，你会豁然开朗——原来平台里那些"大模型节点""知识库检索""工具调用"，背后都是对一个API的封装。平台帮你省掉了写代码的麻烦，但如果你想定制复杂的逻辑，或者把Agent集成到你自己的系统里，直接调API反而是更灵活的方式。
6.2 最小可用Agent的伪代码
我给大家一个极简的Agent实现思路，用伪代码写，不依赖任何特定语言或平台。你不需要真的去运行它，看懂逻辑就够了。
核心就三步：第一，接收用户输入；第二，调用大模型API，让模型根据输入决定"是要直接回答，还是要调用某个工具"；第三，如果需要调用工具，就执行工具并返回结果，再把结果交给模型整理成最终回答。
这段伪代码的核心思想，就是把"对话"和"工具执行"拆开，通过一个循环让模型自主决定什么时候调用工具、调用哪个工具。你可以在这个循环里加任何你需要的工具函数。当你的Agent能自由决定调用工具的时机时，它就已经是一个标准的Agent了。
6.3 迭代优化：加记忆、加反馈、加评测
造出一个能跑的Agent只是第一步，让Agent越用越顺手才是真正的进阶之路。我从做过的项目里总结出三个优化方向，按优先级排列。
第一是加记忆。最初的Agent是"一次性"的，每次对话都不记得上次聊了什么。你可以在对话上下文中携带历史记录，让Agent具备跨轮次的记忆能力。更进一步，你可以把重要的结论存进外部存储，需要时检索出来作为对话的补充信息，这就是前面说的长期记忆。第二是加反馈。Agent的输出质量，必须靠你的反馈来校正。你可以在每次输出后给它打一个分，或者直接告诉它哪里不对，把这些反馈记录在一个文件里，作为下次对话的参考。第三是加评测。当你改版了提示词或模型，你怎么知道新版比旧版好？你需要一个固定的评测集——一组标准问题和期望回答，每次改版后都用评测集跑一遍，对比输出质量。这个方法看起来笨，但它是确保Agent不会越改越差的有效手段。
这三个方向，从易到难，正好对应你从入门到进阶的学习曲线。能做到评测这一步，你已经超过绝大多数只会"玩玩"的普通用户了。
最后分享一个我自己的真实感受。做Agent这件事，最难的从来不是技术，而是你能不能持续地、耐心地去调一个东西，把它从"能用"调到"好用"。我见过很多人第一天热情高涨搭了一堆Agent，第二天就全忘了，也有人只搭了一个"周一自动做周报"的Agent，坚持用了半年，真真切切给自己省下了几十个小时。收藏一堆教程没有用，动手搭一个哪怕很粗糙的Agent，才是你真正迈入门槛的时刻。找一个你每周都要做的重复性小任务，花一晚上把它跑通，一周后你会回来感谢现在的自己。
