一个 AI 智能体有多少是框架的功劳，又有多少其实只是一个循环？

刚开始使用 LangGraph 时，我分不清哪些部分是框架做的，哪些部分是模型做的。为了弄明白，我先在不使用任何框架的情况下搭建了一个购物助手。它有两个工具，一个搜索商品目录，另一个获取单个商品的详细信息。整个智能体就是这个函数：```python def run_agent(user_message, max_steps=6): messages = [ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_message}, ] for step in range(1, max_steps + 1): response = client.chat.completions.create( model=MODEL, messages=messages, tools=TOOL_SCHEMAS, temperature=0.1, extra_body=EXTRA_BODY, # 服务提供商专用；非 NVIDIA 服务留空 ) message = response.choices[0].message messages.append(message) # 记住模型说了什么 # 没有工具调用 -> 模型给出了最终答案。 if not message.tool_calls: return message.content # 否则：运行每个请求调用的工具，将结果反馈回去，继续循环。 for call in message.tool_calls: name = call.function.name args = json.loads(call.function.arguments) result = TOOL_FUNCTIONS[name](**args) messages.append( {"role": "tool", "tool_call_id": call.id, "content": result} ) return "已停止：达到步数上限，仍未获得最终答案。" ``` 模型只会请求调用工具，本身并不执行任何操作。循环负责运行函数，将结果追加为一条消息，然后再次调用模型。当返回的响应中不包含工具调用时，那就是答案。我起初把 max_steps 理解为一道安全保障。实际上，它是一项预算，因为每执行一轮循环，就会发起一次 API 调用。一个需要使用五次工具的问题，要花费六次调用。接着，我用 LangGraph 的 create_agent 构建了同样的智能体。上面的函数变成了三行代码。但在运行结束后打印消息列表，你会看到完全相同的顺序：用户消息、模型请求调用工具、工具结果、最终答案。框架替你运行这个循环，并没有取代它。它真正增加的是记忆。原始循环每次调用都会从一个空消息列表开始，所以先问“给我看看你们的登山靴”，再问“其中哪些是防水的？”，就无法衔接下去。有了检查点保存器，第二个问题就能正常回答。再加上流式输出、重试和追踪，这些都是实实在在的工作，否则就得由你自己实现。我的看法是：亲手写一次循环来理解它，正式交付时再使用框架。如果一开始就用框架，循环对你来说就像魔法，而你没法调试魔法。我把这些内容写进了一篇教程，可以在没有 GPU 的笔记本电脑上运行，对接任何兼容 OpenAI 的端点，包括 Ollama。文章链接在评论区。你是从原始循环开始的，还是从框架开始的？有哪些事情是你希望自己早点知道的？