构建一个能够调用大模型的应用并不难，但当模型开始自主选择工具、根据执行结果决定下一步，甚至把任务交给另一个 Agent 时，程序的执行逻辑正在发生变化：下一步执行什么，不再完全由开发者预先写在代码里。
那么，一个 AI Agent 到底是如何运行的？模型如何知道有哪些工具可以使用，又如何决定什么时候调用哪个工具？Tool 的执行结果如何重新进入上下文并影响下一轮决策？当单个 Agent 无法完成复杂任务时，又该如何将能力拆分并组合成多个 Agent 协作？
本议题将以开源 Strands Agents SDK 为实践框架，通过 Python 代码和实际 Demo，从执行机制出发拆解 AI Agent 的核心工作方式：
Agent Loop：谁决定下一步？从一次模型调用出发，拆解推理、行动、观察和下一轮决策形成的动态执行循环，理解 Agent 与传统固定控制流应用的区别。
Tool Calling：从函数调用到自主工具选择。分析一个普通函数如何成为 Agent 可以理解和调用的 Tool，以及 Tool schema、上下文和执行结果如何共同影响模型的下一步行动。
从本地 Tool 到 MCP。展示如何通过 MCP 将 Agent 的能力从本地函数扩展到外部工具与服务，并理解 MCP 在 Agent 执行循环中的位置。
从 Tool 到 Agent：组合与多 Agent 协作。探索 Agent-as-Tool 等组合方式，以及不同角色的 Agent 如何通过委托与协作完成单个 Agent 难以完成的复杂任务。
看见 Agent 的执行过程。结合 hooks、tracing 与 observability，观察模型做出了什么决策、调用了什么工具，以及任务如何在 Agent 和 Tool 之间流转。
这不是一次 Agent 框架 API 的功能介绍，而是希望通过真实代码打开 Agent 的“黑盒”：理解模型、代码、工具和其他 Agent 如何共同决定系统的下一步行动。
听众将建立一套理解 Agent 执行机制的清晰心智模型，并掌握如何使用 Python 将函数、外部工具和多个 Agent 组合成能够自主完成任务的智能体应用。