《万字长文｜Agent 从入门到精通（附实战：论文整理 Agent 搭建）》

我最近给娃买了一本书，叫《给宝宝的机器人学》。

书里从做一个圆形开始：最早拿笔画，再用剪刀剪；后来换成圆形工具，压一下就能得到一个圆；再往后有了机器、程序、传感器、摄像头、传送带和机械臂，最后做成了一台可以自动生产圆形的机器人。

大模型会回答以后，人们很快发现，光会回答还不够。它得拿到最新数据，要能打开文件，得知道刚才那一步有没有做成，还得在出错以后继续处理。今天看到的 Claude Code、Codex 和各种桌面 Agent，都是这些具体问题一点点推出来的。

01 大模型和 Agent 到底有什么区别？

大模型会生成答案，Agent 会接着把事情做下去。

把一份会议纪要发给大模型，它会在对话框里整理出行动清单。把同一项任务交给 Agent，它可以自己找到会议文件，读取内容，生成清单，写回项目目录，再检查负责人和截止时间有没有漏掉。

Agent 里面也有模型。除此之外，它还要能读文件、调用工具、记住做到哪里，并把结果写回去。聊天模型交出来的通常是一段话，Agent 交出来的可能是一张表、一个改好的文件，或者一项已经跑完的任务。

同一个模型放进不同产品，表现会差很多。放在聊天框里，它主要看到当前对话；放进 Claude Code 或 Codex CLI，它可以读取文件、运行命令、查看报错；放进 Codex 桌面端，它又能管理项目、保存任务、展示文件改动和等待权限确认。

所以，同一个模型放进不同产品，做事的差距可以很大。差别并不全在模型本身，还在它能接触什么、能调用什么，以及做完以后会不会检查。

💡 图解：左边是一份回答，右边是一项做完的工作

02 模型：最早的 AI 只负责回答

大语言模型最基础的工作，是根据前面的内容猜后面最可能出现什么。它每次生成一个 token，再接着往后预测。token 有时是一个字，有时是一个词的一部分。文章、代码和回答，就是这样一点点生成出来的。

2017 年出现的 Transformer，让模型更善于处理一段文字前后的关系，也让大规模训练变得可行。模型看过的文字和代码越来越多以后，开始能够写文章、做翻译、总结材料和生成程序。

早期模型更像一个续写器。后来加入指令微调和人类反馈，它才逐渐学会按要求回答、使用指定格式，也更接近今天熟悉的聊天助手。

推理模型又把多步骤问题做得更稳。遇到数学、代码和复杂分析，它会在给出结果前做更多判断。模型变强了，能力仍然停留在生成这一层：它看不到用户电脑里的文件，不知道刚刚发生的新闻，也没有打开邮箱和修改表格的权限。

这也解释了模型为什么会一本正经地说错。它生成的是当前上下文里很顺的一段内容，没有自动去原始资料里逐项核对。人名、年份和论文题目如果缺少来源约束，几个相近的信息可能被拼到一起。

上下文窗口变长后，模型一次可以看到更多材料。窗口仍然有边界，任务越长，文件、工具结果和历史步骤占用的空间越多。系统还要决定哪些内容继续保留，哪些做成摘要，什么时候回到原文件重读。

💡 图解：模型的输出，是一个 token 接着一个 token 生成的

放进后面要搭的论文资料项目里，这时我们只有一个“摘要助手”。复制一段摘要给模型，它能整理题目、研究对象和主要结论。下一篇论文仍然要人去找，表格也要人自己建。

03 Tool 和 API：模型开始能够调用真实数据

模型靠训练记住的知识会过时。天气、订单、日历和论文数据库却一直在变化，要取得这些内容，需要访问对应的软件服务。

API 是软件留给外部程序的接口。天气服务的 API 接收城市和日期，返回温度和降雨；日历 API 接收时间、标题和参与人，创建一条日程。Tool 则把这些能力整理成模型能够看懂的说明：这个工具能做什么，需要填哪些信息，会返回什么结果。

用户问“明天杭州会不会下雨”，模型先从工具列表里选中天气工具，交出“杭州”和“明天”。承载 Agent 的程序检查权限，访问天气 API，再把结果送回模型。模型读完真实天气数据以后，才组织回答。

在这个过程中，模型负责选择工具、填写信息、理解返回的结果；程序负责联网、保管密钥和执行动作。模型不会因为会调用天气工具，就顺便获得邮箱和数据库的权限。

2023 年，ChatGPT Plugins 和 function calling 把这种方式带给更多开发者。搜索、计算器、邮件、日历和数据库，开始被登记成模型可以选择的工具。

工具说明写得好不好，会直接影响 Agent。一个工具只写“查询数据”，模型很难判断该什么时候用；写成“查询客户订单”，再说明订单号和时间范围，选择就会稳定很多。错误信息也一样。“执行失败”没法指导下一步，“订单不存在”和“当前账号无权查询”会让 Agent 采取不同处理。

💡 图解：Tool 和 API 让模型拿到训练数据之外的最新结果

论文资料项目到了这里，可以接入 PubMed 检索工具。模型把研究问题整理成检索词，工具取得 PMID、作者、年份和摘要，模型再去理解摘要。来源由工具取回，内容由模型归纳。

04 Agent Loop：做完一步，再看下一步

一次 Tool 调用只能完成一个动作。真实工作往往要连续做很多次：先找材料，再读取内容，发现缺项后继续搜索，生成表格，最后重新打开检查。

Agent Loop 说的就是这个过程：看当前情况，做一个动作，拿到结果，再决定下一步。

2022 年提出的 ReAct，把推理和行动交错在一起。搜索没有结果，模型可以换关键词；命令执行失败，它会读报错；文件生成以后，它还能重新打开，看看内容是否符合要求。

循环里要保存任务进度。Agent 需要知道哪些文件已经读过，哪些步骤已经完成，哪些问题还在等待处理。任务变长以后，旧过程还会被压缩成摘要，关键结果则继续保留。

计划也会变化。原本准备读完三份材料就写报告，第二份材料出现了冲突，Agent 应该增加核对来源这一步。计划提供方向，不会把它锁死在一条固定路线里。

循环还要知道什么时候停。文件写出来，只说明保存成功。如果完成标准是“12 份材料全部覆盖、重复项合并、缺失字段标出”，Agent 还要重新打开结果逐项核对。遇到无法判断的冲突，它应该停下来找人。

💡 图解：结果不合格就回去再做一遍，这就是 Agent Loop

2023 年的 Auto-GPT 已经具备这种连续行动的形态。当时经常出现忘记目标、反复搜索和把错误继续带到后面的情况。循环让模型能够一直做，也会把一次误判连续放大。模型、工具、上下文和停止条件都稳定以后，Agent 才逐渐从演示走进日常工作。

05 文件、终端和屏幕：Agent 终于有了工作现场

聊天模型看到的是用户贴进对话框的内容。Agent 进入文件系统以后，可以自己寻找材料，打开文件，把结果保存到指定目录。进入终端以后，它还能搜索内容、转换格式、处理表格和运行检查。

终端每做一件事都会留下结果。命令成功还是失败，哪个文件没有找到，表格有多少行，这些信息都能回到 Agent Loop。Agent 不再靠猜，它开始根据真实反馈调整。

还有一些软件没有开放 API。2024 年，Anthropic 发布 computer use 公测，让模型根据截图移动鼠标、点击按钮和输入文字。2025 年，OpenAI 的 Operator 和 Computer-Using Agent 也展示了相近方向。

屏幕操作能覆盖更多老软件，稳定性却比 API 低。按钮换位置、网页弹窗、登录失效，都可能让任务中断。有接口时优先通过接口取得结构化结果，确实没有接口，再让 Agent 操作屏幕。

工作现场越真实，权限也越值得注意。Agent 看到文件和网页，可能读到夹在其中的恶意指令。项目目录、沙箱和人工确认负责限制它能去哪里、能改什么。

💡 图解：文件和终端把模型的回答变成电脑里的实际结果

论文资料项目的工作范围可以很小：原始材料放在项目里，结果写到单独文件夹，公开信息从 PubMed 取得。它没有读取整台电脑的理由，也不应该接触患者资料。

06 MCP：让 Agent 接上外部软件

每个 Agent 都会遇到同一个接入问题：怎样连接文档库、数据库、设计工具和业务系统。过去每款 Agent 都要分别适配，工具一多，连接和维护会变得很麻烦。

MCP (Model Context Protocol) 在 2024 年发布，规定了一套通用的连接方式。一个 MCP Server 会告诉 Codex：这里有哪些工具，每个工具需要什么信息，调用后会返回什么。Codex 连接以后，模型就能从这份清单里选择合适的工具。

💡 图解：一个 MCP 连接中心，可以把多种外部工具交给 Agent

MCP 背后通常还是 API。API 负责真正查询或修改数据，MCP 负责把这些能力用统一方式交给 Agent。它没有替模型做计划，也不会替用户决定权限。

接上 MCP 以后，工具本身仍然要做好。一次返回几万行无关数据，模型很难找到重点；写入工具没有预览和确认，误操作的风险会很高。返回范围、错误说明和权限设计，都会影响最终结果。

💡 图解：模型接上的东西越来越多，Agent 才有了今天的样子

07 从 CLI 到桌面端：普通人也开始用 Agent

2025 年，Claude Code、Codex CLI 等产品让程序员明显感受到变化。用户交出“找到登录失败的原因，修好以后运行测试”，Agent 会搜索项目、读取文件、修改内容，再执行测试。测试失败，它读完报错继续改；测试通过，才把改动交给人审查。

代码项目很适合早期 Agent。材料都在仓库里，终端已经有搜索、编辑、运行和测试工具。程序执行后会产生清楚的错误信息，修改前后可以看 Git Diff，方向做错了还能借助版本记录恢复。

CLI 对程序员很自然，普通人却很难从一屏命令里判断 Agent 做到了哪里、改过什么、下一步需要什么权限。Agent 已经能处理很多工作，入口仍然偏技术。

2026 年 2 月，Codex 桌面端发布。项目、任务、文件修改、产物预览和权限审批被放进一个工作台。用户看到的单位也从“一轮聊天”变成“一项工作”：任务可以运行较长时间，连续调用工具，最后留下文件、修改记录和待确认事项。

💡 图解：桌面端把终端里的工作过程摊开给人看

多个任务也可以分开运行。一个整理资料，一个核对引用，一个生成网页，各自保留自己的上下文和文件变更。人不必守着每一步操作，回来以后还能看懂每份结果从哪里来。

💡 图解：同一个项目可以同时保留多个任务，每项工作都有自己的进度和上下文

行业里有人把包在模型外面的这套东西叫 Harness。名字可以先不记。只要记住一件事：模型决定下一步做什么，Codex 负责把文件、工具、权限和执行结果送到它面前。缺了后面这部分，再强的模型也只能隔着聊天框给建议。

08 实战：用 Codex 做一个论文资料整理 Agent

下面继续用学医朋友的工作来做。目标很明确：放入几份公开论文或摘要，Codex 整理出题目、作者、年份、研究对象、主要结论和原始来源。查不到的内容留空，不允许顺手补一个答案。

💡 图解：论文资料 Agent，从材料到结果的完整流水线

1先把项目建起来

在电脑上新建“论文资料整理”文件夹，然后用 Codex 打开。新建任务，把下面这段话发给它：

请在当前项目里建立三个文件夹：

原始资料：保存论文、摘要和文献导出文件
整理结果：保存表格和待确认清单
参考模板：保存我认可的表格样例

只创建文件夹，不要处理材料。
不要修改“原始资料”里的文件。

建好以后，把三到五份公开材料放进“原始资料”。数量少一点，方便核对第一遍结果。

2先让它完整跑一次（Plan 模式）

把任务切到 Plan 模式，让 Codex 先看材料，再说准备怎么做：

读取“原始资料”中的全部文件，整理一份论文索引。

表格包含：题目、作者、年份、研究对象、主要结论、原文件名和来源链接。
重复论文合并。
原文没有写明的信息标记为“待确认”，不要推测。
结果保存到“整理结果”，不要修改原始文件。
先给出处理计划。计划中列出你识别到的文件、准备生成的文件，以及完成后怎样检查遗漏。

等我确认后再执行。

文件生成后直接打开看。输入了五份材料，表格就应该能对应到这五份；重复项有没有合并，也能从题目、DOI 或 PMID 看出来。主要结论至少抽两条回原文核对。“待确认”如果被填成了确定答案，就让 Codex 删除并重新检查整张表。

这一版不接 MCP，也不做 Skill。先确认 Codex 只靠本地材料能把基本流程跑顺。

3缺书目信息，再补 PubMed 工具

本地摘要经常缺年份、期刊或 PMID。每次都手动搜索很慢，可以让 Codex 为当前项目做一个 PubMed 检索工具：

当前项目缺少公开文献检索能力。

请先调研 PubMed 的官方公开接口，再为当前项目制作一个检索工具。
输入研究问题、论文题目或检索词后，返回：PMID、题目、作者、年份、期刊、摘要和 PubMed 原始链接。
单次最多返回 20 条。
缺失字段保留为空，不要推测。
工具只在当前项目中读写。

先给出方案，说明会新增哪些文件、怎样测试。

等我确认后再制作。

这里不要求自己写代码，Codex 会完成实现。方案出来以后，主要看三件事：数据是不是来自 PubMed，工具会不会跑到项目外面，失败时会不会把“没有结果”说清楚。让它用一个公开检索词取回三条记录，三个 PMID 都能打开且题目年份对得上，这个工具才可以放进后面的流程。

4把不能改的规矩写进 AGENTS.md

聊天里的要求很容易散在不同任务中。Codex 会读取项目里的 AGENTS.md，可以把长期硬性规则放进去：

请在项目根目录创建 AGENTS.md，写入以下规则：

1. 只处理公开论文和我放入“原始资料”的文件。
2. 不接触患者资料，不生成诊断或治疗建议。
3. 所有结论必须能回到原始摘要或来源链接。
4. 缺失信息写“待确认”，禁止补写。
5. 原始文件只读，结果只能写入“整理结果”。
6. 交付前检查文件数量、重复 PMID、空字段和失效链接。

写完后重新打开 AGENTS.md，把内容复述给我。

以后在这个项目里新建任务，Codex 都会先读这份文件。规则有变化，直接改 AGENTS.md，不必在每次对话里重新讲一遍。

💡 图解：AGENTS.md 跟着项目走，Skill 留下可以重复使用的方法

5资料在外部软件里，再接 Plugin 或 MCP

论文已经下载到项目里，就继续用本地文件。资料如果放在 Google Drive、Notion 或团队文档库里，再考虑接外部服务。

Codex 的 Plugins 页面可以直接搜索已有插件。打开插件详情，先看它会带来哪些 Skill、连接器或工具，再决定要不要安装。需要账号授权时，授权页面会列出它能读取的范围。

💡 图解：Codex 的 Plugins 页面

没有现成插件时，可以在“设置”中打开“MCP servers”，选择“Add server”。本机运行的服务使用 STDIO，通过网址连接的服务使用 Streamable HTTP。保存并重启后，在输入框键入 /mcp，可以查看服务器是否已经连上。

💡 图解：MCP 的两种常见连接方式（STDIO 本地进程 / Streamable HTTP 远程服务）

MCP 后面连着真实文件和账号，地址不要随手从帖子里复制。先确认提供方，再看权限和工具列表。这个论文项目如果只用本地文件和 PubMed，完全可以不接 MCP。

6把这套做法保存成可复用的 Skill

前面的流程跑过几次以后，可以把它存成 Skill。以后换一个研究问题，不必重新解释字段、去重方法和检查要求。在新任务里输入 $skill-creator，然后发送：

请把当前项目已经跑通的论文资料整理方法做成一个 Skill。

它需要完成：
1. 检查“原始资料”中的文件；
2. 整理题目、作者、年份、研究对象、主要结论和来源；
3. 按 PMID 和 DOI 合并重复项；
4. 缺少书目信息时调用项目里的 PubMed 工具；
5. 生成论文索引和待确认清单；
6. 交付前重新打开结果，检查遗漏、重复和失效链接。

项目边界继续遵守 AGENTS.md。

先生成 Skill 草稿，等我确认后再保存。

💡 图解：Skill 可以在新任务中再次直接调用

Skill 保存以后，开一个新任务，在输入框键入 $，选中刚才创建的论文资料整理 Skill。然后放入另一批材料，只写本次研究问题：

整理“原始资料”中的本批文件。

研究问题：睡眠时长与高血压之间有哪些公开研究线索？

完成后在“整理结果”中留下论文索引和待确认清单。

如果新的任务能自动读取 AGENTS.md，按固定字段整理材料，缺信息时调用 PubMed 工具，并把结果放到指定文件夹，这套 Agent 就已经能反复使用了。

下一次换课题，替换“原始资料”里的文件，再写下新的研究问题就可以继续。表格整理、来源补全、重复项检查交给 Codex；论文是否可靠、结论能不能用于研究，仍然由人来判断。

Miles Ma（@miles_mazy）

一名从大厂转型 FDE 的 AI 算法专家，做过算法研发、优化部署，也做过企业培训与智能体落地。平时会在 X 分享大模型架构、Agent 工程化实战与知识库搭建方法论。