AI Agent 学习笔记：工具调用、RAG 和项目落地思路

写在前面

实习结束后，我开始更认真地补 AI 应用开发。原因很现实：AI 工具发展太快，单纯做传统业务开发会越来越卷，但我自己的 AI 知识又还不够系统。

Agent 是我这段时间重点学习的方向之一。刚开始我以为 Agent 很神秘，后来发现先不用把它想得太玄。对应用开发来说，可以先理解成：模型不只是回答问题，还能根据任务选择工具、调用接口、读取资料，并把结果组织起来。

这篇文章是我的学习笔记，不是生产级 Agent 系统经验。重点记录我现在对工具调用、RAG 和项目落地的理解。

我怎么理解 Agent

普通聊天模型更像是“问一句答一句”。Agent 则多了一层任务执行能力。

一个简化流程可以这样看：

用户提出任务
  -> 模型理解任务
  -> 判断是否需要工具
  -> 调用搜索、数据库、接口等工具
  -> 获取结果
  -> 继续推理
  -> 返回最终答案

所以 Agent 的关键不只是模型本身，还包括：

• 工具怎么定义
• 参数怎么约束
• 调用失败怎么办
• 结果怎么校验
• 是否需要多轮执行

这些问题都和后端工程能力有关。

工具调用

比如做一个旅行规划助手，模型自己并不知道实时天气和酒店信息。这时就需要工具。

工具可以是一个普通函数：

def search_weather(city: str, date: str) -> dict:
    return {
        "city": city,
        "date": date,
        "weather": "晴",
        "temperature": "18-25"
    }

也可以是一个 HTTP 接口：

GET /api/weather?city=杭州&date=2026-04-20

对我来说，工具调用最重要的是参数和返回值要清楚。模型如果传错参数，后端要能校验；工具调用失败时，也要有兜底提示，而不是直接让整个流程崩掉。

Prompt 不是越长越好

学习 Agent 时，我一开始很容易把 Prompt 写得很长，想把所有规则都塞进去。后来发现太长反而不好维护。

更适合的方式是把 Prompt 拆清楚：

• 角色是什么
• 任务目标是什么
• 可以使用哪些工具
• 输出格式是什么
• 遇到异常怎么处理

例如：

你是一个旅行规划助手。
你需要根据用户输入的城市、日期和偏好生成行程。
如果需要天气信息，请调用天气工具。
输出必须包含：每日安排、交通建议、注意事项。

Prompt 的作用是给模型边界，不是写一篇作文。

RAG 和 Agent 的关系

RAG 解决的是“模型不知道资料内容”的问题。比如企业知识库、课程资料、项目文档，都可以先切分、向量化，再根据用户问题检索相关片段。

Agent 可以在执行任务时调用 RAG 检索工具：

用户问题
  -> Agent 判断需要查资料
  -> 调用知识库检索
  -> 获取相关片段
  -> 结合片段生成回答

我现在对 RAG 的理解是：它不是简单把文档丢给模型，而是要处理切分、召回、重排、上下文长度、回答可信度这些问题。

项目里容易踩的坑

我在做 AI 应用项目时，最常遇到的不是“模型完全不会回答”，而是工程细节问题：

• 模型输出不是合法 JSON
• 工具参数缺字段
• 第三方 API 超时
• 返回内容太长，前端展示不好
• 多轮对话里上下文越来越乱
• 用户输入不完整，模型仍然强行回答

这些问题让我意识到，AI 应用不是调一个模型接口就结束。真正落地时，后端要做很多兜底。

我会怎么设计一个简单 Agent 项目

如果现在让我做一个小型 Agent 项目，我会这样拆：

1. 明确业务场景

不要一上来就做“万能助手”。先选一个明确场景，比如：

• 旅行规划
• 简历优化
• 课程问答
• 文档检索
• 数据分析助手

场景越清楚，工具和输出格式越容易设计。

2. 定义工具

每个工具只做一件事：

• 天气查询
• 地点搜索
• 文档检索
• 数据库查询
• 文件解析

工具参数和返回结构要固定，方便模型调用，也方便后端校验。

3. 控制输出格式

如果前端要展示结构化结果，就不能只让模型自由发挥。

可以要求模型输出 JSON，并用 Pydantic 或后端 DTO 校验。如果解析失败，就进入兜底逻辑。

4. 加异常处理

AI 应用一定要考虑失败：

• 模型调用失败
• 工具调用失败
• JSON 解析失败
• 用户输入缺失
• 结果为空

这些失败不是小概率事件，而是开发时必须面对的情况。

后端能力在 AI 应用里的价值

学 Agent 之后，我反而更能理解后端基础的重要性。

一个 AI 应用最终还是需要：

• 接口设计
• 参数校验
• 数据存储
• 日志排查
• 权限控制
• 服务部署
• 异常兜底

模型能力很重要，但真正把它接到业务里，还需要工程能力。

这也是我现在的方向：不是放弃 Java 后端去追 AI，而是把后端能力和 AI 应用结合起来。

小结

Agent 对我来说还在学习阶段，但我已经能明确几个重点：

• Agent 的核心是任务拆解和工具调用
• 工具参数和返回格式要稳定
• RAG 可以补充模型不知道的知识
• Prompt 要控制边界，不是越长越好
• AI 应用必须重视异常处理和结构化输出

我现在不会说自己做过生产级 Agent 系统，更真实的说法是：我正在通过项目学习 Agent、RAG 和工具调用，并尝试把它们和后端工程能力结合起来。