做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

一个能写进简历的 Agent 项目,不是"能调工具的 demo",而是把 Agent Harness(agent loop、工具 schema、记忆、权限确认、失败恢复、trace、评估、成本)一层层做扎实,并留下和 RAG 项目一样完整的证据链。正确的做法是从 30 行的最小 Agent 起步,先把"决策—调用—观察—再决策"的循环跑通,再逐步长成 Deep Research 这类多步任务系统,每加一层都留下能被面试官追问的痕迹。

作者:吴师兄 | 适合:想主打 Agent 方向、要攒一个能进简历的自建项目的人 | 前置:会用 Python 调一次大模型 API,了解 function calling 是什么

Agent 项目和 RAG 项目到底差在哪

先给结论:RAG 项目的骨架是一条相对固定的检索问答链,Agent 项目多了"自主决策 + 多步 + 工具 + 失败恢复",工程复杂度和不确定性都更高,面试更看你对稳定性和可控性的把握。RAG 里模型基本是"给定检索结果作答";Agent 里模型要自己决定下一步调哪个工具、什么时候停、失败了要不要重试换路。这就是为什么 Agent 项目更难讲清、也更值钱。