L09 练习

python agent-lessons/09_capstone/code.py 启动研究助手。这是毕业项目，建议认真做完练习——它会让这个项目真正"属于你"，写进简历有底气。

练习 1：研究一个你感兴趣的主题

在交互模式下，输入一个你真正想了解的主题：

> 帮我研究一下 LangChain 和 LlamaIndex 的区别和各自优势
> Rust 语言为什么越来越流行
> 远程办公对团队协作效率的影响有哪些研究

观察： - Agent 搜了几次？每次关键词是什么？ - 有没有"换关键词再搜"（多轮搜索）？ - 最终报告质量如何？来源引用清晰吗？

思考：对比你自己用搜索引擎查资料的过程——Agent 的搜索策略和你的像不像？哪些地方 Agent 做得好，哪些地方不如你？

练习 2：测试错误处理（网络问题）

故意触发搜索失败，看 Agent 怎么应对：

在搜索工具里临时制造错误（如把 DDGS() 改成会抛异常的调用）
或者短时间内频繁搜索触发反爬限制

观察：Agent 崩溃了吗？还是看到"搜索失败"后换关键词重试？

思考：这就是 L02 学的"错误兜底"在真实项目里的价值——网络工具不稳定是常态，必须能优雅降级。

练习 3：扩展工具——加一个"获取网页详情"

当前只有 web_search（返回摘要）。加一个 fetch_page_content 工具，能获取某个网页的详细内容：

def fetch_page_content(url: str) -> str:
    """获取网页的文本内容（用 requests + 简单 HTML 解析）。"""
    import requests
    try:
        resp = requests.get(url, timeout=10)
        # 简单去 HTML 标签（生产用 BeautifulSoup）
        import re
        text = re.sub(r'<[^>]+>', '', resp.text)
        return text[:2000]  # 截断
    except Exception as e:
        return f"获取失败：{e}"

注册成工具后，Agent 可以：搜索 → 看到感兴趣的链接 → 获取详情 → 更深入的研究。

思考：这就是 Agent 的扩展性——加个工具就多一个能力。你可以无限扩展（加翻译、加图片识别、加代码执行...）。

练习 4：把项目写进简历（最重要）

这个练习不是写代码，是整理你的项目经历。试着写一段简历描述：

智能研究助手 Agent | Python, GLM-4, ReAct - 基于 GLM-4 实现自主研究 Agent，集成 function calling、ReAct 循环、多轮搜索 - 用户输入主题后，Agent 自主规划搜索策略、联网检索（DuckDuckGo）、多轮补充信息 - 实现搜索失败重试、步数限制、结构化报告输出（带来源引用） - 技术栈：zhipuai SDK、ReAct prompt 模式、tool registry 调度器

思考：面试时被问"讲讲这个项目"，你能回答： - 为什么用 ReAct 而不是纯 function calling？（推理可见、可调试） - 怎么处理搜索失败？（错误兜底 + 换关键词重试） - 多轮搜索怎么实现的？（Agent 看到 Observation 后自主决定再搜） - 这个项目的局限是什么？（诚实回答，如依赖搜索质量、无实时性保证）

能流利回答这些，这个项目就真正"属于你"了。

✅ 课程毕业检查

完成本课后，你应该能：

独立搭建一个能用的 Agent 项目（从工具定义到 ReAct 循环到工程化）
讲清 Agent 每个技术点的原理和取舍（面试核心）
知道怎么扩展 Agent（加工具、加 Agent、加能力）
把这个项目写进简历并有底气讲出来
具备继续探索（LangGraph、多模态 Agent、部署上线）的基础

🎉 恭喜完成全部 Agent 课程！你现在的完整知识栈：RAG（9课）+ Agent（9课）= 大模型应用开发核心竞争力。