前几天，我在网上看到一篇介绍 AI Agent 原理的文章，于是产生了一个想法：能不能从头开发一个自己的 AI Agent ？毕竟只有了解 Agent 的工作原理，使用各种 Agent 工具时，才能更加得心应手。
其实，Agent 的核心并不复杂。它本质上是一个循环：接收用户输入，将上下文发送给大模型，根据模型返回的结果调用内部工具，再把工具结果交给模型继续处理，直到任务完成。
我用了两天时间，开发出了 sekrun 。它已经发布到 npm ，现在通过一条 npx 命令就能直接运行。后端接入的是 DeepSeek V4 Flash 。我很喜欢这个模型：响应迅速、体验流畅，编程能力也不错。对于我目前的开发需求来说，已经完全够用。
执行任务时，sekrun 会显示每一步工具调用，以及对应的耗时和 Token 消耗。每轮生成结束后，还会列出：工具调用步骤数、输入与输出 Token 数量各缓存命中率，这样使用时就能清楚看到额度消耗，主打一个透明。
DeepSeek 本身的上下文缓存价格就很低。开发 sekrun 时，我也针对缓存命中做了一些优化，让它可以用更低的成本处理更多 Token 。sekrun 本身也是用它自己开发出来的，它是一个可以自举的 Agent 。整个开发过程消耗的模型费用大约两块钱，一根雪糕的价格。
最开始，我考虑过使用 Zig 开发。技术论坛里面对这个语言吹得天花乱坠，也有人说进入 AI 编程时代以后，开发语言已经不重要了。但仔细考虑后，还是放弃了。Zig 目前仍处于快速发展阶段，标准库和 API 还可能发生较大变化。更重要的是，我开发 Agent 是为了长期处理真实任务，而不是做一个只能展示的玩具项目。即使代码主要由 AI 编写，我也必须看得懂它写了什么，才能判断实现是否合理，把握整个项目的质量。最后选择了自己非常熟悉擅长的 JavaScript 。
因为目标是学习 Agent 原理，目前 sekrun 没有使用任何第三方依赖。终端界面、工具调用、流式输出、会话管理和 Token 统计，都是从零实现的。也希望大家不要过度歧视 JavaScript 。语言只是工具，真正决定项目质量的，仍然是使用工具的人。AI 写代码的速度已经快到人很难跟上。开发过程中适当慢下来，理解每一次修改，反而更容易保证项目质量。
在保证任务准确率的前提下，我目前主要通过以下方法减少 Token 消耗并提高缓存命中率：
第一，截断内部工具的输出。工具可能返回大量日志和文件内容，但模型通常不需要看到全部结果。只保留与任务有关的部分，可以显著减少上下文长度。
第二，压缩历史对话。当对话越来越长时，将较早的内容总结成简短记录，而不是永久保留所有原始消息。
第三，丢弃孤立的工具消息。如果工具调用已经失去对应的上下文，继续保留这些结果只会浪费 Token ，还可能干扰模型判断。
第四，固定系统提示词前缀。尽量让系统提示词和工具定义保持稳定，使更多上下文能够命中 DeepSeek 的缓存。
因为这是自己从零开发的工具，我可以随时加入自己喜欢的功能。例如，我还实现了类似 Fish Shell 的输入感知和智能补全，可以根据当前输入推荐命令和历史内容，减少重复输入，提高开发效率。
这就是我开发 sekrun 的过程。它目前仍然是一个非常早期的项目，功能也无法与成熟 Agent 相比。但从零实现工具调用、上下文管理、缓存优化和终端交互，让我真正理解了 Agent 是如何工作的。
整个过程很有趣，我也学到了很多，分享给大家。
1
Select Language