datawhale_aagentbook_T0_打卡

Task 0 打卡（Chapter 1 · 环境准备与实验 1-1）

完成时间 2026-09-13。

环境准备

照仓库 README 的流程走的。机器是 Windows，Python 3.13.14，用 uv 0.9.18 装依赖，仓库自带 uv.lock，版本可复现。

仓库用 sparse-checkout 检出，只留实验要用的部分（chapter1~10、agentbook 共享包、docs 和根配置），书稿看中文版 book/ 和官方 PDF。中间踩了个坑，浅克隆中断过一次，工作树缺了一万多个文件，后来用 git fetch --refetch 全量补齐 blob 再 checkout 修好的。

依赖安装 uv sync --locked --extra ch1，一次通过。之后配了根目录 .env 和 chapter1/context/.env，填了 DeepSeek 的 Key（主力）和 OpenRouter 的 Key（兜底），先用 --help 验证入口能跑。

实验过程

实验 1-1（chapter1/context），模型 deepseek-v4-flash。任务是把 1000 美元换算成欧元、英镑、日元再求平均。这个任务必须调汇率和计算工具，正好能看出上下文缺一块之后 Agent 会变成什么样。

# 第一轮，single 模式验证链路
uv run python chapter1/context/main.py --mode single --provider deepseek --context-mode full --task "Convert $1000 USD to EUR, GBP, and JPY. Calculate the average." --output runs/task0_first_run.json

# 第二轮，main.py 五组消融先看个大概
uv run python chapter1/context/main.py --mode ablation --provider deepseek --cases 1 --output runs/task0_ablation.json

# 第三轮，官方验收脚本，按书中实验 1-1 的原始设定重跑
uv run python chapter1/context/run_experiment_1_1.py --provider deepseek

验收脚本和演示版的区别在于每次 API 请求和响应都会原文落盘（脱敏），任务固定用 guarded 版（提示词里有一句「不要自行估算汇率」），隐藏工具结果的方式是直接置空，不告诉模型结果被动过。

结果

完整上下文那组答案是对的，€920.00、£790.00、¥149,500.00，还主动说明混合货币求平均没有实际意义。

验收级运行的五组对照。

上下文模式	结果	我观察到的现象
full	correct	正常完成
no_history	no_terminal_response	跑满迭代上限，一直重复换算
no_reasoning	correct	和基线差不多，没看出退化
no_tool_calls	no_unsupported_numbers	没工具定义，发不出工具调用
no_tool_results	no_terminal_response	触顶，但没有编数字

四个验收项全过（five_arms 齐全、context_contracts 全过、真实 API 留证、运行被接受），证据已写入 chapter1/context/validation/latest.json（created_at 2026-09-13，SHA-256 85f476ff 开头），完整请求响应在 real_20260913T130017Z 目录。

几个值得记的点。

1. no_history 那组最直观。Agent 忘了之前换算过什么，就反复调工具，10 轮迭代 43 次工具调用（基线是 3 轮 6 次），最后也没给出答案。
2. 最危险的是 no_tool_results。演示模式跑的时候这组给出了没有观测依据的数字（汇总表标了 UNSUPPORTED），验收脚本这次跑触顶了。两种跑法放一起看，隐藏观测之后模型真的可能自己补数字，而且补的时候语气跟正常作答没区别。
3. no_reasoning 没退化，这点和仓库台账对得上。台账里记录这个行为断言本来就因为多次复现失败从正文里删掉了。细想也合理，这组去掉的只是历史里的推理内容，模型每轮还是重新推理，每一步该做什么已经被上一步的观测定死了。
4. 缓存收益很明显。验收级这轮一共 22,847 tokens，14,592 个命中前缀缓存，大约 64%。多轮工具调用的场景里这个比例不小。

其他实验为什么没做

第一章还有 1-2（联网搜索）、1-3（搜索加代码执行）、1-4（文生图对照）和 learning-from-experience。1-2 必须用 Moonshot Kimi 的托管搜索，1-3 要 Responses API 的托管 web_search 和沙箱，1-4 要文生图 API。我手头只有 DeepSeek 和 OpenRouter 的 Key，这几个暂时做不了，不是环境问题，后面拿到对应 Key 再补。

心得

跑之前我以为消融就是走个流程，跑完发现差异比想象的大，尤其是隐藏工具结果那组，模型补数字的时候完全不犹豫。上下文里每个组件都有它存在的理由，这算是给 ch2 的上下文工程提前建立了一个直观的抓手。