AI Agent 专题：从概念到上线的完整学习路径
AI Agent 专题页：一次读完智能体的核心概念、动手教程、框架与平台选型、MCP 工具接入、浏览器操作以及记忆、失败排查和治理边界。
- 20 篇文章
- 6 个词条
- 4 款工具
把「智能体」学明白，靠的不是收藏一堆名词，而是一条能走完的路径：先搞清 Agent 与工作流的区别，再动手搭一个能跑的最小版本，然后按场景选框架，最后补上记忆、权限和失败处理。这个专题按这个顺序把站内内容串了起来。
谁适合看这个专题？
专题目录
什么是 AI Agent
先把概念、能力边界和常见模式弄清楚，再决定要不要用智能体。
- 百科
Agent
百科词条：Agent 的定义、组成与典型应用
- 百科
工具调用
Agent 能「办事」的前提：工具调用
- 百科
AI Workflow
工作流和智能体的分界线
- 文章
AI 热度为什么转向智能体：从聊天窗口到能办事的软件
智能体不再只是演示视频里的自动点击，而是在企业流程、个人助理和开发工具里重新定义软件入口。
- 文章
ReAct、Plan-Execute、Reflection 有什么区别？三种 Agent 模式拆解
ReAct 边想边做、Plan-Execute 先谋后动、Reflection 做完自查——三种最常见的 Agent 架构模式各解决什么问题、各付出什么代价，本文用同一个任务演示三者差异，并给出组合使用的实践建议。
动手搭第一个 Agent
从最小可行版本开始：工具调用、任务流、无代码和自建两条路。
- 文章
从 0 搭一个 AI Agent：工具调用、记忆与任务流完整教程
用一个真实的研究助理场景，拆解 AI Agent 的目标规划、工具调用、记忆管理、结果校验和上线边界，适合想把聊天机器人升级成可执行工作流的开发者。
- 文章
无代码搭一个能用的 AI 智能体：Dify 完整上手教程
用一个企业客服助手的真实场景，手把手演示如何在 Dify 这类无代码平台里配置大模型、挂知识库、加工具、编排工作流并发布上线，附调试方法、常见坑和自建替代方案。
- 文章
MCP 入门教程：给 AI 接工具和数据源的最小可行方案
用一个待办事项和文档查询案例讲清 MCP 的作用、服务端结构、工具定义、权限边界和调试方法，帮助开发者把 AI 从聊天框接到真实系统。
- 文章
从零写一个 MCP Server：文件搜索工具实战
用 100 来行 TypeScript 写一个能在 Claude Code、Cursor 里直接使用的文件搜索 MCP Server：工具定义、参数校验、路径安全、接入配置和调试方法，一篇跑通全流程。
- 文章
n8n + AI 自动化工作流教程：把重复任务接成一条自动流水线
用「每天自动整理邮件并生成摘要」这个真实场景，手把手讲解如何在 n8n 里用触发器、AI 节点和应用集成搭一条无人值守的自动化流水线，包含调试、错误处理、避坑要点和云端替代方案。
框架与平台怎么选
LangGraph、AutoGen、CrewAI 与 Dify、Coze、Flowise、n8n 的适用边界。
- 文章
2026年AI Agent框架终极对比：LangGraph、AutoGen、CrewAI、LlamaIndex Workflows谁更适合生产环境？
从状态管理、多Agent协作、工具调用、可观测性和生产稳定性出发，对比主流Agent框架，帮助团队避开只适合Demo的方案。
- 文章
2026年AI Agent构建平台终极对比：Dify、Coze、Flowise、n8n、AutoGPT谁最值得选？
从可视化编排、知识库、工具插件、自托管和团队协作角度，对比Dify、Coze、Flowise、n8n、AutoGPT的实际落地价值。
- 文章
Multi-Agent 真有用吗？什么时候不要用多智能体
「多个 Agent 协作」听起来比单个更强，但很多多智能体系统只是更慢、更贵、更难调。本文讲清多 Agent 真正有价值的场景、它的隐藏成本，以及一条务实原则：先把单 Agent 做到极致，再考虑拆多个。
- 百科
A2A
多智能体协作的通信协议
MCP：给 Agent 接工具和数据
协议原理、与 Function Calling 的取舍、可用的 Server 和安全风险。
- 百科
MCP
百科词条：MCP 是什么
- 文章
MCP vs Function Calling：AI 工具调用到底该选哪个？
Function Calling 是模型的能力，MCP 是工具的分发协议，两者不在同一层，也不互相替代。本文讲清两者的关系、MCP 解决的 M×N 集成问题，以及「自研应用、接入生态、对外分发」三种场景下的选择建议。
- 文章
MCP Client、Host、Server 三者关系图解
读 MCP 文档最容易被 Host、Client、Server 三个词绕晕。本文用一张清晰的角色图讲透三者各自负责什么、消息怎么流动、为什么要这么分，看完再也不会把 Client 和 Server 搞混。
- 文章
开发者最该了解的 10 类 MCP Server
MCP Server 生态爆发，但对开发者真正高频有用的就那么几类。本文按用途梳理 10 类最值得了解的 MCP Server——文件、Git/GitHub、数据库、检索、浏览器、文档等——讲清各自解决什么问题、选用时注意什么。
- 文章
MCP 安全风险：权限、数据泄露和工具误调用
给 AI 接上 MCP Server，等于给它装了能读写真实系统的插件——能力和风险同时放大。本文梳理 MCP 的四类主要安全风险：过度授权、提示注入、恶意/仿冒 Server、数据外泄，并给出接入前的安全清单。
浏览器与电脑操作
Browser Use 这类工具是怎么点网页的，以及主流方案的实测差异。
- 文章
Browser Agent 是怎么操作网页的？截图、DOM 和动作循环
让 AI 自己点网页、填表单、订机票，Browser Agent 背后是一套「看页面 → 决定动作 → 执行 → 再看」的循环。本文讲清它感知网页的两条路线（截图视觉 vs DOM 结构）、动作是怎么执行的、以及为什么它又慢又容易失败。
- 文章
2026年AI浏览器自动化终极测评：Browser Use、Stagehand、Playwright AI、Puppeteer谁最强？
评测Browser Use、Stagehand、Playwright AI和Puppeteer在网页自动化、稳定性、调试体验和生产集成上的差异，适合Agent与测试场景参考。
- 百科
Computer Use
让模型直接操作电脑的能力
记忆、失败与治理
上线之后真正难的部分：记住什么、为什么跑歪、权限给到哪。
- 文章
Agent 的 Memory 怎么设计？短期记忆、长期记忆和向量记忆
Agent 的记忆不是「把所有对话存下来」。本文把记忆拆成任务内状态、跨会话长期记忆和向量化检索记忆三层，讲清每层存什么、怎么写入、怎么淘汰，以及记忆污染的防护。
- 文章
Agent 任务失败的 8 种原因和排查方法
Agent 跑飞了、卡死了、答错了，到底是哪一环的问题？本文按「任务定义、工具、上下文、循环控制」把 Agent 失败拆成 8 类原因，每类给出判断信号和修法，帮你从「它就是不行」定位到「具体哪里不行」。
- 文章
AI Agent 为什么容易失控？工具权限、记忆污染和任务边界设计
Agent 失控不是科幻问题，而是工程问题：工具权限给得太宽、外部内容注入指令、记忆被污染、任务没有边界。本文拆解四类最常见的失控模式，给出一套可落地的防护设计。
- 文章
智能体治理指南：让 AI 自动办事之前必须先设边界
智能体能调用工具、读写数据和执行操作，因此治理必须前置到设计阶段。
可以直接上手的工具
站内收录的智能体相关产品与延伸入口。
常见问题
- Q：AI Agent 和自动化工作流有什么区别？
- A：工作流的步骤是人写死的，Agent 由模型自己决定下一步调用什么工具。任务路径固定就用工作流，更稳定也更便宜；只有路径需要临场判断时，Agent 才值得付出不确定性的代价。判断标准见《AI Agent 为什么容易失控？》和百科「AI 工作流」词条。
- Q：第一次做 Agent，应该从框架开始还是从无代码平台开始？
- A：先用 Dify 这类平台把流程跑通，确认任务本身值得自动化，再决定要不要用 LangGraph、AutoGen 这类框架重写。多数团队卡住的地方不是框架不够强，而是任务边界没想清楚。
- Q：多智能体（Multi-Agent）是不是一定比单个 Agent 好？
- A：不是。多智能体会成倍放大上下文传递成本和调试难度，只有在角色分工确实互斥、单 Agent 的提示词已经塞不下时才划算。展开讨论见《Multi-Agent 真有用吗？》。
- Q：给 Agent 开工具权限时，最容易被忽略的风险是什么？
- A：写权限和记忆污染。读工具出错最多是答错，写工具出错会改坏真实数据；而被污染的长期记忆会持续影响后续任务。对应内容见《MCP 安全风险》和《Agent 的 Memory 怎么设计？》。