agent 笔记

近期一直在学习 agent 相关的内容，整理了一些笔记，在这里记录下来（后继会持续补充，因为 agent 相关的理论和技术迭代的很快）

windows + cc + ds

可以直接看 deepseek 官网的链接: https://api-docs.deepseek.com/zh-cn/guides/anthropic_api

安装后遇到无法启动的问题

D:\code\open\ruoYiAI\ruoyi-ai>claude
Welcome to Claude Code v2.1.86
…………………………………………………………………………………………………………………………………………………………

     *                                       █████▓▓░
                                 *         ███▓░     ░░
            ░░░░░░                        ███▓░
    ░░░   ░░░░░░░░░░                      ███▓░
   ░░░░░░░░░░░░░░░░░░░    *                ██▓░░      ▓
                                             ░▓▓███▓▓░
 *                                 ░░░░
                                 ░░░░░░░░
                               ░░░░░░░░░░░░░░░░
       █████████                                        *
      ██▄█████▄██                        *
       █████████      *
…………………█ █   █ █………………………………………………………………………………………………………………

 Unable to connect to Anthropic services

 Failed to connect to api.anthropic.com: ERR_BAD_REQUEST

 Please check your internet connection and network settings.

 Note: Claude Code might not be available in your country. Check supported countries at
 https://anthropic.com/supported-countries

执行下面的命令，跳过引导流程，直接进入主界面

powershell -Command "$f='%USERPROFILE%\.claude.json';$j=Get-Content $f|ConvertFrom-Json;$j|Add-Member -NotePropertyName 'hasCompletedOnboarding' -NotePropertyValue $true -Force;$j|ConvertTo-Json|Set-Content $f"

修改 .claude.json 文件，添加 deepseek 模型配置

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "api-key",
    "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-v4-flash[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-v4-flash[1m]",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-v4-flash[1m]",
    "CLAUDE_CODE_SUBAGENT_MODEL":"deepseek-v4-flash[1m]",
    "ANTHROPIC_MODEL": "deepseek-v4-flash[1m]",
    "API_TIMEOUT_MS": "600000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": 500000
  },
  "includeCoAuthoredBy": false,
  "effortLevel": "medium",
  "language": "chinese"
}

2026.04.24: deepseek 支持 1M 上下文，更新下相关配置，相关信息参考官网链接：https://api-docs.deepseek.com/zh-cn/news/news260424

组成

在我看来： agent = llm + 工具系统 + 记忆系统

• llm: agent 的大脑，负责决策和规划
• tool: agent 的工具箱，提供各种能力，如搜索、计算、调用 API 等， mcp, skill, tool 在我看来是同一个概念的不同叫法
  • tool
  • mcp
  • skill
• memory: agent 的记忆系统，记录历史交互和状态信息
  • rag: rag 也是为了增强 llm 的能力而设计的，可以看做是上下文工程的一种实现方式，这种方式是将数据保存到专门的数据库中，但记忆也可以保存在本地文件中

agent 架构

react
plan-act
reflection

观测和评估

如何评估 agent 的表现？ 目前看到的评估方式主要有两种：

• 观测 agent 的行为，看看它是否能够正确地调用工具，是否能够合理地规划和决策
• 评估 agent 的输出，看看它是否能够正确地回答问题，是否能够提供有用的信息

agent 的观测可以通过日志记录和监控来实现，可以记录 agent 的每一步决策和工具调用，以及每一步的输入和输出，这样就可以对 agent 的行为进行分析和评估

agent 的行为可以调用 tool 和 rag，因此要对着两者进行评估：

• tool 的评估：可以通过观察 agent 是否能够正确地调用工具来评估工具的表现，如是否能够正确地调用搜索工具来获取信息，是否能够正确地调用计算工具来进行计算等
• rag 的评估：可以通过观察 agent 是否能够正确地调用 rag 来获取信息来评估 rag 的表现，如是否能够正确地调用 rag 来获取相关的信息来回答问题等