渐进式演进路线图 (Full Roadmap)

Tiny Agent 坚信“最好的学习方式是亲手构建”。为了避免一上来就面对复杂的完整系统，本项目将 Agent 的核心能力拆解到不同的 Git Tag 中。

注：你可以通过 git checkout 命令切换到任意版本进行独立运行和源码研读。如 git checkout v0.3 将切换到 RAG 版本。

第一阶段：模型基础与全栈通信

[v0.1] Hello LLM（你好，大模型）

• 定位：项目起步，跑通最基础的闭环。
• 核心能力：学习如何配置和初始化大语言模型（LLM）SDK，实现单轮文本输入与输出。
• UI演进：无前端 UI，纯 CLI 终端交互，方便开发者聚焦后端网络请求本身。

[v0.2] Streaming Web（流式 Web 输出）

• 定位：从 CLI 迈向实时响应的浏览器交互。
• 核心能力：搭建最小后端服务与前端页面，通过 SSE 协议实现 LLM 流式输出的实时渲染。
• UI演进：引入极简 Web页面 （输入框 + 发送按钮 + 结果展示区），动态解析并逐字打印流式文本。

[v0.3] Multi-turn Chat（多轮对话）

• 定位：从“一问一答”走向“连续对话”。
• 核心能力：理解 Message Protocol 的设计（System / User / Assistant），设计 Chat History 数据结构，实现多轮连续对话。
• UI演进：增加消息列表，可保留对话历史，支持连续追问。

[v0.4] Structured Output（结构化输出）

• 定位：从自然语言输出，演进到可被程序可靠消费的结构化输出。
• 核心能力：引入Prompt Template、Structured Outputs、JSON Schema 等现代 LLM 交互方式，以及Temperature参数。
• UI演进：对话框支持JSON等特殊格式渲染。

第二阶段：外部知识与规划行动

[v0.5] Basic RAG（基础检索增强生成）

• 定位：为模型提供可检索的外部知识库，降低无依据生成的概率。
• 核心能力：对接 Embedding 模型，构建内存简易向量库，实现文档读取、文本切分、向量化与本地检索，打通「切片 → 检索 → Prompt 拼装 → 生成」的最简闭环链路。
• UI演进：对话框中支持显示文档引用来源。

[v0.6] Tool Calling（工具调用）

• 定位：赋予 Agent 改变世界、连接外部系统的双手。
• 核心能力：深入 Function Calling 原理，学习工具声明、参数生成、本地函数执行以及工具结果回填，理解 LLM 如何调用外部能力；加入最小安全机制。
• UI演进：在对话流中展示 Tool 的调用信息（参数 → 调用状态 → 返回结果）。

[v0.7] Agent Loop（智能体循环）

• 定位：从被动调用工具到自主思考。
• 核心能力：手写 ReAct 范式核心循环（Thought → Action → Observation），让 Agent 能够自主感知复杂任务、调用工具，并加入最大步数限制与 Token 防御机制。
• UI演进：工具调用模式演变为智能体模式；对话流展示 Agent 的执行步骤，展示每一轮的思考决策、工具调用决策以及返回的观察结果。