术语表

教程正文中的高亮词条汇总于此，共 121 个。在章节正文中悬停高亮词可预览摘要，点击直接打开该词条的详情页。

核心概念 22

Agent（自主系统）由「模型 + 环境（工具）+ 控制循环」组成的自主系统：模型负责推理与决策，环境提供可施加作用的工具，控制循环驱动它反复执行「感知 → 决策 → 行动 → 观察」直至任务完成。与一问一答的 chatbot 不同，Agent 的每一次「下一步做什么」都由模型在运行时自主决定，而不是程序员预先写死。见第 01 章。详情 →
控制循环 Agent 最小定义的三要素之一（另两个是模型与环境）：指「感知 → 决策 → 行动 → 观察」四步闭路。关键点是循环的每一次「下一步做什么」由模型根据当前观察自主决定，而不是程序员预先写死——这是 Agent 与普通程序的分水岭。详情 →
Workflow（预设路径工作流）把 LLM 编排在预设代码路径里的系统：每一步该干什么由程序员写死，LLM 只是被调用的一个环节，路径本身不改变。与 Agent 的模型自主决策相对，是判断「什么才算 Agent」时最容易混淆的一对概念。详情 →
From-scratch（从零手写）不依赖任何 Agent 框架、从最底层 HTTP 调用开始逐层手写的方法论。原理优先于封装：手写过一遍之后，你既能调试、能裁剪，也能看穿任何框架的抽象到底替你做的是什么。详情 →
LLM（大语言模型）大语言模型（Large Language Model），Agent 的「大脑」：一个通过 HTTP API 暴露的文本生成服务。调用它本质上是一个普通 HTTP POST 请求，请求与响应的形状在第 02 章被逐字段解剖。详情 →
Token（词元）模型计费与处理的基本单位，通常是子词片段而非整词。usage 字段里的 prompttokens / completiontokens / totaltokens 是成本核算的唯一依据；maxtokens 限制输出长度，撞上会被截断（finishreason: 'length'）。详情 →
Temperature（采样温度）采样参数，控制输出的随机性：缩放模型对下一个词的概率分布。温度低 → 分布变「尖」，输出稳定保守；温度高 → 分布变「平」，输出多样发散。与 topp 二选一调整；需要确定性时用低温度 + seed。详情 →
Streaming（流式输出）模型边生成边把结果推给客户端，而非等全文完成一次性返回。把「总延迟」转化为「渐进可见的进度」，也是工具调用中间态、审批交互等 Agent 体验的基础。详情 →
TTFB（首字节延迟） Time To First Byte，从发出请求到收到第一个字节的时间。它决定用户对「卡不卡」的第一印象，流式把总延迟转化为可感知的渐进进度，正是为了缓解 TTFB 带来的焦虑。详情 →
Agent Loop（智能体循环）驱动 Agent 反复执行的核心循环：把「一轮工具调用」升级成「多轮循环」，让程序自己决定「要不要再来一轮、再来该做什么」。最小形态是约 50 行的 while 循环——把 messages + tools 发给模型，有 toolcalls 就逐个执行并回填后继续，否则把文本作为最终答案返回。agent = 循环 + 状态。见第 07 章。详情 →
think → act → observe（思考-行动-观察）循环的三个环节：think 把完整消息历史和工具清单交给模型做决策；act 由 harness 执行模型要的工具（模型只决定、不执行）；observe 把工具结果作为 tool 消息回填进 messages。思考与行动交替进行，行动的结果成为下一次思考的输入——这也是 ReAct 命名的由来。详情 →
停止条件循环回答「什么时候停」的规则，两类缺一不可：模型不再要求工具（toolcalls 为空，正常结束），或达到 maxIterations（保险丝，模型失控时的兜底）。判断继续与否只看有没有工具调用，不依赖厂商的 stopreason。详情 →
system prompt（系统提示词）随请求发送、定义模型角色与行为规则的顶层提示。工程化做法是分层构建：每一层一个独立来源、按需组装、单层设上限；稳定的 system prompt 前缀能触发服务端 prompt caching，大幅降低多轮会话的费用与延迟。详情 →
ReAct（思考-行动循环）把「思考」与「行动」交替编排的范式：先思考再行动，行动结果成为下一次思考的输入，思考轨迹显式可调。原生 tool calling 时代它是基本免费的。见第 12 章。详情 →
思考-行动交替（Reasoning-Acting） ReAct 的核心编排机制：模型先推理（Thought），harness 执行工具（Action），结果回填为观察（Observation），如此循环直到不再需要工具。见第 12 章。详情 →
Plan-and-Execute（计划-执行）先让模型产出完整计划（当数据，不是散文），再机械执行、一次综合的范式：模型调用少、计划可见可批；代价是计划过期后不再随环境调整。见第 12 章。详情 →
Reflection（反思）生成 → 评审 → 修订的外环范式：评审不过就把评审意见追加进消息历史继续改，直到通过或达到轮数上限。买的是质量，代价是调用翻倍与同源盲区。见第 12 章。详情 →
范式（Paradigm）同一套「循环 + 注入 callLlm」之上可替换的控制结构模板：只改控制流，就得到 ReAct / Plan-and-Execute / Reflection 三种不同行为。见第 12 章。详情 →
可观测性（observability）通过结构化日志、追踪与指标回答「系统内部到底发生了什么」的能力。Agent 的事件流瞬时而逝，可观测层在协议之外盖上序号与时间戳、按一次运行聚合出完整记录，让「哪一步出错、token 花到哪、坏在哪一类」都有据可查。见第 20 章。详情 →
结构化日志（structured log）每个事件盖上全局序号与墙钟时间、序列化为一行可排序可检索的结构化记录（如 JSON）。与普通 print 日志相比，它带归属与次序，是聚合出 trace 的「砖」。见第 20 章。详情 →
Trace（轨迹）一次运行的完整记录：起点、终点、期间每个事件（按序）、累计的资源用量（token）、最终结果。日志回答「发生了什么」，trace 回答「这一次运行发生了什么、花了多少、成没成」。它既是可观测性分析的对象，也是评测的判题对象——只看最终答案会漏掉「答案对了但行为浪费」的失败运行。详情 →
子智能体（subagent）被委派执行独立子任务的 Agent 实例：同一个循环函数的另一份实例，喂全新消息历史、裁剪过的工具白名单与独立预算。隔离是构造性的，结果以终答字符串回填给主 Agent。见第 22 章。详情 →

协议 27

工具与循环 6

上下文与记忆 13

结构化输出 5

前端与交互 7

安全与工程 16

评测与工程 6

产品与架构 19