很多人第一次接触 AI Agent 时，会从一个问题开始：

我已经会调用大语言模型了，下一步怎样让它真正完成任务？

答案通常不是再换一个模型，而是学习如何给模型接入工具、组织上下文、保存记忆、拆分角色，并把整个系统部署、观测和保护起来。

来自微软在 GitHub 上开源的新手学习 AI Agent 学习课程：Microsoft AI Agents for Beginners，正是围绕这个问题设计的一套开源课程。项目的定位很明确：用 18 个主题课程，带读者从 Agent 基础一路走到工具调用、RAG、多智能体、生产部署、本地 Agent 和安全审计。

截至本文撰写时，仓库采用 MIT License，提供 Python 示例、课程 README、视频和额外学习资料，并支持包括简体中文在内的大量语言翻译。课程主线使用 Microsoft Agent Framework 与 Microsoft Foundry Agent Service，同时部分示例支持其他 OpenAI-compatible 模型服务。

你将学到什么

读完并动手完成这套课程后，你不只是“知道 Agent 是什么”，而是可以建立一套比较完整的工程视角：

• 理解 Agent 与普通 LLM 应用的区别；
• 认识常见的 Agent 设计模式；
• 让 Agent 调用外部工具并处理工具结果；
• 使用 Agentic RAG 访问外部知识；
• 设计规划、反思、多智能体协作和记忆机制；
• 理解 MCP、A2A、NLWeb 等 Agent 协议；
• 评估 Agent 的质量、成本、延迟和可观测性；
• 使用 Microsoft Agent Framework 构建更完整的应用；
• 了解浏览器操作、本地模型、云端部署和安全审计。

换句话说，这套课程覆盖的不只是“如何写一个聊天机器人”，而是一个 Agent 系统从概念、实现到运行的完整生命周期。

先理解：Agent 到底多了什么

普通的 LLM 应用通常是：

用户问题 → 模型 → 文本答案

Agent 则更像一个可以循环工作的任务系统：

用户目标 ↓理解任务与当前状态 ↓制定下一步行动 ↓调用工具或访问外部信息 ↓读取结果并继续判断 ↓输出结果，或进入下一轮行动

Agent 并不是“模型变聪明了”这么简单。它通常增加了几类能力：

1. 行动能力

   ：通过工具调用 API、搜索资料、读写文件或执行操作；

2. 状态能力

   ：记住当前任务、历史交互和中间结果；

3. 规划能力

   ：把复杂目标拆成多个步骤；

4. 协作能力

   ：让多个不同角色的 Agent 共同完成任务；

5. 反馈能力

   ：根据工具结果或评估结果调整下一步行动。

这也是为什么学习 Agent 不能只停留在 Prompt 层面。Prompt 是入口，但不是完整系统。

一张图看懂课程路线

这 18 节课程大致可以分成五个阶段：

下面逐节介绍。

第一阶段：从概念到设计模式

00｜Course Setup：先把环境准备好

这不是正式的 Agent 理论课，但很重要。

课程示例主要使用 Python，代码集中在每个课程目录的code_samples中。官方 README 建议先 Fork 仓库，再配置 Microsoft Foundry 和相关服务。部分示例也支持 OpenAI-compatible provider，因此不一定所有实验都只能使用同一个模型供应商，但具体能力取决于各课的配置说明。

这一节主要解决三个问题：

• 如何获取代码并安装依赖；
• 如何配置环境变量和模型服务；
• 如何运行课程中的 Python 示例。

建议不要跳过环境配置。Agent 教程最常见的挫败感，不是概念太难，而是 API Key、模型名、依赖版本和权限没有配置正确。

01｜Introduction to AI Agents and Agent Use Cases

第一课回答最基本的问题：Agent 和普通的生成式 AI 应用有什么区别？

课程会从 Agent 的定义、典型应用场景和基本组成讲起。重点不是给出一个唯一标准，而是帮助你建立判断：一个系统什么时候只是“调用模型”，什么时候已经具备了感知、决策和行动的闭环。

适合在这一节形成三个认识：

• Agent 的核心不在于“像人一样聊天”，而在于完成目标；
• 模型是推理核心，但工具、状态和执行循环同样重要；
• Agent 的能力和风险，来自模型与外部系统的组合。

02｜Explore AI Agent Frameworks

当你理解 Agent 的基本组成后，第二课进一步介绍 Agent 框架。

框架通常会替你处理消息管理、工具注册、调用循环、状态维护和错误处理。使用框架的好处是开发速度更快，但代价是你可能看不清系统内部发生了什么。

学习这一课时，建议不要只记住框架名称，而要比较：

• 框架如何表示 Agent；
• 工具如何注册和调用；
• 多轮状态保存在哪里；
• 是否支持工作流、记忆和评估；
• 发生错误时如何调试。

框架是轮子，不是原理本身。先理解抽象，再选择工具，会比直接跟着示例复制更稳。

03｜AI Agentic Design Principles

第三课进入设计模式。

设计模式可以理解为一组反复出现的解决方案。例如，一个 Agent 如何在“思考”和“行动”之间循环，如何将任务交给工具，如何在执行失败后重试，如何把大任务拆成更小的子任务。

这一课的重要价值在于：它把 Agent 从一个模糊概念，变成可以讨论和比较的结构。

你会开始关注：

• Agent 的循环什么时候结束；
• 模型的每一步决策依据什么上下文；
• 工具返回异常时系统如何处理；
• 怎样限制 Agent 的行动范围和成本。

第二阶段：让 Agent 能够行动和解决问题

04｜Tool Use Design Pattern

工具调用是 Agent 与普通聊天应用之间最直观的分界线之一。

模型本身不能直接查询天气、修改数据库或发送邮件。它只能根据工具描述生成一个结构化调用请求，再由外部程序真正执行工具，并把结果返回给模型。

因此，一个完整的工具调用链通常是：

用户目标 → 模型选择工具 → 生成参数 → 程序执行 → 返回结果 → 模型继续处理

这一课需要重点理解参数 schema、工具权限、调用失败和结果验证。工具越强，Agent 的行动范围越大，系统越需要边界。

05｜Agentic RAG

RAG，即 Retrieval-Augmented Generation，中文通常译为“检索增强生成”。它先从外部知识库检索相关内容，再把内容交给模型生成回答。

Agentic RAG 的区别在于：检索不再是一个固定步骤，而可以由 Agent 根据任务动态决定。例如，它可以判断是否需要搜索、搜索什么、是否需要再次检索，以及多个检索结果如何组合。

这一课的学习重点包括：

• 为什么模型需要外部知识；
• 检索器、知识库和生成模型如何配合；
• 什么时候一次检索不够；
• 如何减少无关内容和错误引用；
• 怎样评估答案的相关性与事实性。

RAG 不是“接一个向量数据库”就结束了。真正困难的是检索策略和上下文组织。

06｜Building Trustworthy AI Agents

当 Agent 可以调用工具后，可信问题会立即出现：它是否会误用工具？是否会泄露数据？是否能解释自己做过什么？

这一课把注意力从“能不能运行”转向“能不能放心运行”。可信 Agent 通常需要考虑：

• 权限和身份；
• 输入验证与输出验证；
• 人类确认节点；
• 敏感数据保护；
• 错误处理和可追踪日志。

需要特别注意：安全不是 Agent 最后才增加的一个模块，而应该参与架构设计。

07｜Planning Design

面对复杂任务，直接让模型一步完成，往往会导致目标遗漏、步骤混乱或无法恢复。

Planning 模式让 Agent 先制定计划，再逐步执行。计划可以是简单的任务列表，也可以包含依赖关系、工具选择和验收标准。

这节内容需要思考两个平衡：

• 计划太简单，无法处理复杂任务；
• 计划太详细，容易过时，也会增加 token 成本。

实用的计划系统通常允许在执行过程中重新规划，而不是把最初计划当成不可改变的脚本。

08｜Multi-agent Design Patterns

多智能体系统不是“多开几个聊天窗口”。它要求你明确每个 Agent 的职责、输入、输出和协作方式。

常见模式包括：

• 一个主 Agent 负责分派任务；
• 不同 Agent 分别负责检索、规划、执行或审查；
• 多个 Agent 并行处理，再由汇总 Agent 整合；
• 一个 Agent 生成结果，另一个 Agent 进行检查。

多智能体的收益是专业化和并行化，但代价是通信复杂度、延迟和成本都会上升。不是所有任务都值得拆成多个 Agent。

09｜Metacognition in AI Agents

Metacognition 可以理解为“对自身思考过程的反思”。在 Agent 系统中，它通常表现为：检查当前答案、评估执行过程、发现错误并调整策略。

这一课涉及透明性、推理质量、适应能力和环境感知等问题。工程上不应简单要求模型暴露完整的内部思维过程，而更适合设计可验证的中间产物，例如计划、工具调用记录、检查结果和最终依据。

反思的目标不是让 Agent 写更长的解释，而是让系统有机会发现错误。

第三阶段：从 Demo 走向工程系统

10｜AI Agents in Production：Observability & Evaluation

一个 Demo 能跑，并不意味着它可以上线。

生产环境需要回答：

• Agent 的成功率是多少？
• 哪一步最容易失败？
• 一次任务消耗了多少 token 和时间？
• 用户反馈变差时，如何定位原因？
• 新版本是否真的优于旧版本？

这一课介绍 traces、spans、评估指标、成本控制和性能优化。可以把它看成 Agent 的“体检系统”：没有观测和评估，你只能凭感觉判断系统好不好。

11｜Using Agentic Protocols：MCP、A2A 和 NLWeb

协议解决的是“不同系统如何沟通”。课程介绍三类 Agent 相关协议：

• MCP

  ：让模型或 Agent 以统一方式连接工具、资源和提示；

• A2A

  ：让不同 Agent 之间协作；

• NLWeb

  ：探索使用自然语言访问网页内容和能力的方式。

协议的价值在于减少集成成本。一个工具如果只能被某个特定框架调用，复用范围有限；如果遵循通用协议，它就更容易接入不同 Agent。

但协议不能自动解决权限、质量和安全问题。标准化连接之后，访问控制反而更重要。

12｜Context Engineering for AI Agents

Prompt Engineering 关注“如何写好一段提示词”；Context Engineering 关注“如何为当前任务组织完整上下文”。后者的范围更大，包括：

• 当前任务与目标；
• 历史对话；
• 工具说明；
• 检索内容；
• 用户偏好；
• 当前状态和中间结果。

一个 Agent 即使模型能力很强，如果上下文混乱，也可能无法完成任务。上下文工程的核心是筛选、排序、压缩和更新信息，而不是把所有内容都塞给模型。

13｜Memory for AI Agents

记忆是 Agent 从“一次性执行器”变成“长期协作者”的关键能力之一。

课程会讨论不同类型的记忆，例如工作记忆、短期状态和长期记忆。不同记忆承担不同任务：工作记忆帮助完成当前步骤，长期记忆帮助系统保留跨会话信息。

设计记忆时需要回答：

• 什么信息值得保存？
• 保存多久？
• 谁可以读取？
• 如何修改和删除？
• 过期信息如何处理？

记忆越多不一定越好。错误或过时的记忆，可能比没有记忆更危险。

14｜Exploring Microsoft Agent Framework

这一课回到 Microsoft Agent Framework，帮助读者把前面的概念落到一个具体框架中。

学习重点包括 Agent 的核心对象、工作流、工具、Middleware 和 Memory 等能力。建议在完成前面的设计模式后再学习这一课，这样你看到的不只是 API，而是 API 背后的系统设计。

可采用这样的学习顺序：

1. 先运行最小 Agent；
2. 加入一个工具；
3. 增加工作流或状态；
4. 加入记忆和中间件；
5. 对执行过程进行观测和评估。

第四阶段：应用、部署和本地运行

15｜Building Computer Use Agents

Computer Use Agent，简称 CUA，可以通过视觉和操作能力使用浏览器或电脑界面。

它适合处理没有稳定 API、页面动态变化或需要模拟用户操作的场景。课程结合 Browser-Use、Playwright、CDP、视觉模型和结构化输出，讨论如何从网页中提取信息，以及如何选择 Agent-first、actor-first 或混合式自动化方案。

浏览器 Agent 的难点不在“点击按钮”，而在页面变化、权限、验证码、误操作和结果验证。涉及真实账号、订单或重要数据时，必须保留人工确认和最小权限。

16｜Deploying Scalable Agents with Microsoft Foundry

从原型到生产，模型调用只是其中一部分。部署后的 Agent 还需要考虑版本、并发、缓存、路由、观测、成本和生命周期管理。

这一课讨论：

• 客户端托管与服务端托管；
• Hosted Agents 和工作流编排；
• Agent 的创建、版本、部署、评估和退役；
• OpenTelemetry 与 Foundry tracing；
• 模型路由、缓存、并发和无状态设计。

一个重要判断是：生产 Agent 的复杂度，往往更多来自模型之外的工程系统。

17｜Creating Local AI Agents Using Microsoft Foundry Local and Qwen

并非所有 Agent 都适合把数据发送到云端。本地 Agent 关注隐私、成本和离线能力。

课程介绍 Small Language Models、Microsoft Foundry Local 和支持 function calling 的 Qwen 模型。通过 OpenAI-compatible API，本地模型也可以接入工具调用流程。

本地模型通常在能力、速度、硬件占用和部署成本之间做取舍。它适合隐私敏感、离线运行或需要大量迭代的场景，但不应默认认为本地模型在所有任务上都能替代云端大模型。

第五阶段：让 Agent 的行为可验证

18｜Securing AI Agents with Cryptographic Receipts

最后一课很有特点：它不再只讨论“Agent 如何完成任务”，而是讨论如何证明 Agent 做过什么。

课程介绍 cryptographic receipt，即加密收据。它可以为 Agent 的工具调用生成带签名的记录，并在离线环境中验证记录是否被篡改。多个收据还可以串联起来：如果有人删除或调整其中一条记录，链条就会断裂。

需要明确的是，加密收据可以证明记录在生成后是否被修改，但它不能自动证明 Agent 的决策是正确的，也不能替代完整的安全审计。

这正好说明一个现实问题：可信 Agent 不只是“有日志”，还要让日志可验证、可追溯、可解释。

如何开始学习

第一步：先跑通环境

建议使用 sparse checkout，排除体积较大的翻译目录：

git clone --filter=blob:none --sparse https://github.com/microsoft/ai-agents-for-beginners.gitcd ai-agents-for-beginnersgit sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

然后进入00-course-setup，按照课程说明配置 Python 环境、环境变量和模型服务。

第二步：按顺序完成 01—05

前五课建立 Agent 的基本心智模型。不要只看 README，至少运行一个可以调用工具或检索内容的示例。

第三步：选择一个方向深入

• 想做工作流：重点看 Planning、Tool Use 和 Agent Framework；
• 想做知识库问答：重点看 Agentic RAG、Context Engineering 和 Memory；
• 想做自动化：重点看 Browser Use、Protocols 和 Deployment；
• 想做企业应用：重点看 Trustworthy Agents、Observability、Evaluation 和 Security；
• 想做隐私场景：重点看 Local AI Agents。

第四步：做一个小项目

不要一开始就做“万能 Agent”。可以选择一个边界清楚的项目，例如：

• 能检索个人 Markdown 笔记并给出带引用的回答；
• 能读取一个网页并提取结构化信息；
• 能把用户目标拆成计划，再调用两个工具完成任务；
• 能由一个执行 Agent 和一个审查 Agent 协作完成报告。

项目完成后，再加入评估、日志、记忆和权限控制。

这套课程适合谁

它适合已经会一点 Python，并且知道如何通过 API 调用大语言模型的人。对于完全没有编程经验的读者，建议先学习基础 Python、HTTP 请求、JSON、环境变量和异步编程。

它不太适合只想找一个现成聊天机器人模板的人。因为课程真正关注的是构建能力：理解 Agent 如何工作，如何组合组件，如何处理失败，以及如何把系统运行起来。

常见问题

一定要使用 Microsoft Foundry 吗？

官方课程示例主要围绕 Microsoft Agent Framework 和 Microsoft Foundry Agent Service 展开，因此完整复现时通常需要相应 Azure 账号和配置。部分示例支持其他 OpenAI-compatible provider，但替换模型后，工具调用、结构化输出和上下文长度仍需自行验证。

18 节课需要全部按顺序学习吗？

建议前 1—5 节按顺序学习，因为它们建立基本概念。之后可以根据目标选择路线，但生产、部署和安全内容最好在掌握基础 Agent 循环之后再看。

这是一套框架教程，还是 Agent 原理教程？

两者都有。它通过 Microsoft 技术栈提供可运行示例，同时覆盖设计模式、协议、上下文、记忆、评估和安全。因此学习时不要只把它当作某个 SDK 的 API 文档。

学完后能直接做出生产级 Agent 吗？

不能简单这样承诺。课程覆盖了生产所需的重要概念，但真正上线还需要结合数据权限、业务流程、模型选择、监控、成本、合规和安全要求进行工程验证。

小结

AI Agents for Beginners 的价值，不只是课程数量多，而是它把 Agent 学习拆成了一条相对完整的路径：

理解 Agent → 掌握工具与设计模式 → 加入 RAG、规划、记忆和协作 → 学习协议、评估与上下文工程 → 进入浏览器、本地模型和云端部署 → 最后处理安全与可验证性

如果你刚开始学习 Agent，建议不要把目标定成“看完 18 节课”。更有效的目标是：每学完一个阶段，就做一个小实验；每个实验都记录输入、工具调用、结果、失败原因和下一步改进。

Agent 的学习重点，最终不是记住多少框架名称，而是形成一种系统思维：模型负责推理，工具负责行动，上下文负责组织，记忆负责延续，评估负责校准，安全负责边界。

当你能够把这几部分组合起来，才算真正从“会调用模型”走到了“会构建 Agent”。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】