为什么不用LangChain？agents-from-scratch 第一性原理哲学深度解析-北京尧图网络

【免费下载链接】agents-from-scratchBuild AI agents from first principles using a local LLM - no frameworks, no cloud APIs, no hidden reasoning.项目地址https://gitcode.com/gh_mirrors/age/agents-from-scratch点击查看免费下载如果你正在学习AI Agent智能体大概率听过一句话“直接上 LangChain 就行了”。但 agents-from-scratch 这个项目偏偏反其道而行之不用任何框架、不依赖云端 API、没有隐藏的推理过程仅凭一个本地 LLM从第一性原理出发一步步教你造出一个真正“看得见内部”的 AI Agent。这篇深度解析将带你看懂为什么它敢对 LangChain 说不以及这种哲学为什么更适合想真正搞懂 AI Agent 内部机制的新手。一、先问一个问题框架到底藏起了什么大多数教程教你怎么用Agent而这个仓库教你理解 Agent如何工作。LangChain、CrewAI、AutoGen 这些框架确实强大但 PHILOSOPHY.md 开篇就点出了核心矛盾Frameworks hide the mechanisms that make agents work. By the time you understand what they abstract, you no longer need them. 框架隐藏了让 Agent 运转的机制。等你搞懂了它抽象的东西你就不再需要它了。用表格来对比两种路线一目了然维度框架路线如 LangChainagents-from-scratch 路线上手速度快几行代码跑起来 demo慢一点但每个环节都能解释可调试性出错时常需翻框架源码每一步决策、状态转换都可见学习成本先学框架概念再学 Agent 概念直接学 Agent 的机制本身依赖云端 API、API Key本地模型无 API 费用、无速率限制关键不是框架不好而是在理解机制之前使用抽象学到的只是会用而不是懂了。二、第一性原理哲学它明确拒绝的 4 件事打开 PHILOSOPHY.md作者把哲学浓缩成了我们避免什么。这 4 条拒绝恰恰是对新手最有价值的部分拒绝框架抽象—— 先理解机制再决定是否需要框架拒绝拟人化语言—— Agent 不思考、不理解它只是处理文本、遵循模式、做结构化决策拒绝隐藏推理—— 每个决策显式、每个状态转换可见、每个 prompt 可读幕后没有任何事发生拒绝过早自主—— 自主性是最后加的东西不是第一件这条渐进自主路径值得新手特别注意模型先会响应→ 再会决策→ 再会请求动作→ 最后由系统安全地执行。这正对应仓库 12 课的教学顺序见 README.md 中的课程表第 1 课只是最普通的文本进、文本出第 6 课才出现循环第 9 课才引入安全的原子化执行。复杂度是一层一层加上去的而不是开头就给你一坨魔法。三、Agent 不是性格是一个循环这是整个仓库最反直觉、也最核心的观点Agents are not personalities. They are loops, state, and constraints.Agent 不是性格。它是循环、状态和约束。很多人把 Agent 想象成一个会思考的小助手。但在这个仓库里Agent 就是下面这个朴素的循环来自 PHILOSOPHY.mdwhile not done: observation perceive(环境) decision decide(观察, 状态) state act(决策, 状态)它不是人格不是意识就是一个循环。这个循环的完整形态如下图所示——从用户目标出发构建上下文、LLM 推理、决定下一个动作、执行动作直到达成目标或到达最大步数才结束理解了这一点你就不会再问Agent 在想什么而是问这一轮它的状态是什么、它决定做什么、为什么终止。这正是从神秘感走向机械式理解的关键一步。四、三个让可靠性落地的工程原则没有魔法不是一句口号它落在三个具体的工程做法上详见 PHILOSOPHY.md 的 What We Focus On 一节显式状态Explicit State状态不藏在对话历史里而是一个可以检查、修改、推理的普通 Python 对象——agent/state.py 里的AgentState从第 9 行起就直白地维护着steps步数和done是否完成等字段。结构化输出Structured Outputs自由文本是概率性的、不可靠的结构化输出是契约可以被校验、重试、信任。LLM 每次只允许返回 JSON解析失败就重试——这就是把概率组件变成可靠组件的手法。数据驱动的计划Planning as Data计划不是想法而是数据结构。计划变成数据后就可检查、可修改、可安全执行。把这三点拼在一起就是仓库中那个持续进化的 Agent 的完整架构——它只有一个大脑Agent 编排层和三类组件LLM 负责推理、Memory 负责状态、Tools 负责执行没有任何隐藏模块而 Memory 组件的工作方式同样直白每轮先加载记忆构建上下文推理后再评估这条信息值得存吗值得就存不值得就遗忘forget不存在任何黑盒向量库五、为什么选本地模型PHILOSOPHY.md 给出的答案非常朴素零 API 成本—— 放心大胆地做实验无速率限制—— 快速迭代完全控制—— 看到实际发生的一切隐私—— 数据不出本机学习—— 理解完整技术栈一句话总结云端 API 适合生产环境本地模型适合学习。配合 QUICKSTART.md 的指引你只需要安装依赖、下载一个 GGUF 模型到models/目录运行python complete_example.py就能看到 12 课所有概念的完整演示。六、那到底什么时候才该用 LangChain这个问题仓库自己也回答了而且是正向的回答见 PHILOSOPHY.md 的 When to Use Frameworks学完这个仓库之后你会知道框架抽象了什么、什么时候这种抽象有帮助、什么时候有害、以及如何调试它们。那时框架会成为工具而不是魔法盒子。换句话说不是不用 LangChain而是先不用。当你能在一下午从零搭出一个 Agent、能解释每个部件的工作原理、能系统性地调试失败时你再回头看框架源码那些魔法都会现出原形——那不过是循环、状态和约束。七、结语Confident, Mechanical Understanding这个仓库的目标只有五个一下午从零构建一个简单 Agent能解释它每个部分如何工作能系统性地调试 Agent 失败能评估该不该用框架能读懂框架源码并理解它它的最后两句话也是整本哲学的注脚Not hype. Not magic. Just systems. 不是炒作不是魔法只是系统。如果你受够了just use LangChain想真正搞懂 AI Agent 到底怎么运转这份课程清单就是起点从 01_basic_llm_chat.md 到 12_telemetry.md一课只加一个新概念代码始终写在同一个 agent/agent.py 里像真实开发一样逐步生长。打开任何一个文件你都会发现——这里没有隐藏逻辑只有可以被读透的系统。赞分享【免费下载链接】agents-from-scratchBuild AI agents from first principles using a local LLM - no frameworks, no cloud APIs, no hidden reasoning.项目地址https://gitcode.com/gh_mirrors/age/agents-from-scratch点击查看免费下载相关推荐防连点与点击回调RecyclerTreeView 的 OnTreeNodeListener 使用全解析防连点与点击回调RecyclerTreeView 的 OnTreeNodeListener 使用全解析在 Android 开发中用 RecyclerTre新手必看5分钟上手TensorSensor的3个实用技巧新手必看5分钟上手TensorSensor的3个实用技巧 TensorSensor是一款专为矩阵代数表达式设计的异常消息增强工具支持numpy、pytorcIce免费Mac菜单栏管理工具三步整理好你的菜单栏Ice免费Mac菜单栏管理工具三步整理好你的菜单栏电池图标只剩 1% 却被藏在刘海底下直到电脑快要睡眠你才发现那些几周前开过一次的 App 图标还占着桌面应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

为什么不用LangChain？agents-from-scratch 第一性原理哲学深度解析

相关推荐

STM32+华为云IoT+Qt：从零搭建智能家居全链路控制系统

Spring Boot动态定时任务：基于数据库配置cron，无需重启实时生效

Spring Boot同名类Bean名冲突全解析：从原理到五套解决方案

更多资讯

分光计调节原理：各调一半法的光学-机械耦合解析

QEMU源码编译实战：可控构建、安全加固与性能调优

ShopNC B2B2C 33hao好商城V4：多商户商城架构、部署与二次开发实战

08cms房产门户多城市版：从部署到模板改造与SEO优化实战

策略模式实战：电商订单折扣引擎设计与落地

2026程序员薪资行情：网络安全成最高溢价赛道

今日更新

防关联浏览器哪个好？三款产品实测差异解析

2026钢铁行业AI转型系统选型对比：多基地排产、大宗原燃料采购与质量追溯，六家厂商能力差异在哪里

影刀RPA深度实战：大模型Fine-tuning定制RPA专用Prompt与指令生成

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？