1. 从 GAIA 评测看通用智能体Manus 到底解决了什么问题GAIA 这个基准测试可能很多做应用开发的朋友还没仔细研究过。它和传统的 NLP 评测集不一样不是让模型做单选题或者生成一段文本就完事而是设计了几百道需要多步骤推理、工具调用、信息检索和结果整合的任务。比如“查一下某家公司过去三年的营收变化结合行业平均增速判断它是否值得投资”——这种任务人类做起来要开好几个网页、算半天而 GAIA 就是用来衡量 AI Agent 能不能独立完成这类复杂链路的。Manus 在 GAIA 三个难度级别上都拿到了当时的最好成绩这件事的意义不在于刷榜本身而在于它验证了一条路径通用智能体不一定要等一个“超级模型”出现通过合理的任务规划、工具编排和多智能体协作现有模型的能力可以被放大到解决真实问题的程度。我试过把类似的任务拆解给单个大模型直接做结果往往是中间步骤丢失、工具调用格式错误、或者干脆编造数据。而 Agent 架构的核心价值就是把这些步骤显式地管理起来。具体来说Manus 展示的能力链路大致是这样的用户给一个高层目标比如“帮我分析特斯拉股票并生成报告”Agent 会先做任务分解——拉取财报数据、计算关键指标、对比竞品、生成图表、撰写分析文本。每一步可能调用不同的工具浏览器自动化、Python 执行环境、文件读写、甚至部署一个临时网站来展示结果。这些工具不是硬编码的流水线而是由模型根据当前状态动态选择和编排的。这对开发者的启发是什么你不需要从头训练一个模型也不需要自己实现虚拟机调度。你需要的是一个稳定的 API 入口把模型调用、工具定义和任务循环串起来。下面我会结合 TaoToken 的接入方式给出一个可复制的 Agent 配置模板让你在本地就能跑通一个简化版的通用智能体链路。2. TaoToken 前置准备API Key 与模型选型在动手写 Agent 循环之前你需要一个能稳定调用大模型的入口。TaoToken 提供了兼容 OpenAI 接口规范的 API这意味着你可以用熟悉的openaiPython 包或者curl直接发起请求不需要改太多代码。对于 Agent 场景来说这一点很关键——因为 Agent 框架通常已经内置了对 OpenAI 格式的支持你只需要把base_url和api_key换掉就行。先到官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号然后在控制台里创建一个 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 进去之后找到 API Keys 页面点新建复制那串以sk-开头的密钥。注意不要把它提交到 Git 仓库里本地测试可以用环境变量。模型选型方面Agent 任务对模型的指令遵循能力和工具调用格式要求比较高。如果你要做复杂的多步规划建议选 Claude 系列或者 GPT-4 级别的模型如果只是做简单的工具调用验证用轻量模型也能跑通。TaoToken 的模型列表在文档里有你可以到 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 查看当前支持的模型 ID。我实测下来Claude 在长链路任务里的稳定性更好一些不容易在中途丢失上下文。拿到 Key 之后先做一次最简单的连通性测试。用curl发一个 chat completions 请求export TAOTOKEN_API_KEYsk-你的密钥 curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: claude-3-5-sonnet-20241022, messages: [{role: user, content: 回复 OK}], max_tokens: 10 }如果返回的 JSON 里有choices[0].message.content且内容是 “OK”说明 Key 和网络都没问题。这一步看起来简单但很多后续报错其实都是因为 Key 没配好或者模型 ID 写错了。建议先把这一步跑通再往下走。3. 可复制的 Agent 配置模板settings.json 与工具定义现在进入核心部分。我要给的是一个最小可用的 Agent 配置模板包含模型接入信息、工具定义和任务循环的伪代码。你可以把它保存为agent_settings.json然后在 Python 脚本里读取。{ llm: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, model_id: claude-3-5-sonnet-20241022, max_tokens: 4096, temperature: 0.2 }, agent: { max_iterations: 15, tool_choice: auto, system_prompt: 你是一个通用任务执行助手。你可以使用以下工具web_search、python_exec、file_write。每次只调用一个工具等待结果后再决定下一步。任务完成后输出 FINAL_ANSWER: 加上最终结果。 }, tools: [ { type: function, function: { name: web_search, description: 搜索互联网获取实时信息, parameters: { type: object, properties: { query: {type: string, description: 搜索关键词} }, required: [query] } } }, { type: function, function: { name: python_exec, description: 执行 Python 代码并返回输出, parameters: { type: object, properties: { code: {type: string, description: 要执行的 Python 代码} }, required: [code] } } }, { type: function, function: { name: file_write, description: 将内容写入本地文件, parameters: { type: object, properties: { path: {type: string, description: 文件路径}, content: {type: string, description: 文件内容} }, required: [path, content] } } } ] }这个配置里base_url指向 TaoToken 的 API 地址api_key_env告诉脚本从环境变量读取密钥避免硬编码。model_id你可以根据实际需要换成其他模型。tools数组定义了三个基础工具搜索、执行代码、写文件。Agent 循环的逻辑是把用户任务和工具定义一起发给模型模型返回tool_calls就执行对应工具把结果追加到消息历史里再次调用模型直到模型输出FINAL_ANSWER或者达到最大迭代次数。如果你用的是 Claude Code 或者 Cline 这类工具配置方式略有不同。以 Cline 的 MCP 配置为例你需要在cline_mcp_settings.json里加上{ mcpServers: { taotoken-agent: { command: npx, args: [-y, modelcontextprotocol/server-everything], env: { OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的密钥, OPENAI_MODEL: claude-3-5-sonnet-20241022 } } } }注意这里的三件套Base URL、Key、Model ID 必须同时出现且一致。我踩过的坑是只改了 Base URL 没改 Model ID结果请求发到了 TaoToken 但模型名还是 OpenAI 的旧名字直接返回 404。所以无论你用哪种框架先把这三个值对齐。4. 本地验证跑通一个多步任务并观察工具调用链路配置写好了接下来跑一个真实的多步任务来验证。我选的任务是“搜索 2025 年 GAIA 基准测试的最新排名用 Python 计算前三名得分的平均值然后把结果写入 result.txt。”在 Python 脚本里核心循环大概长这样import json, os, subprocess from openai import OpenAI client OpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY] ) with open(agent_settings.json) as f: cfg json.load(f) messages [ {role: system, content: cfg[agent][system_prompt]}, {role: user, content: 搜索 2025 年 GAIA 基准测试的最新排名用 Python 计算前三名得分的平均值然后把结果写入 result.txt。} ] for i in range(cfg[agent][max_iterations]): resp client.chat.completions.create( modelcfg[llm][model_id], messagesmessages, toolscfg[tools], tool_choicecfg[agent][tool_choice], temperaturecfg[llm][temperature] ) msg resp.choices[0].message messages.append(msg) if msg.tool_calls: for tc in msg.tool_calls: fn tc.function.name args json.loads(tc.function.arguments) if fn web_search: result f模拟搜索结果GAIA 排名前三为 Manus 82.1, OpenAI Deep Research 78.5, AutoGPT 71.3 elif fn python_exec: result str(eval(args[code])) if sum in args[code] else 执行完成 elif fn file_write: with open(args[path], w) as out: out.write(args[content]) result f已写入 {args[path]} messages.append({ role: tool, tool_call_id: tc.id, content: result }) else: print(最终输出, msg.content) break实际运行时你会看到模型先调用web_search拿到搜索结果后调用python_exec计算平均值最后调用file_write写入文件。每一步的tool_calls和tool消息都会出现在日志里。如果模型直接输出了FINAL_ANSWER说明它认为任务已经完成。验证成功的标志是本地目录下出现了result.txt内容里包含计算出的平均值。同时控制台打印出了完整的工具调用链路。这个过程和 Manus 展示的“任务规划→工具调用→结果交付”是同一个逻辑只是规模小很多。你可以把工具换成更复杂的实现比如真实的搜索 API、数据库连接、或者部署脚本Agent 循环本身不需要改。5. 常见报错排查401、local proxy failed、reading choices、OAuth在接入和调试过程中有几个报错几乎每个人都会遇到。我整理了一下对照表方便你快速定位。401 Unauthorized最常见的原因是 API Key 没传对。检查三件事环境变量TAOTOKEN_API_KEY是否真的被导出用echo $TAOTOKEN_API_KEY确认请求头里是不是Bearer加空格再加 KeyKey 本身有没有复制完整有时候复制会漏掉末尾字符。如果用的是 Cline 或 Claude Code检查配置文件里的OPENAI_API_KEY字段名是否正确有些工具要求用apiKey而不是OPENAI_API_KEY。local proxy failed这个报错通常出现在你本地开了某些网络工具但配置不对的时候。TaoToken 的 API 地址是直接可访问的不需要额外代理。如果你看到这个错误先检查base_url是不是写成了https://taotoken.net/api而不是其他地址。另外某些 Python 环境会读取HTTP_PROXY环境变量如果之前设置过用unset HTTP_PROXY HTTPS_PROXY清掉再试。reading choices 报错完整报错一般是KeyError: choices或者list index out of range。这说明 API 返回的 JSON 里没有choices字段通常是请求本身失败了但代码没处理异常。建议在调用后先打印resp的原始内容看看是不是返回了{error: {message: ...}}。常见原因包括模型 ID 不存在、请求体格式错误、或者账户余额不足。OAuth 相关报错如果你用的是 Claude Code 或者某些需要 OAuth 登录的工具可能会看到OAuth token expired或invalid_grant。这类工具通常有自己的认证流程和 API Key 是两套体系。解决办法是重新执行登录命令或者在工具设置里切换到 API Key 模式。以 Claude Code 为例你可以在~/.claude/settings.json里配置{ apiKey: sk-你的密钥, baseUrl: https://taotoken.net/api, model: claude-3-5-sonnet-20241022 }注意baseUrl不要加/v1有些工具会自动拼接路径。如果加了/v1导致 404去掉再试。排查的时候有一个通用技巧先用curl手动发一个最小请求确认 API 本身是通的然后再排查框架配置。这样能把问题范围缩小到“是 API 问题还是代码问题”。6. 从评测到落地Agent 开发的下一步跑通上面的最小循环之后你可能会想这离 Manus 那种通用智能体还差多远我的体会是差在工具生态和任务记忆上。Manus 之所以能处理选房、股票分析、网站部署这些跨领域任务是因为它背后有大量预置的工具连接器和状态管理机制。但核心循环是一样的模型规划、工具执行、结果反馈、继续规划。如果你想继续深入可以从两个方向扩展。一是增加工具种类比如接入真实的搜索 API、数据库查询、邮件发送、甚至调用其他 Agent 作为子任务处理器。二是引入持久化记忆把每次任务的历史和中间结果存到向量数据库里下次遇到类似任务可以直接复用。TaoToken 的 API 兼容性让你可以自由选择模型不同任务用不同模型成本和质量可以自己平衡。对于长期做编码或 Agent 开发的场景可以考虑用 Coding Plan 来管理调用额度地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你只是想先验证模型效果可以直接到模型对话页面 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 手动测试几个任务拆解提示词。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各语言的示例代码和模型列表。最后说一个实用技巧在写 Agent 的 system prompt 时明确要求模型“每次只调用一个工具等待结果后再决定下一步”。这个约束能大幅减少模型一次性返回多个工具调用导致的混乱。另外把max_iterations设成 10 到 15 之间既能覆盖大多数多步任务又不会因为死循环烧掉太多 token。这些细节在真实项目里比模型选型更影响最终效果。
1. 从 GAIA 评测看通用智能体Manus 到底解决了什么问题GAIA 这个基准测试可能很多做应用开发的朋友还没仔细研究过。它和传统的 NLP 评测集不一样不是让模型做单选题或者生成一段文本就完事而是设计了几百道需要多步骤推理、工具调用、信息检索和结果整合的任务。比如“查一下某家公司过去三年的营收变化结合行业平均增速判断它是否值得投资”——这种任务人类做起来要开好几个网页、算半天而 GAIA 就是用来衡量 AI Agent 能不能独立完成这类复杂链路的。Manus 在 GAIA 三个难度级别上都拿到了当时的最好成绩这件事的意义不在于刷榜本身而在于它验证了一条路径通用智能体不一定要等一个“超级模型”出现通过合理的任务规划、工具编排和多智能体协作现有模型的能力可以被放大到解决真实问题的程度。我试过把类似的任务拆解给单个大模型直接做结果往往是中间步骤丢失、工具调用格式错误、或者干脆编造数据。而 Agent 架构的核心价值就是把这些步骤显式地管理起来。具体来说Manus 展示的能力链路大致是这样的用户给一个高层目标比如“帮我分析特斯拉股票并生成报告”Agent 会先做任务分解——拉取财报数据、计算关键指标、对比竞品、生成图表、撰写分析文本。每一步可能调用不同的工具浏览器自动化、Python 执行环境、文件读写、甚至部署一个临时网站来展示结果。这些工具不是硬编码的流水线而是由模型根据当前状态动态选择和编排的。这对开发者的启发是什么你不需要从头训练一个模型也不需要自己实现虚拟机调度。你需要的是一个稳定的 API 入口把模型调用、工具定义和任务循环串起来。下面我会结合 TaoToken 的接入方式给出一个可复制的 Agent 配置模板让你在本地就能跑通一个简化版的通用智能体链路。2. TaoToken 前置准备API Key 与模型选型在动手写 Agent 循环之前你需要一个能稳定调用大模型的入口。TaoToken 提供了兼容 OpenAI 接口规范的 API这意味着你可以用熟悉的openaiPython 包或者curl直接发起请求不需要改太多代码。对于 Agent 场景来说这一点很关键——因为 Agent 框架通常已经内置了对 OpenAI 格式的支持你只需要把base_url和api_key换掉就行。先到官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号然后在控制台里创建一个 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 进去之后找到 API Keys 页面点新建复制那串以sk-开头的密钥。注意不要把它提交到 Git 仓库里本地测试可以用环境变量。模型选型方面Agent 任务对模型的指令遵循能力和工具调用格式要求比较高。如果你要做复杂的多步规划建议选 Claude 系列或者 GPT-4 级别的模型如果只是做简单的工具调用验证用轻量模型也能跑通。TaoToken 的模型列表在文档里有你可以到 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 查看当前支持的模型 ID。我实测下来Claude 在长链路任务里的稳定性更好一些不容易在中途丢失上下文。拿到 Key 之后先做一次最简单的连通性测试。用curl发一个 chat completions 请求export TAOTOKEN_API_KEYsk-你的密钥 curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: claude-3-5-sonnet-20241022, messages: [{role: user, content: 回复 OK}], max_tokens: 10 }如果返回的 JSON 里有choices[0].message.content且内容是 “OK”说明 Key 和网络都没问题。这一步看起来简单但很多后续报错其实都是因为 Key 没配好或者模型 ID 写错了。建议先把这一步跑通再往下走。3. 可复制的 Agent 配置模板settings.json 与工具定义现在进入核心部分。我要给的是一个最小可用的 Agent 配置模板包含模型接入信息、工具定义和任务循环的伪代码。你可以把它保存为agent_settings.json然后在 Python 脚本里读取。{ llm: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, model_id: claude-3-5-sonnet-20241022, max_tokens: 4096, temperature: 0.2 }, agent: { max_iterations: 15, tool_choice: auto, system_prompt: 你是一个通用任务执行助手。你可以使用以下工具web_search、python_exec、file_write。每次只调用一个工具等待结果后再决定下一步。任务完成后输出 FINAL_ANSWER: 加上最终结果。 }, tools: [ { type: function, function: { name: web_search, description: 搜索互联网获取实时信息, parameters: { type: object, properties: { query: {type: string, description: 搜索关键词} }, required: [query] } } }, { type: function, function: { name: python_exec, description: 执行 Python 代码并返回输出, parameters: { type: object, properties: { code: {type: string, description: 要执行的 Python 代码} }, required: [code] } } }, { type: function, function: { name: file_write, description: 将内容写入本地文件, parameters: { type: object, properties: { path: {type: string, description: 文件路径}, content: {type: string, description: 文件内容} }, required: [path, content] } } } ] }这个配置里base_url指向 TaoToken 的 API 地址api_key_env告诉脚本从环境变量读取密钥避免硬编码。model_id你可以根据实际需要换成其他模型。tools数组定义了三个基础工具搜索、执行代码、写文件。Agent 循环的逻辑是把用户任务和工具定义一起发给模型模型返回tool_calls就执行对应工具把结果追加到消息历史里再次调用模型直到模型输出FINAL_ANSWER或者达到最大迭代次数。如果你用的是 Claude Code 或者 Cline 这类工具配置方式略有不同。以 Cline 的 MCP 配置为例你需要在cline_mcp_settings.json里加上{ mcpServers: { taotoken-agent: { command: npx, args: [-y, modelcontextprotocol/server-everything], env: { OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的密钥, OPENAI_MODEL: claude-3-5-sonnet-20241022 } } } }注意这里的三件套Base URL、Key、Model ID 必须同时出现且一致。我踩过的坑是只改了 Base URL 没改 Model ID结果请求发到了 TaoToken 但模型名还是 OpenAI 的旧名字直接返回 404。所以无论你用哪种框架先把这三个值对齐。4. 本地验证跑通一个多步任务并观察工具调用链路配置写好了接下来跑一个真实的多步任务来验证。我选的任务是“搜索 2025 年 GAIA 基准测试的最新排名用 Python 计算前三名得分的平均值然后把结果写入 result.txt。”在 Python 脚本里核心循环大概长这样import json, os, subprocess from openai import OpenAI client OpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY] ) with open(agent_settings.json) as f: cfg json.load(f) messages [ {role: system, content: cfg[agent][system_prompt]}, {role: user, content: 搜索 2025 年 GAIA 基准测试的最新排名用 Python 计算前三名得分的平均值然后把结果写入 result.txt。} ] for i in range(cfg[agent][max_iterations]): resp client.chat.completions.create( modelcfg[llm][model_id], messagesmessages, toolscfg[tools], tool_choicecfg[agent][tool_choice], temperaturecfg[llm][temperature] ) msg resp.choices[0].message messages.append(msg) if msg.tool_calls: for tc in msg.tool_calls: fn tc.function.name args json.loads(tc.function.arguments) if fn web_search: result f模拟搜索结果GAIA 排名前三为 Manus 82.1, OpenAI Deep Research 78.5, AutoGPT 71.3 elif fn python_exec: result str(eval(args[code])) if sum in args[code] else 执行完成 elif fn file_write: with open(args[path], w) as out: out.write(args[content]) result f已写入 {args[path]} messages.append({ role: tool, tool_call_id: tc.id, content: result }) else: print(最终输出, msg.content) break实际运行时你会看到模型先调用web_search拿到搜索结果后调用python_exec计算平均值最后调用file_write写入文件。每一步的tool_calls和tool消息都会出现在日志里。如果模型直接输出了FINAL_ANSWER说明它认为任务已经完成。验证成功的标志是本地目录下出现了result.txt内容里包含计算出的平均值。同时控制台打印出了完整的工具调用链路。这个过程和 Manus 展示的“任务规划→工具调用→结果交付”是同一个逻辑只是规模小很多。你可以把工具换成更复杂的实现比如真实的搜索 API、数据库连接、或者部署脚本Agent 循环本身不需要改。5. 常见报错排查401、local proxy failed、reading choices、OAuth在接入和调试过程中有几个报错几乎每个人都会遇到。我整理了一下对照表方便你快速定位。401 Unauthorized最常见的原因是 API Key 没传对。检查三件事环境变量TAOTOKEN_API_KEY是否真的被导出用echo $TAOTOKEN_API_KEY确认请求头里是不是Bearer加空格再加 KeyKey 本身有没有复制完整有时候复制会漏掉末尾字符。如果用的是 Cline 或 Claude Code检查配置文件里的OPENAI_API_KEY字段名是否正确有些工具要求用apiKey而不是OPENAI_API_KEY。local proxy failed这个报错通常出现在你本地开了某些网络工具但配置不对的时候。TaoToken 的 API 地址是直接可访问的不需要额外代理。如果你看到这个错误先检查base_url是不是写成了https://taotoken.net/api而不是其他地址。另外某些 Python 环境会读取HTTP_PROXY环境变量如果之前设置过用unset HTTP_PROXY HTTPS_PROXY清掉再试。reading choices 报错完整报错一般是KeyError: choices或者list index out of range。这说明 API 返回的 JSON 里没有choices字段通常是请求本身失败了但代码没处理异常。建议在调用后先打印resp的原始内容看看是不是返回了{error: {message: ...}}。常见原因包括模型 ID 不存在、请求体格式错误、或者账户余额不足。OAuth 相关报错如果你用的是 Claude Code 或者某些需要 OAuth 登录的工具可能会看到OAuth token expired或invalid_grant。这类工具通常有自己的认证流程和 API Key 是两套体系。解决办法是重新执行登录命令或者在工具设置里切换到 API Key 模式。以 Claude Code 为例你可以在~/.claude/settings.json里配置{ apiKey: sk-你的密钥, baseUrl: https://taotoken.net/api, model: claude-3-5-sonnet-20241022 }注意baseUrl不要加/v1有些工具会自动拼接路径。如果加了/v1导致 404去掉再试。排查的时候有一个通用技巧先用curl手动发一个最小请求确认 API 本身是通的然后再排查框架配置。这样能把问题范围缩小到“是 API 问题还是代码问题”。6. 从评测到落地Agent 开发的下一步跑通上面的最小循环之后你可能会想这离 Manus 那种通用智能体还差多远我的体会是差在工具生态和任务记忆上。Manus 之所以能处理选房、股票分析、网站部署这些跨领域任务是因为它背后有大量预置的工具连接器和状态管理机制。但核心循环是一样的模型规划、工具执行、结果反馈、继续规划。如果你想继续深入可以从两个方向扩展。一是增加工具种类比如接入真实的搜索 API、数据库查询、邮件发送、甚至调用其他 Agent 作为子任务处理器。二是引入持久化记忆把每次任务的历史和中间结果存到向量数据库里下次遇到类似任务可以直接复用。TaoToken 的 API 兼容性让你可以自由选择模型不同任务用不同模型成本和质量可以自己平衡。对于长期做编码或 Agent 开发的场景可以考虑用 Coding Plan 来管理调用额度地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你只是想先验证模型效果可以直接到模型对话页面 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 手动测试几个任务拆解提示词。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各语言的示例代码和模型列表。最后说一个实用技巧在写 Agent 的 system prompt 时明确要求模型“每次只调用一个工具等待结果后再决定下一步”。这个约束能大幅减少模型一次性返回多个工具调用导致的混乱。另外把max_iterations设成 10 到 15 之间既能覆盖大多数多步任务又不会因为死循环烧掉太多 token。这些细节在真实项目里比模型选型更影响最终效果。
