深度之眼- 大语言模型智能体（LLM Agents）5期

如果你已经能调通几个 Agent Demo，却说不清它为什么在多轮工具调用后开始胡言乱语；或者你读过 ReAct、Reflexion 的论文，但真让你复现一个能跑通的规划-执行-反思闭环，还是得翻半天代码——那这门「大语言模型智能体 5 期」对口的正是这块缺口。它不太像那种从 transformer 讲起、一路铺到部署的通用课，而是假设你已经摸过 LLM，直接切入智能体这条线上最容易卡住的地方。

它默认你已经会什么

先明确前提，免得听着听着发现地基没打牢。这门课不会花时间教你什么是注意力机制、怎么写 prompt 模板、怎么调 OpenAI 接口。它更适合这样的状态：跑过 LangChain 或类似框架的最小示例，知道 function calling 大概怎么走，对「让模型自己决定下一步做什么」这件事有概念但没体系。如果连一次完整的「模型输出 → 解析 → 调工具 → 回填结果」链路都没手写过，前面几节会有点吃力，建议先补上这一环再来。

智能体真正难的不是调用工具

把工具塞给模型、让它吐一个 JSON，这套流程本身没什么门槛。真正的麻烦在几个地方：任务怎么被拆成可执行的步骤，拆错了怎么发现；多个工具返回的结果互相矛盾时，模型该信谁；做了一长串动作之后，怎么判断是继续还是回头。这些问题的共同点是——它们不靠调参解决，靠的是对智能体控制流的理解。课程把科研方法论和深度学习放在一起讲，逻辑也在这里：不是让你背概念，而是让你在动手前先想清楚实验该怎么设计、什么算有效、什么只是碰巧跑通了。

配套练习和代码这条线

资料里有一块内部学员的代码直播内容，方向落在 CV 与 NLP 的实战上。这部分的价值不在「又看了一遍代码」，而在于它逼你面对一个真实的调参和排错过程：模型不按预期调用工具时怎么定位，prompt 改了之后行为为什么变了，同一个任务换一种拆分方式效果差多少。这些是看文档看不出来的。建议的用法是——不要只跑通就关掉，把每个环节改一个参数或换一种写法，看它坏在哪里。智能体的坑大多藏在边界情况里，跑通一次说明不了什么。

看完你应该能回答的问题

• 一个 LLM Agent 的最小可运行闭环由哪几部分组成，去掉哪一环它就不成立了？
• 当模型在长任务里偏离目标，你能用哪几种方式检测并拉回来，各自的代价是什么？
• 工具返回的结果有噪声或错误时，你的架构里由谁负责判断和过滤？
• 如果要把一个 Agent 的行为写成可复现的实验，你会控制哪些变量？
• 反思（reflection）机制在什么情况下真的有用，什么情况下只是多烧 token？

怎么用这份材料

别指望一次看完就掌握。比较实际的做法是：先对照上面那五个问题给自己打分，答不上来的先做标记；然后带着具体疑问去看对应章节，边看边在手头的项目里试一个小改动。方法论部分可以当参考手册，卡在实验设计或结果解释时回头查。这门课不是把你从零教成专家，它是给已经在这条路上走、但走得磕磕绊绊的人，补上缺的那几块。