我们每天都在用各种 AI Agent：用 Cursor 写代码，用 Manus 做各种自动化的事情。那你有没有想过，自己开发一个 AI Agent 产品？

有同学说，直接调大模型不就行了？

你可以想一下，大模型是不是有这些问题：

• 上周和它聊过的消息，它记不住
• 让它访问网页、做点事情，它只能告诉你思路，让你自己动手
• 想让它基于公司内部的私密文档做解答，它根本不知道那是什么
• 问它刚发生的新闻，它也不知道——训练的时候没有这些数据

这些问题的背后，是需要分别给大模型加上 Memory 记忆能力、Tool 工具调用能力、RAG 文档查询能力。

不管大模型怎么发展，这些问题它都没法自己解决：

• 它的记忆总是有限的，需要开发者做 Memory 管理
• 特定领域的工具，需要开发者开发好 Tool 交给它
• 它不知道的私密文档，需要扩展 RAG 知识库查询能力

这些，就是我们要学的 AI 技术，也就是 AI Agent 的开发能力。

Agent 到底是什么

其实就是给大模型扩展 Tool 和 Memory。

大模型本身就会思考、规划：你用 Tool 给它扩展了能力，它就能自动做事情；用 Memory 管理了记忆，它就能记住你想让它记住的东西；再用 RAG 查询内部知识库，它就能获取知识。

这样一个知道内部知识、能思考规划、有记忆、能帮你做事情的"扩展版大模型"，就是一个 Agent。

你每天用的 Cursor 这类 AI IDE，是怎么读写文件、执行命令的？

比如改代码需要读写文件，帮你运行代码需要执行命令。很明显，是扩展了 Tool。

帮你做各种事情的 Manus，是怎么唤起浏览器自动访问网页、执行命令、操作各种软件的？

也是扩展了 Tool。

支付宝里的理财助手，可以帮你分析基金、推荐基金，它是怎么知道这些基金数据的？

肯定不是大模型本身就知道，而是基于 RAG 访问了内部的知识库。

类似这种需要给大模型扩展能力的场景太多了。光会和大模型聊天不行，你得能给它扩展各种能力，才能满足各种 AI 需求。这就是我们学习 AI 技术的目标。

用什么框架：LangChain + LangGraph

那 RAG、Memory、Tool、Agent 这些用什么框架呢？

最常用的就是 LangChain，它对各种能力封装好了 API，可以直接用。我自己在公司做 AI Agent 产品，就是基于 LangChain 开发的。

它有 Python 版和 Node 版，我学的是 Node 版。其实语言是次要的，等你学会了 AI 技术，换语言来写也很简单，逻辑、概念都是一样的。作为前端，用 JS、Node 上手学 AI 更顺滑。

所以我的路线是：用 Node + LangChain + LangGraph 来开发各种 Agent。

• LangChain 用来开发单个 Agent，每个 Agent 做一件事
• 但涉及到多个 Agent 协作，用 LangChain 自己维护多 Agent 的交互就比较麻烦，这时候就要学 LangGraph
• LangGraph 是基于 LangChain 封装、用于多 Agent 交互的框架

AI 全栈：结合后端一起学

学 AI 不要只学用 AI 做一些工具，最好是结合后端技术一起学，也就是 AI 全栈。

因为 AI 代码是在后端跑的，这时候你需要用 Redis 存记忆、用 MySQL 存知识等，这就用到后端知识了。

所以后端 + AI 一起学，做 AI 全栈产品，Node 后端框架用 Nest。

总结

• 给大模型扩展 Tool、Memory、RAG 等能力，让它能去做具体的事情，这就是一个 Agent
• 平时用的 Cursor、Manus 等工具，都是 AI Agent
• 开发单个 Agent 用 LangChain 框架，开发 Multi Agent 用 LangGraph 框架，基于 Node 版来学，学会后面换语言也很简单，API、逻辑都一样
• 结合后端技术一起学，开发 AI 全栈产品，才能让 AI 技术落地到产品里，变成我们的竞争力，吃到这波 AI 时代的红利