外部作品 · 原文链接

费曼学习法，5分钟搞懂Agent

木头人小红书原作者 · Ai 林爻2026/09/28 70 浏览

费曼学习法，5 分钟搞懂 Agent

视频概念拆解与复刻教程

用「招一个实习生」的比喻，讲清 LLM / Workflow / Agent 的区别、Agent 的五大构成，以及 ReAct（推理 + 行动）智能体循环

来源：小红书视频「费曼学习法，5分钟搞懂Agent」· 作者 @Ai 林爻 · 视频竖屏 720×1280、约 6 分 18 秒（378.67 秒）· 拆解与核验日期 2026-09-28

来源与证据说明

原视频：小红书视频「费曼学习法，5分钟搞懂Agent」，作者账号 @Ai 林爻。视频规格为竖屏 720×1280、约 29.99 fps、时长 6 分 18 秒（378.67 秒），本文抽取其中 24 张关键整帧作为配图，均为原视频整帧画面，未做裁切或遮挡。

原视频链接（小红书）：xiaohongshu.com（笔记 6a140aa200000000370343b7）

四层证据声明（本文严格区分）：

· 来源画面事实：视频画面、字幕或截图中能直接观察到的内容（本文以标题、作者、时长、配图整帧等可核验项为准）。

· 创作者披露：作者在视频与配文中明确说明的内容，例如「正在学习 agent 原理与搭建」「免费申请了 Mimo 的 Max 计划」「本视频参考了杰夫老师@杰夫、YouTube 的 Mahesh Yadav 与 Liam Ottley 的讲解」。

· 官方资料：本文在官方页面核验到的定义与论文，包括 ReAct 论文（arXiv 2210.03629，Yao et al., 2022）与 Anthropic《Building effective agents》（2024）对 Workflow 与 Agent 的定义。

· 复刻方案：为让读者真正「搞懂并动手搭一个最小 Agent」而设计的步骤与示例提示词；复刻方案不等于创作者的完整原始流程，也不代表作者一定使用了本文给出的具体实现。

⚠️ 视觉核验重要说明：本教程的 24 张配图均为原视频真实整帧；但本会话的生成环境无法对图片做逐帧目视识别，文中对「画面白板内容」的文字还原，是基于视频标题、作者配文与 Agent 通用知识重建的教学结构，并非逐帧目视核对。请你打开原视频或本文中的整帧图，核对白板文字与图示是否与本文描述一致；如有出入，以原视频为准。

一、结论：一条「概念科普」视频，价值在「讲清楚」，而非「教你点按钮」

一句话结论：这不是一条操作演示教程，而是一条用费曼学习法（用自己的话把复杂概念讲简单）帮你建立 Agent 心智模型的科普视频。它的价值在于让你「听懂 LLM、Workflow、Agent 到底是什么、差在哪」，并理解一个 Agent 由哪几块拼成、它怎么自己「想一步做一步」。

· 核心区分（视频主题）：把三个容易混淆的词拆开——LLM（大模型本身）、Workflow（人写死的流程）、Agent（让 AI 自己决定怎么做）。这是整条视频的主线。

· 记忆锚点（视频用的比喻）：把 Agent 类比成「招了一个数字实习生」，用 LLM 大脑 / 职位说明书 / 记忆 / 外部知识 / 工具五块来拆解它。

· 关键机制（视频点题）：ReAct = Reasoning + Acting（推理 + 行动），即 Agent 在「想 → 做 → 看结果 → 再想」的循环里自己推进任务。

· 可复刻度判断：概念部分「高」（这些是行业通用定义，本文已用官方资料交叉核验）；但「照视频搭出一个能跑的 Agent」为「中」——视频讲原理不交付代码，本文第六节给出我们的复刻实现路线供你落地。

图 1：视频开场标题「费曼学习法，5 分钟搞懂 Agent」，用费曼学习法的思路引入主题。来源：原视频画面（请核对原视频）

二、这条视频在讲什么：用白板把 Agent 讲成人话

来源画面事实 + 创作者披露：作者以「手写白板 + 口播」的形式讲解，核心围绕两个大问题展开——（1）LLM、Workflow、Agent 三者到底有什么区别；（2）一个 Agent 是由哪几部分构成的、它怎么自己干活。作者在配文中说明，这条视频吸收了杰夫老师@杰夫的小红书/视频讲解，以及 YouTube 创作者 Mahesh Yadav、Liam Ottley 的内容，属于「学习笔记式」的二次输出。

维度	这条视频做了什么	它没做什么
形式	白板手写 + 口播，类比化讲解	没有软件界面演示、没有点按钮、没有代码
主线	LLM / Workflow / Agent 三者区别	没有横向评测多个产品
重点	Agent 五大构成 + ReAct 循环	没有交付可运行工程或提示词原文
定位	建立心智模型的概念科普	不是「一步步照做」的操作手册

说明：上表「形式 / 主线 / 重点」为根据标题、作者配文与通用 Agent 课程结构重建的教学概括，因本会话未能逐帧目视，建议你对照原视频核实白板实际写法。

图 2：白板讲解——LLM / Workflow / Agent 三者的核心区别（本节对应画面）。来源：原视频画面

图 3：继续展开三者区别，用箭头示意「谁来决定下一步」的不同。来源：原视频画面

三、核心概念拆解（按视频主线）

3.1 LLM / Workflow / Agent：三个词到底差在哪

这是整条视频的第一根主线。三者的本质区别在「谁来决定执行步骤」：

	LLM（大模型）	Workflow（工作流）	Agent（智能体）
一句话	你问一句、它答一句	人把步骤写死，串起来自动跑	只给目标，它自己决定怎么做
谁决定步骤	没有「步骤」概念	人（开发者）预先设计	LLM 自己动态决定
会不会动手	不会，只产出文字	会（按写死的流程调工具）	会（自己选工具、循环多次）
记忆/上下文	单轮，无持久记忆	看流程设计，通常无	可设计短期+长期记忆
典型例子	聊天、写文案、翻译	会议录音→摘要→发邮件	「帮我做竞品分析」自动拆解执行

（1）LLM = 输入文本 → LLM → 输出文本。它强在理解与生成，但本身「不会动手」、也没有跨轮次的持久记忆。

（2）Workflow = 人预先设计好一串固定节点。例如：会议录音进来 → LLM 生成摘要 → 调用邮件 API → 自动发送。优点是可控、可预测；缺点是流程写死，遇到计划外情况不会自己拐弯。

（3）Agent = 只给初始输入和目标，由 Agent 自己决定「下一步调哪个工具、循环几次、何时算完成」。这是它和 Workflow 最本质的分界：Workflow 的步骤是人写的，Agent 的步骤是 LLM 临场生成的。

官方资料交叉核验（Anthropic《Building effective agents》, 2024）：Anthropic 将 Workflows 定义为「LLM 与工具通过预定义代码路径被编排的系统」，将 Agents 定义为「LLM 动态主导自身流程与工具使用的系统」。这与视频的区分口径一致，可作为权威旁证。

图 4：Workflow 示例——会议记录 → LLM 摘要 → 邮件 → 发送（人预设计的固定流程）。来源：原视频画面

图 5：对比示意——Workflow「步骤写死」vs Agent「自己决定步骤」。来源：原视频画面

3.2 Agent = 招一个「数字实习生」：五大构成

这是整条视频的记忆锚点。作者把 Agent 类比成「招了一个数字实习生」，用五个部分拼出它：

构成	白板里的角色	作用（类比）
① LLM 大脑	实习生的大脑	负责理解、推理、生成文字——所有「思考」发生在这里
② Prompt（职位说明书）	入职时的 JD	你写的系统提示词：你是谁、负责什么、边界在哪
③ Memory（记忆）	实习生的笔记本	记住对话历史与关键事实；视频提到「每 30 秒失忆」指默认无持久记忆，需显式设计
④ External Knowledge（外部知识）	公司资料库	连企业知识库 / RAG，补上模型没训练过的私有信息
⑤ Tools（工具）	配的电脑和账号	让 Agent 能「动手」：调 API、查库、操作浏览器/电脑

要点展开：

· LLM 大脑是「算力与智能」的载体；没有它，后面四块都没法转。

· Prompt 不是普通对话，而是「职位说明书」——界定角色、目标、约束与交付格式，决定 Agent 的行为边界。

· Memory 是很多初学者的坑：视频用「每 30 秒失忆」这种夸张说法，点出默认 Agent 往往没有长期记忆（受上下文窗口限制），需要你主动设计短期上下文 + 长期存储。

· External Knowledge 解决「模型不知道你公司私有信息」的问题，典型做法是用 RAG（检索增强生成）把资料库接进来。

· Tools 是 Agent 与「纯聊天机器人」的分水岭——有了工具，它才从「动嘴」变成「动手」。

图 6：Agent = 招一个实习生的总览类比图（五大构成并列）。来源：原视频画面

图 7：展开「LLM 大脑 + 职位说明书（Prompt）」两块。来源：原视频画面

图 8：展开「Memory 记忆」——视频以「每 30 秒失忆」点出默认无持久记忆。来源：原视频画面

图 9：继续讲记忆机制与上下文窗口的限制。来源：原视频画面

图 10：展开「External Knowledge 外部知识（企业知识库 / RAG）」。来源：原视频画面

图 11：展开「Tools 工具——给 Agent 配电脑与操作权限」。来源：原视频画面

3.3 ReAct = 推理 + 行动：Agent 怎么「自己干活」

这是整条视频的点题机制。ReAct 是 2022 年提出的 Agent 经典框架，核心让 LLM 交替进行「推理（Thought）」和「行动（Action）」：

ReAct 的一次循环（Reasoning + Acting）

Thought（思考）：我先判断「现在还缺什么信息 / 下一步该做什么」

Action（行动）：去调用一个工具——搜索、查数据库、算个数、点一下网页

Observation（观察）：看到工具返回的结果

→ 再 Thought → 再 Action → 再 Observation …… 直到能给出最终答案

这就是 agent loop（智能体循环）：思考 → 行动 → 检查（观察）→ 再思考，循环往复。对比纯 LLM「你问一句它答一句」，ReAct Agent 是「它自己一步步想、一步步做、边做边看结果」。

官方资料交叉核验（ReAct 论文）：Shunyu Yao 等人在论文《ReAct: Synergizing Reasoning and Acting in Language Models》（arXiv 2210.03629，Princeton University 与 Google Research，2022）中正式提出 Reasoning + Acting 的协同框架，本文的循环描述与该论文一致。

视频举例（来源画面事实 / 重建）：作者用「竞品分析」演示这个循环——① 想「我需要对手的产品信息」→ ② 行动：搜索竞品官网 → ③ 观察：拿到页面 → ④ 想「还要看定价」→ ⑤ 行动：再查 → ⑥ 观察 → ⑦ 综合写出分析。

图 12：ReAct = Reasoning + Acting（推理 + 行动）点题画面。来源：原视频画面

图 13：agent loop 循环图——思考 → 行动 → 检查，循环往复。来源：原视频画面

图 14：用「竞品分析」举例，演示循环如何一步步推进。来源：原视频画面

图 15：继续展开竞品分析实例的「思考—行动—观察」链条。来源：原视频画面

四、可复刻度评测与已知限制

概念科普类视频的「复刻」分两层：听懂概念（人人可复刻）、动手搭出能跑的 Agent（需工程实现）。

环节	成本 / 门槛	可复刻度	说明
听懂 LLM/Workflow/Agent 区别	看一遍视频即可	高	行业通用定义，本文已用官方资料交叉核验
理解 Agent 五大构成	看视频 + 对照本文表	高	类比化讲解，记忆成本低
理解 ReAct / agent loop	看视频 + 读论文摘要	高	arXiv 2210.03629 公开可查
照视频搭出能跑的 Agent	需 LLM API + 工具框架 + 代码	中	视频讲原理不交付代码，本文第六节给路线
达到视频的「讲清楚」效果	费曼式表达练习	中	取决于你自己的讲解与类比能力

已知限制：

限制	说明
本会话未能逐帧目视	生成环境无法识别图片，文中白板文字为基于标题/配文/通用知识重建，请核对原视频
视频不交付代码	它讲原理不写工程，复刻实现（第六节）为本文方案，非作者原始流程
比喻不完全严谨	「每 30 秒失忆」是夸张说法；真实 Agent 记忆机制（上下文窗口/RAG/长期存储）更复杂
第三方内容引用	作者参考的杰夫老师@杰夫、Mahesh Yadav、Liam Ottley 为创作者披露，非官方定义
Mimo 与 Agent 无关	作者配文称「免费申请了 Mimo 的 Max 计划」，属创作者学习工具披露，不参与 Agent 讲解

五、动手前准备清单（复刻方案：搭一个最小 Agent）

如果你不只想「听懂」，还想照着搭一个能演示 ReAct 循环的最小 Agent，先备齐这些：

· 一个大模型接口：任意支持工具调用（function calling / tool use）的 LLM API（本文以通用 OpenAI 兼容接口为例，你可换成任意家的模型）。

· 一个运行环境：Python 3.10+，能装 requests / openai 等库即可。

· 至少一个工具：最省事的是「网页搜索」或「读一个 URL」；进阶可接数据库、文件、浏览器。

· （可选）一个知识库：用 RAG 把你的私有文档接进来，对应视频的「External Knowledge」。

· （可选）记忆存储：用文件或向量库存对话历史，对应视频的「Memory」。

说明：以上为本文复刻方案的建议清单，不是视频原清单（视频未列工具），也不构成对任何厂商的推荐。

六、按步骤复刻：搭一个「竞品分析」最小 Agent（复刻方案）

以下用伪代码演示视频里「竞品分析」那类任务的 ReAct 循环实现思路。这是本文的复刻设计，非作者原始代码；接口名以你实际使用的 SDK 为准。

步骤 1：写「职位说明书」（系统提示词 / Prompt）

你是一个竞品分析助手（Agent）。

你的目标：根据用户给的竞品名，自行决定搜索、读取页面、整理信息，

最终输出一份包含「产品定位 / 核心功能 / 定价 / 差异化」的简报。

你可以使用的工具：web_search（搜索）、fetch_url（读取网页）。

规则：每步先写 Thought，再决定 Action；看到 Observation 后继续，直到能给出最终简报。

步骤 2：实现 ReAct 循环（核心伪代码）

history = [系统提示词]

user_task = "分析竞品 X 的定价与核心功能"

history.append({"role":"user","content":user_task})

for step in range(MAX_STEPS): # agent loop

reply = llm.chat(history, tools=[web_search, fetch_url])

if reply.is_final_answer: # Thought 认为已完成

print(reply.content); break

action = reply.choose_tool() # Action：选一个工具

obs = run_tool(action) # 真的去调工具

history.append(thought); history.append(action); history.append(obs) # Observation

步骤 3：定义工具（让 Agent 能「动手」）

def web_search(query): return 搜索接口返回的摘要列表

def fetch_url(url): return 该网页的正文文本

# Tools 就是视频说的「给实习生配的电脑和账号权限」

预期结果：运行后你会看到 Agent 自己打印出一串 Thought → Action → Observation，最后吐出一份竞品简报——这正是视频想让你「懂」的那件事。

失败排查：

· Agent 一直不调工具、直接瞎答：检查系统提示词是否明确「可用工具清单」与「先想后做」的指令。

· 工具返回空 / 报错：多半是 API key、网络或参数问题，先单独跑工具函数验证。

· 循环停不下来（超步数）：在提示词里加「最多调查 N 轮就必须给结论」，或调小 MAX_STEPS。

· 回答跑题：收紧职位说明书里的「目标与边界」，必要时加示例（few-shot）。

图 16：回到「Agent 五大构成」总览，对照理解代码里每块对应什么。来源：原视频画面

图 17：强调「Tools 让 Agent 从动嘴到动手」。来源：原视频画面

七、可复制的提示词与输入（标注来源）

下表区分三类内容，避免把「我们的示例」误当成「视频原文」：

类型	内容	说明
视频主题（创作者披露）	「费曼学习法，5 分钟搞懂 Agent」	标题原文，作者 @Ai 林爻
视频参考源（创作者披露）	杰夫老师@杰夫、Mahesh Yadav、Liam Ottley	作者在配文中列的学习素材
示例职位说明书（我们的复刻提示词）	见第六节步骤 1	本文设计，用于演示，非作者原文
示例循环代码（我们的复刻方案）	见第六节步骤 2–3	本文设计，接口以你实际 SDK 为准