📺 B站官方回放频道（电脑端推荐） ➔ 搜索关注：非解构

本频道完整收录了《土木人的 Python 课》与《土木人的 AI 课》历次精彩直播录像。同时包含 GAMA 的基础操作教程 以及 GAMA 在土木工程数字化转型中的运用 实例，方便您高清同步学习。

📱 微信视频号直播（手机端推荐） ➔ 搜索关注：非解构

支持微信内搜索直接进入。为您提供《土木人的 Python 课》与《土木人的 AI 课》历次直播精华，并包含 GAMA 数字化设计 与 参数化算法 实战切片，方便在手机端收看直播与交流。

AI Agent 正在以极快的速度演进。无论是原生 CLI、独立桌面端还是深度集成的 IDE，它们都在改变开发者与计算设备的交互范式。以下是目前业界最具代表性的几款 Agent：

在工程和开发中，人们往往把 Agent 包装得很玄学，但从代码本质看，其工作原理十分纯粹：

Chatbot（一问一答）是无状态的单向流动：
y = f(x)，接收用户输入并返回文本，连接随之断开。

Agent（智能体）是带状态的环境自反馈循环：
State_t+1 = Loop(State_t, Env)

它借由本地控制程序实现：

• 决策大脑 (LLM)：通过生成意图文字做出判断。
• 本地状态维护 (Memory)：用列表模拟记忆。
• 反射动作 (Action / Tools)：执行本地代码与外界交互。

大模型本身是绝对无状态（Stateless）的。它无法记住你上一轮说过的话。

所谓的“记忆”，不过是本地程序不断把历史数据累加，在下一次请求时一次性全部塞给模型的障眼法。

在底层，这通过维护一个严格交替的 Messages Array 实现：

• 每说一句话，就往数组 append 一个字典。
• 角色必须在 user 和 assistant 之间交替。
• 调用工具的中间结果同样按此结构组织（`tool_result` 作为用户侧输入）。

大模型不会真正去运行你的 Python 函数或系统 API。

工具调用的底层逻辑是：

1. 我们在请求时发送工具说明书 (JSON Schema)。
2. 大模型发现无法直接回答，便输出一段包含特定格式的结构化文本（意图 JSON）。
3. 本地客户端（Python 脚本）解析该文本，在本地实际运行该函数并捕获返回值。
4. Python 将返回值再以 tool_result 结构发给大模型。

Agent 之所以被称为“智能体”，是因为它具有自主决策的控制循环。

这在底层是由一个最简单的 while True 循环控制的。这个循环不断在“思考（LLM）➔ 判定是否调用工具 ➔ 本地执行 ➔ 再次推理”之间旋转，直到任务最终达成。

• 决策机制：通过判定模型返回的 stop_reason 来掌控循环。
• 自动拦截：发现 tool_use 时拦截响应，不直接给用户输出半成品。
• 完成退出：直至大模型觉得无需工具时，跳出循环，输出结果。

如果给 Agent 提供特定的业务 API（如画圆），它只能做画圆的事。

但如果把工具设计为最底层的元指令：

1. write_file：能写任何本地 Python 代码。
2. run_command：能在终端执行任何命令。

Agent 便拥有了自主编写代码并执行的“沙箱环境”。

当执行报错时，Python 解释器的报错追踪（Traceback）会被直接送还给大脑，驱使它自动分析错误、修正代码并再次执行，实现自我进化（Self-Correction）的调试闭环。

如果把所有工具的逻辑都硬编码到主程序中，Agent 将会变得极其庞大且难以维护。

通过引入 Dynamic Skill (动态技能) 机制：

1. 每个技能设计为一个独立目录（含说明书 tool_schema.json 与执行器 handler.py）。
2. 主程序在启动时，通过 Python 的 importlib 动态扫描并反射加载外部技能。

这让 Agent 拥有了像智能手机“安装 App”一样的热插拔插件化能力，也是主流 Agent 平台与 MCP (Model Context Protocol) 服务协议的底层运行基石。

智能体不是魔法，而是以“本地运行状态”驱动“大模型动态意图”的自循环控制架构。