夜雨聆风最近半年，智能体这个词热到烫手。
Gartner 有组数据，2025 年全球企业应用里嵌入 AI Agent 的比例还不到 5%，到 2026 年底预计冲到 40%。一年 8 倍，云时代之后没见过这么陡的渗透曲线。市场也在疯长，Grand View Research 的数据，全球 AI Agent 市场 2025 年 76 亿美元，2026 年估计 109 亿，BCC Research 预测 2030 年会到 483 亿，年复合增速 43% 以上。
但另一头的数字很打脸。PwC 调查里 79% 的企业说自己已经在用 AI Agent，真正跑在生产环境里的只有 11%。麦肯锡 2025 年全球调查更直白，88% 的企业在至少一个业务职能里用了 AI，可具体到任何一个职能，规模化把 Agent 用起来的比例不超过 10%。Gartner 还预测，到 2027 年底，超过 40% 的智能体项目会被取消。
一边是增速爆表，一边是大面积翻车。
这篇不聊风口，就聊怎么把自己第一个 Agent 搭起来。七步，每一步都能照着做，代码给全，价格给全，数据来源文末列全。看完你会明白，翻车的项目大部分问题出在第一步，任务选错了，后面全白搭。
Agent 到底和聊天机器人差在哪
先把这个概念搞清楚，不然后面全是懵的。
你用过的 ChatGPT、DeepSeek 网页版，本质是一问一答。你发一句话，它回一段字，这一轮结束就结束，它不会主动去查你的邮箱，也不会自己动手改文件。你让它查明天天气，它凭训练数据猜一个，猜错了你还得自己开天气 App。
Agent 不一样。它是一个循环，观察、思考、行动、再观察。你让它查天气，它会自己调天气 API 拿实时数据。你让它把今天的邮件总结成三条，它会自己读邮箱、自己写摘要、自己存文件。大模型在这个循环里只负责一件事，当大脑。工具负责动手，记忆负责记住上下文。
打个比方，聊天机器人是会说话的人，Agent 是带了一整个工具包还会自己拆快递的人。
为什么 2025 年之后这个概念才真正爆。三层原因。模型够聪明了，能稳定完成多步推理。工具接口统一了，MCP 协议让接入成本降了一个数量级。生态成熟了，框架、平台、教程满地都是。三样齐了，Agent 才从实验室走进个人电脑。
这个循环值得你多看两遍，后面所有步骤，选任务、选框架、写代码，全是围绕它展开的。
第一步，选一个值得自动化的小任务
我见过最多的翻车姿势，是一上来就要做全自动运营公司。任务选太大，三个月后项目黄了，钱烧了十几万，留下一个 demo 和一句智能体不行。
正确的姿势反过来，先找一个小而烦的任务。
给你三个我验证过适合新手的选题。第一，日报周报生成器。把零散的工作记录丢给它，让它按格式输出日报，每天省 20 分钟。第二，新闻摘要推送。定时抓取你关注的几个行业消息源，每天早上生成 5 条摘要推给你。第三，个人知识库问答。把你的笔记、文档喂进去，想不起来的事直接问它。
判断标准就三条。重复，每周至少干两次。有规则，不是靠灵感的活。数据拿得到，公开数据或者你自己的数据都行。
有人会说，我就想练手，做不出什么值钱的东西，怎么办。这话我听了太多次。练手项目本来就不需要值钱，它的价值在于让你把整条链路走通一遍，API 怎么调、工具怎么接、日志怎么看。这套手感是通用的，下次做正经项目直接复用。而且说实话，一个小任务做到位，往往比一个大项目停在 demo 阶段有用得多。
顺带说一句，现在跑得最远的 Agent 赛道就是编码助手，因为它完美命中这三条。The Pragmatic Engineer 今年 2 月对 1.5 万名开发者的调查，73% 的工程团队每天用 AI 编码工具，2025 年这个数是 41%。Claude Code 被 46% 的开发者选为「最爱」工具。GitHub 和埃森哲做过一个 95 名开发者的对照实验，用 AI 的组比不用 AI 的组快 55% 完成任务，1 小时 11 分对 2 小时 41 分。选对了任务，Agent 的产出是肉眼可见的。
第二步，选一条技术路线
路线分三档，按你会不会写代码来选。
第一档，零代码平台。字节的 Coze，开源的 Dify，拖拖拽拽就能搭一个工作流 Agent，适合完全没写过代码的人，一晚上能出成品。代价是深度定制费劲，跑量要付费。
第二档，半代码框架。会一点 Python 的话，OpenAI Agents SDK、LangChain 这些能让你用几十行代码搭出自由度更高的 Agent。本文的代码示例走这档。
第三档，全代码编排框架。主流是 LangGraph，用图的方式定义流程，节点、分支、循环全由你控制。Klarna、Uber、LinkedIn 这些公司在生产环境用它。代价是学习曲线陡。
看 GitHub 星数有个反直觉的地方。CrewAI 大概 5.7 万星，AutoGen 6 万星上下，LangGraph 只有 4 万左右，星数最低的反而是不少公司生产环境的首选。星数最高的 AutoGen，微软已经在 2025 年 10 月宣布它进入维护模式，和 Semantic Kernel 合并成了 Microsoft Agent Framework，今年 4 月发布了 1.0 正式版。星数代表历史热度，不代表你今天该选它。
给你的建议很简单。不会写代码，选 Coze 或 Dify。会一点 Python，选 OpenAI Agents SDK。要上生产、要精细控制，选 LangGraph。新项目别碰 AutoGen，官方都让你别碰了。
第三步，注册 API，50 块开跑
Agent 要花钱的地方只有一个，大模型 API。个人项目用 DeepSeek 起步就够了，便宜得夸张。
按 2026 年 8 月官方定价，DeepSeek-V4-Flash 人民币计价，缓存未命中的输入 1 元每百万 token，输出 2 元每百万 token，缓存命中更便宜，0.02 元。对比一下，GPT-5 是 1.25 美元输入加 10 美元输出每百万 token，Claude Sonnet 4.5 是 3 美元加 15 美元。差价一个数量级。
一个 token 大概相当于 0.6 个中文字符。你每天让 Agent 写写日报、查查资料，一天消耗几万 token 顶天了，一个月 API 费几块到几十块人民币。练手成本可以忽略不计。
模型选哪个也给你个判断。写日报、做摘要、查资料这类日常活，选 Flash 就够，又便宜又快。要解复杂问题、做多步推理，再上 Pro 档，输入 3 元每百万 token，输出 6 元，也还是白菜价。新用户注册一般还有免费额度，先把额度用完再充值，别一上来就充大额。
有个动态要提一嘴。DeepSeek 官方 8 月 6 日在官网说计划近期整体上调 API 定价，还搞了峰谷定价，高峰时段价格翻倍。所以本文的价格你读到的时候可能已经变了，动手前扫一眼官网定价页，花不了两分钟。
注册流程就三步。去 platform.deepseek.com 注册，充值，创建 API Key。Key 抄下来存好，下一步写代码要用。
第四步，写出你的第一个 Agent
环境就一行。装好 Python 3.10 以上版本，然后跑
pip install openai最小可运行代码，用 OpenAI 官方 SDK 走 DeepSeek 的兼容接口。这套写法换 OpenAI、通义千问、月之暗面都通用，改三行配置就行
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "system", "content": "你是一个干练的日报助手，输出不超过三条。"},
{"role": "user", "content": "今天：处理客户投诉3起，写完周报初稿，下午开评审会。"},
],
)
print(response.choices[0].message.content)跑通这个，你已经完成了 Agent 最核心的一小步，让模型有了角色。下一步给它加一个循环，让它自己决定接下来干什么，这一步做完，它就和聊天机器人分道扬镳了。循环的写法在下一节。
第五步，给 Agent 装上手
没工具的 Agent 是只会动嘴的军师。装工具的标准做法叫函数调用，英文 function calling。
思路是这样。你写一个普通的 Python 函数查天气，然后把函数签名告诉模型。模型需要查天气时，不自己瞎猜，回一句我要调用这个函数。你的代码执行函数，把结果喂回去，模型再组织语言回答你。一个来回，Agent 就从纸上谈兵变成真动手了
def get_weather(city):
# 这里接真实的天气 API，示例返回固定数据
return f"{city}明天多云，12到18度"
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市明天的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"}
},
"required": ["city"],
},
},
}]工具多了以后，推荐了解一个叫 MCP 的协议，模型上下文协议。它把工具做成标准接口，谁都能接。2025 年 12 月它被捐给 Linux 基金会后涨得飞快，到 2026 年 4 月，MCP 的 SDK 月下载量超过 1.1 亿次，活跃服务器超过 1 万个。浏览器、数据库、文件系统，都有现成的 MCP 服务器可以直接接。
还有记忆。短期记忆就是上下文，把历史对话塞进 messages 就行。长期记忆一般用向量数据库，把你希望它记住的资料存进去，问答时检索最相关的几段喂给模型。新手阶段先把短期记忆用好，够解决大部分问题。
第六步，测试与调优
到了这步，你的 Agent 大概率已经能跑了。但能跑和好用之间，隔着 Gartner 那 40% 的取消率。
那些被取消的项目，共性就几条。任务选太大，干三个月看不到产出。期望错位，把 Agent 当万能员工，没有评估机制，说不清它到底有没有用。成本失控，多 Agent 自由对话烧 token 烧到肉疼。IBM 2025 年的 CEO 调查，只有 25% 的 AI 项目达到了预期回报。跑通的项目也有共性，IDC 和微软的测算，生成式 AI 平均每投入 1 美元能带回 3.7 美元，但前提是那个项目真的在用。
所以测试期就盯三件事。第一，给它 20 个真实任务，手工检查输出质量，别只看一两个 demo。第二，调提示词，给角色、给边界、给格式要求，温度参数往低调，事实类任务调到 0.3 以下。第三，记日志，每次调用的输入输出、token 消耗都留档，出问题能定位。
幻觉这件事必须单独说。斯坦福 HAI 2026 年的报告测了 26 个模型，幻觉率从 22% 到 94% 不等。所有 Agent 的输出，凡是涉及事实、数字、代码的，都要过一道人工验证。现在没有哪个模型值得你无条件信任。
第七步，上线安全三件事
最后一公里最容易翻车的是安全。
第一件，Key 不进代码库。用环境变量或者密钥管理服务存。GitHub 上有大量公开仓库泄露 API Key 的案例，Key 一漏，账单一夜之间可能多出几千块。第二件，限流和额度。给每个用户或者每次任务设上限，DeepSeek 官方给 V4-Flash 的并发上限是 2500，你自己的服务要按预算卡住。第三件，高危动作加人工确认。删数据、发邮件、下单、付款这类动作，Agent 必须先请示再执行。别嫌麻烦，这是生产环境和玩具的分界线。
这三件事做完，你的 Agent 就可以挂上去长期跑了。给个参考，我自己常驻运行的几个小 Agent，日报生成、消息摘要、文档整理，一个月 API 成本加起来不到 50 块人民币。
写在最后
把七步再串一遍。选一个小而烦的任务，按会不会写代码选一条路线，注册个便宜的 API，写个最小程序，装上工具，测试调优，做好安全再上线。
如果你完全没写过代码，只做前三步，用 Coze 或者 Dify 拖一个出来，今晚就能看到效果。如果你会一点 Python，全文照着做，周末两天跑通一个自己的 Agent 没问题。如果你已经在生产环境里踩过坑，第七步那三件事值得你回头补一遍。
最后还是那句判断。风口是真的，数据是真的，但风口属于先跑起来的人。Gartner 说 40% 的项目会死，剩下的 60% 里，第一批都是从小任务开始的人。
你准备把第一个 Agent 用在哪个场景，评论区聊聊，我挑几个有代表性的下篇拆解。觉得有用，点个在看，转给那个还觉得智能体高不可攀的朋友。
**数据来源清单**
Grand View Research，AI Agents Market Size Report 2026
BCC Research，AI Agents Global Market 2025 新闻稿
Gartner 官方新闻稿及 2025 年十大技术趋势报告
PwC 2025 AI Business Survey
McKinsey，The State of AI in 2025
The Pragmatic Engineer 2026 年开发者调查，样本 1.5 万人
GitHub 与 Accenture 对照实验公开报道
DeepSeek 官方定价页及 2026 年 8 月调价公告
IBM 2025 CEO Study
IDC 与 Microsoft GenAI ROI 测算
Stanford HAI 2026 AI Index 报告
MCP 官方数据，Linux Foundation Agentic AI Foundation