Learning Map
1
Model
Model
初始化模型、发送消息、读取响应，是后续所有 Agent 能力的基础。
2
Prompt
Prompt
通过 system prompt、few-shot 和结构化输出提高模型可靠性。
3
Tools
Tools
把 Python 函数、Web Search 和多模态输入接入 Agent。
4
Memory
Memory
用 checkpointer 和 thread_id 让对话跨轮保持上下文。
5
Project
Project
把前面能力组合成 Personal Chef 这类完整应用。
Lesson Summary
1
1.1a Foundational Models
点击进入讲解页
模型初始化、HumanMessage/AIMessage、基础 invoke 流程。
- init_chat_model
- messages
- response
2
1.1b Prompting
点击进入讲解页
system prompt、few-shot、结构化提示和 Pydantic 输出。
- system_prompt
- few-shot
- structured output
3
1.2a Tools
点击进入讲解页
@tool、工具描述、Agent 如何决定是否调用工具。
- @tool
- tool calls
- Agent
4
1.2b Web Search
点击进入讲解页
用搜索工具补充实时外部知识，并让 Agent 汇总结果。
- Tavily
- search
- external knowledge
5
1.3 Memory
点击进入讲解页
用 checkpointer 和 thread_id 建立多轮对话记忆。
- memory
- thread_id
- checkpointer
6
1.4 Multimodal
点击进入讲解页
让消息携带图片等多模态内容，扩展模型输入形态。
- image input
- content blocks
- vision
7
1.5 Personal Chef
点击进入讲解页
综合模型、提示、工具和记忆，构建个人厨师 Agent。
- project
- recipe
- agent workflow
Completion Criteria
- 能用自己的话解释本模块每个 lesson 解决的问题。
- 能指出每个示例中的关键 API，以及它在 Agent 工作流中的位置。
- 能把本模块能力迁移到一个新的小型 Agent 任务里。