L09 — 毕业项目：智能研究助手（简历级）

本课目标：综合前 8 课所有技术，做一个能写进简历的 Agent 项目。给一个主题，Agent 自主联网搜索、整理信息、生成结构化研究报告。

这是 Agent 课程的收官——把你学的 function calling、ReAct 循环、记忆、规划、错误处理全部集成到一个真实可用的项目里。

1. 项目是什么？

智能研究助手（Research Agent）：用户输入一个研究主题，Agent 自主完成：

用户："帮我研究一下 RAG 技术的现状和应用"
    │
    ▼
Agent 自主工作：
    1. 🤔 思考：该搜什么关键词？（规划）
    2. 🔍 联网搜索 "RAG 技术 现状"
    3. 📖 阅读结果，发现信息不够
    4. 🤔 换关键词再搜 "RAG 应用 案例"（多轮搜索）
    5. 📝 整理所有信息，生成结构化研究报告
    │
    ▼
输出：一份带要点、来源引用的研究报告

这个项目集成了你学的所有技术： - ✅ Function Calling（调用搜索工具） - ✅ ReAct 循环（思考→行动→观察） - ✅ 记忆（记住搜索过的内容） - ✅ 规划（自主决定搜什么、搜几次） - ✅ 错误处理（搜索失败、网络问题） - ✅ 工程化（步数限制、日志、可观测）

2. 为什么这个项目能进简历？

维度	说明
真实可用	不是玩具 demo，真能用来做调研
技术全面	涵盖 Agent 核心技术栈（面试能讲的点很多）
自主决策	Agent 自己决定搜什么、搜几次——展示"智能"
联网能力	用真实搜索（DuckDuckGo），不是模拟数据
可演示	跑起来有完整的工作过程日志，面试现场可演示

简历怎么写（参考）

智能研究助手 Agent：基于 GLM-4 实现的自主研究 Agent，集成 function calling、ReAct 循环、多轮搜索。用户输入研究主题后，Agent 自主规划搜索策略、联网检索信息、多轮补充、生成结构化研究报告。支持搜索失败重试、步数限制等工程化能力。

3. 技术架构

┌─────────────────────────────────────────────┐
│          ReAct 循环（L03）                    │
│   Thought → Action → Observation → 循环      │
│                                             │
│   ┌─────────────────────────────────────┐   │
│   │  可用工具（Function Calling, L02）   │   │
│   │  - web_search：联网搜索（核心工具）  │   │
│   │  - fetch_summary：获取网页摘要       │   │
│   └─────────────────────────────────────┘   │
│                                             │
│   记忆（L05）：messages 保留搜索历史         │
│   规划（L06）：Agent 自主决定搜什么          │
│   错误处理（L02）：搜索失败优雅降级          │
└─────────────────────────────────────────────┘
                    │
                    ▼
            结构化研究报告（带来源引用）

4. 搜索工具：DuckDuckGo

本项目用 DuckDuckGo 搜索（通过 duckduckgo-search 库）： - ✅ 免费，无需 API key - ✅ 真实联网搜索（不是模拟数据） - ✅ 返回标题、摘要、链接

from duckduckgo_search import DDGS
ddgs = DDGS()
results = ddgs.text("RAG 技术", max_results=5)
# 返回 [{"title": "...", "body": "摘要...", "href": "链接"}, ...]

⚠️ DuckDuckGo 搜索偶尔会因为网络/反爬失败。代码做了错误兜底——失败时返回友好提示，让 Agent 知道"这次没搜到，可以换关键词重试"。

5. 工程化要点（L09 的重点）

毕业项目相比前面的练习 demo，多了这些工程化能力：

① 可观测日志

打印 Agent 每一步的思考、动作、结果——让你（和面试官）看清 Agent 的工作过程。

② 步数限制（防失控）

设 MAX_STEPS，避免 Agent 无限搜索下去烧钱。

③ 错误处理

搜索失败、网络超时、返回空结果——都有兜底，不会让程序崩。

④ 结构化输出

最终报告有清晰结构（概述/要点/来源），不是一坨文本。

⑤ 来源引用

报告里标注信息来源链接，可追溯。

6. 跑起来

python agent-lessons/09_capstone/code.py

程序会先跑一个内置的演示主题，然后进入交互模式，你可以输入自己想研究的主题：

> 帮我研究一下 LangChain 和 LlamaIndex 的区别
> 2024 年大模型有哪些重要进展
> exit

💡 联网搜索需要网络。如果搜索频繁失败，可能是网络/反爬限制，等几分钟再试。

🎓 Agent 课程完结

恭喜！学完这 9 课，你已经从零掌握了 AI Agent 的完整知识体系：

课	主题	核心认知
01	认识 Agent	Agent = LLM + 工具 + 决策循环
02	Function Calling	工具调度器、错误兜底
03	ReAct 循环	Thought→Action→Observation（面试核心）
04	工具设计	description 是灵魂
05	记忆	messages 管理、窗口策略
06	规划	Plan-and-Execute vs ReAct
07	Agentic RAG	RAG 是 Agent 工具箱的一把扳手
08	多 Agent	关注点分离、协作代价
09	毕业项目	综合应用，简历级项目

你现在的完整知识栈：RAG（前 9 课）+ Agent（这 9 课）= 大模型应用开发的核心能力。下一步可以探索：Agentic RAG 进阶、多模态 Agent、Agent 框架（LangGraph）、部署上线。