AI Agent全栈开发实战路线：从大模型到工具调用的完整指南

搞AI Agent开发这事儿我从2024年就一直盯着看着它从“概念热”走到“框架乱斗”再到现在的“落地为王”。到了2026年这个节点我敢说一句AI Agent的红利期真正到了而且是从大厂到小团队、从技术专家到刚转行的人都能参与的一波。不管你是做前端、后端、测试还是运维只要能把“大模型 工具调用 业务流程”这套组合玩明白你就是市场上最抢手的那批人。这篇文章我把自己这两年踩过的坑、总结的路线、验证过的项目方案全部摊开来讲不整虚的就讲怎么从零开始一步步成长为能独立交付AI Agent项目的全栈开发者。这篇文章适合所有人编程零基础想入行的、有几年经验想转型的、以及已经在做大模型应用想往更深走的。我会先帮你建立整体认知再拆每个阶段要学什么、为什么学、用什么工具练手最后给出一套可以直接上手的完整项目方案。看完你至少能给自己列一张清晰的学习清单而不是像无头苍蝇一样到处找教程。1. 先搞清楚AI Agent 到底是什么为什么是2026年的风口1.1 从“聊天机器人”到“智能体”的进化很多人一听AI Agent第一反应还是“不就是ChatGPT套壳吗”。这个理解已经过时了。我更喜欢用一个生活化的类比普通大模型像一个特别聪明但只能动嘴的顾问你问什么他答什么说完就完了AI Agent则像一个你雇来的实习生他不仅能听懂你的目标还会自己拆任务、查资料、操作工具、检查结果最后把活干完交给你。从技术上讲AI Agent的核心逻辑是一个循环大模型理解用户意图把目标拆解成多个子任务然后调用外部工具比如搜索、API、数据库、代码执行器去执行再根据执行结果决定下一步动作直到完成最终目标。这个“感知-决策-行动-再感知”的闭环才是Agent和ChatBot的本质区别。所以哪怕你做的是一个看起来只用来聊天的机器人只要它背后挂了工具调用、有了任务规划能力它就是一个Agent。2026年这个时间点特别微妙。前两年大家还在摸索“Agent能不能稳定跑通”现在框架成熟了、模型推理能力强了、行业标杆案例也出来了正好是“技术成熟窗口期”。这个窗口不是说技术已经到了天花板而是说基础设施已经足够稳定普通人也能上手不需要自己从零训练模型也不需要懂复杂的强化学习。用现成的模型API加上合理的工程架构就能做出有商业价值的应用。1.2 红利背后的三股推力第一股推力是模型能力的大幅提升。现在的旗舰模型在指令遵循、长上下文、多模态理解上比两年前强了一个量级。以前Agent经常“跑偏”重要原因之一是模型自身的决策能力不够给三个工具它就选不明白用哪个。现在这个短板被补齐了Agent的可靠性上来了才敢放进生产环境。第二股推力是开发框架的成熟。LangGraph、Spring AI、AutoGen这些框架已经把Agent的编排逻辑封装好了原来的状态管理、多轮调度、人机协同这些难题现在都有了标准解法。尤其是Spring AI这种Java生态的框架让大量传统后端开发者不需要学Python就能切入Agent开发这直接让从业者基数翻了好几倍。第三股推力是行业需求的爆发。你可以打开招聘软件搜一下“AI Agent”你会发现岗位需求已经从纯算法团队扩展到了业务线、产品线、甚至前端团队。企业内部的知识库问答、客服辅助、数据报表生成、自动化流程审批这些场景全部可以用Agent重做一遍。大家在讨论的“AI全栈”不是概念而是企业真实的岗位需求既要懂模型调用又要会工程对接还要能交付出可用的产品。2. 学习路线总览从零基础到全栈的四个阶段2.1 阶段一编程基础与大模型入门先说一个扎心的真相如果你完全不会编程第一步绝对不是直接去学Agent框架而是要补上最基础的程序设计能力。我不推荐你花半年去啃完《算法导论》更合理的目标是掌握一种主流语言的基本语法、熟悉函数和面向对象思想、能写脚本处理数据、能读懂别人代码。语言选择上Python是首选因为它生态最好几乎所有AI相关的库和框架都对Python最友好。但你如果本身是Java后端出身也别慌先继续用Java后续通过Spring AI切入Agent开发完全不冲突。前端同学也别觉得跟自己无关Agent系统最终要给用户用前端在交互层的重要性越来越高后面前端部分我会详细讲。这个阶段的具体目标就三个第一会用Python写简单的函数和类能处理JSON、字符串、列表这些常见数据结构第二了解HTTP协议和API调用的基本流程知道GET和POST的区别会调用一个RESTful接口第三理解什么是大模型API会申请一个模型的API key跑通“输入一段文字、返回一段文字”这个最基础的流程。有的同学可能会问是不是要先学机器学习、深度学习原理我的建议是不用。做Agent应用开发核心工作是工程化和产品化不是训练模型。你只需要对大模型有一个基本认知理解它的token机制、上下文窗口、温度参数这几个概念就够了再深入的东西用到再学效率更高。2.2 阶段二Prompt工程与Agent框架初体验掌握了基础编程和API调用之后第二个阶段的核心任务是两件事把Prompt写好把一个现成的Agent框架跑起来。Prompt工程的重要性被很多人低估了。我见过太多人上来就调框架结果Agent效果一塌糊涂最后发现是Prompt写得不行。Prompt是Agent的大脑指令你给它的描述不够清晰它做出来的结果就不可能稳定。这个阶段你需要刻意练习的是结构化Prompt、少样本示例、角色设定、输出格式约束。不是说要背什么模板而是理解为什么这么写模型能更好理解你的意图。与此同时选一个Agent框架上手。我个人最推荐从LangGraph入手因为它的底层设计思想节点、边、状态管理、条件分支恰恰就是Agent的核心概念学它相当于同时学了理论和实践。你不需要一开始就搞懂所有源码先跑通一个最简单的例子输入一个问题模型调用一个搜索工具把搜索结果整理成回答。这个最简单的链路你亲手跑通一次对Agent的理解就会上一个台阶。2.3 阶段三深入Agent架构与多智能体协作当你能跑通一个简单的Agent流程后就要进入下一个层次理解Agent系统的架构设计。这个阶段要回答的关键问题是一个复杂的任务是怎么被拆解的多个工具之间怎么协调Agent怎么知道自己该停止还是继续这些问题背后涉及的核心概念包括任务规划、工具注册与调用、记忆管理、人机回退机制。多智能体是另一个重点。单Agent解决复杂任务时经常会出现“上下文爆炸”“角色冲突”的问题于是大家开始把大任务拆给多个各司其职的小Agent协作完成。比如一个写代码的Agent、一个写测试的Agent、一个做代码评审的Agent它们之间互相配合。这个阶段你需要理解多Agent之间是串行还是并行、消息怎么传递、谁是主导者。这个阶段还有一个必须掌握的概念MCP协议Model Context Protocol。你可以把它理解为Agent世界的USB接口它统一了模型和外部工具之间的对接标准。以前每接一个新工具就要写一套适配代码现在通过MCP协议可以复用大量现成的连接器大大降低集成成本。2026年做Agent开发MCP协议已经是默认要求了面试和项目里都会碰到。2.4 阶段四全栈工程化与项目落地最后一个阶段也是从“会做Demo”到“能交付产品”的分水岭。这个阶段你要学的不是某一个具体技术而是一套完整的工程化能力把AI Agent变成一个稳定、可维护、能承载真实用户的系统。首先是后端工程化。Agent不能只活在你的本地脚本里你要把它封装成可调用的服务处理并发请求、设计API接口、做鉴权和限流、把Agent的状态持久化到数据库。另外Agent的响应速度通常比较慢异步任务队列、流式输出、WebSocket长连接这些你都要会。其次是前端交互。一个Agent产品不能只有一个开发接口用户需要可视化界面。这时候如果你具备前端开发能力就能独立完成一个完整的产品。别怕现在前端开发的门槛比十年前低太多了主流的React或Vue框架学一个再加上现成的UI组件库配合流式渲染技术你完全可以自己搭出一个很像样的聊天界面。最后是评估和运维。Agent表现不稳定怎么测怎么追踪你需要建立一套评测集把用户的典型问题收集起来每次改完代码就跑一遍评测集确保效果没有退化。还要接入日志系统记录每一次Agent的工具调用和思考过程出了问题能快速定位。这些工程化能力正是企业最稀缺的“全栈”能力。3. 核心技能拆解与实操要点3.1 必须掌握的大模型原理与API调用细节我见过不少初学者觉得会调OpenAI的API就算会用大模型了结果一换国产模型、一换业务场景就抓瞎。核心原因是只记住了代码没有理解调用背后的参数逻辑。你至少要把这几个参数吃透temperature、max_tokens、top_p、stop序列以及messages结构里的system/user/assistant角色划分。以我自己经常用的调用逻辑为例temperature这个参数对Agent型应用非常关键。做创意写作可以把temperature调到0.8以上让输出更发散但做Agent的工具调用和意图识别我会把temperature压到0.2以下甚至直接用0因为这时候我们需要的是确定性和准确性而不是文采。我见过一个刚入行的同事做Agent不管三七二十一所有请求都用默认参数结果模型经常“自由发挥”工具名称他查了一晚上bug才发现问题出在参数上。另一个容易踩坑的地方是上下文管理。大模型有上下文窗口限制一个Agent在长时间运行中会积累大量对话历史如果全部塞进API请求里很快就会超过token上限而且费用暴涨。实际项目里通常要自己做消息压缩和摘要把早期对话总结成一个摘要塞回上下文只保留最近几轮完整消息。这个优化对成本和效果都有巨大影响属于“性价比最高的优化手段”。再补一个2026年的新趋势多模态输入输出。现在的模型可以同时处理图片、语音、文档Agent系统应该把多模态能力纳入设计。比如做一个商品推荐Agent用户拍一张照片上传就能识别商品类型并推荐搭配这个体验和纯文字是完全不同的。做全栈Agent别只盯着文本。3.2 Agent框架选型与对比LangGraph、Spring AI、自研框架选型是每一个Agent项目一开始就要做的决策。我用表格把这些主流框架横向对比一下方便你根据自己的技术背景选择。框架语言生态核心优势适合场景LangGraphPython图结构编排、状态管理灵活、生态最丰富复杂流程、需要精细控制Agent行为的研究和产品团队Spring AIJava与Spring生态无缝集成、企业级稳定性好以Java为主的传统后端团队快速切入AI应用AutoGenPython多Agent对话编排方便需要多个Agent协作研究、仿真类场景自研Agent核心任意可控性最强、无框架绑定业务逻辑极特殊、追求极致性能和降本选框架的核心逻辑不是“哪个火选哪个”而是“哪个最匹配你团队的技术栈和你对控制粒度的需求”。我自己做项目时Python项目基本无脑选LangGraph但如果客户那边是清一色Java技术栈我宁愿用Spring AI哪怕它的生态目前还没那么丰富因为运维和后期维护的便捷性远比炫技重要。还有一句话要放在这里框架只是一个工具不要被框架绑架。我见过有人花了两周去啃LangGraph内部源码用来解决一个本来用十行代码就能解决的问题。记住Agent的核心价值是“能完成业务任务”不是“用了最新框架”。当你发现框架的限制开始阻碍业务时再用自研方案但大多数业务场景轮不到自研。顺便说一句很多公司面试题里会问“你看过LangGraph源码吗”这时候你只要把它的核心机制说清楚就够不必过分纠缠源码细节。3.3 工具调用、MCP协议与外部系统集成Agent真正“干活”的能力全部来源于工具。一个只有聊天能力的Agent价值有限但当它能查数据库、发邮件、调接口、操作浏览器的时候它的生产力就完全不一样了。所以我一直把工具调用能力当作Agent开发的核心中的核心。工具调用的基本原理是你预先给模型描述每个工具的功能和参数Schema模型在回答过程中判断需要调用哪个工具然后返回一个结构化的调用指令你的代码再真正执行这个工具并把结果回传给模型。这里面最关键的技术细节是工具描述的质量。你给工具写的描述越清晰、参数说明越准确模型就越不容易选错。实际开发中我建议把这个过程当成在写接口文档一样严肃对待甚至要写清楚工具的使用约束和边界条件。MCP协议的出现则是一个生态级的利好。2025年开始MCP已经被所有主流框架默认支持到了2026年它已经成了Agent连接外部系统的标准。它的思想是定义了一套标准的“工具发现”和“工具调用”协议任何支持MCP的Agent都可以自动发现并调用任何支持MCP的服务。这意味着你做一次集成就能在多个Agent项目里复用。我建议初学者第一件事是去MCP的官方市场看看里面已经有几百个现成连接器从GitHub到数据库到企业办公套件都有你会发现很多“造轮子”的时间完全可以省下来。3.4 前端、后端与可视化走向全栈如果说2024年的AI应用开发还可以偏科到了2026年“前后端全员全栈化”已经成为行业共识。企业希望一个人能搞定Agent的整个链路业务需求分析、Agent逻辑编排、后端接口、前端交互界面。这对个人竞争力来说既是压力更是机会。后端能力上重点是服务化。你用Python写好一个Agent逻辑不能让它只躺在Jupyter Notebook里。需要掌握的内容包括FastAPI或Flask写REST接口、使用Redis做缓存和状态管理、使用Celery或消息队列处理异步任务、用Docker打包你的应用。这些技术听着多但你做上两个项目就会形成肌肉记忆并不难。前端能力上现在做Agent应用有“奇招”跳过复杂的前端工程直接用现成的聊天组件库或者Low-Code工具搭界面。但如果你的目标是成为全栈开发者我还是建议正儿八经学一下React或者Vue。我自己的经验是学会Vue的基础用法加上Element Plus组件库就足以应付大多数Agent前端页面了。真正需要花心思的是流式输出的展示模型是一段段生成文字的你怎么把增量文字平滑渲染到界面上这时的核心是SSEServer-Sent Events或WebSocket前端收到流式数据后再追加到对话列表中。这块我刚开始做的时候也踩了不少坑后面我会在实战环节专门演示。可视化这块对于Agent开发还有一个隐藏需求Agent运行过程的可视化。也就是说你要能看得见Agent现在思考到哪一步、正在调用什么工具。这个不仅是为了给用户展示更是为了调试和排查问题。LangGraph自带了一个可视化调试面板我强烈建议你把所有开发环境下的Agent都接上这个面板能省无数排查问题的时间。4. 项目实战从0到1搭建一个完整Agent4.1 项目选题商品推荐智能体理论知识说得再多不如一个完整项目来得深刻。这里我推荐你做一个“商品推荐智能体”理由有三个第一商品推荐场景天然需要工具调用你必须接商品数据库和用户画像数据能把整个技术栈串起来第二业务边界清晰不会像“通用助手”那样需求没底适合练手第三这个方向本身就有商业化价值做好了可以直接写到简历上撑门面。项目需求大概是这样用户通过对话告诉Agent自己的预算、品类偏好、使用场景Agent先调用商品检索工具在数据库里筛选商品再调用用户画像工具了解用户的历史偏好最后综合信息生成推荐结果并附带推荐理由。更进一步你可以接一个物流查询工具当用户问“这个商品多久能到”时Agent能自动去查实时物流信息。这样就是三个工具配合复杂度适中不至于劝退。选这个项目还有一个隐形好处它跟“AI商品推荐智能体开发”这个行业热词完美契合面试官一看就知道你跟上时代了。你可以把这个项目往深了做接入多模态商品图识别用户上传图片Agent识别商品后推荐搭配或者把推荐逻辑从“基于规则”升级为“基于用户实时反馈的迭代推荐”每个方向都能体现出你的水平。4.2 架构设计与技术栈选型这个项目的架构分四层我直接给你我验证过的一套方案。第一层是交互层用Vue3 Element Plus搭建Web界面支持流式显示Agent回复用SSE接收后端推来的增量数据。你可以不加这一层只做后端API项目也能跑通但对于全栈学习来说我建议加上因为这是你练习前端能力的最佳机会。第二层是Agent编排层我用LangGraph来实现。里面定义两个核心节点一个是“意图识别与任务拆解”负责判断用户是要查商品、查物流还是聊天另一个是“工具调用与结果整合”负责真正执行工具。状态管理用LangGraph内置的State把对话消息和中间结果都放在状态里传递。第三层是工具层把商品数据库查询、用户画像查询、物流查询封装成三个函数注册给Agent。这里我用的是MCP协议做了一次封装以后换场景可以复用。数据库选了SQLite因为对练手项目最友好不需要额外安装服务真实项目你换成MySQL或PostgreSQL即可。第四层是模型层直接调用国内主流大模型API。我建议你选一个工具调用能力强的模型翻车概率低。备好API key把base_url、model_name、temperature这些参数配好就行。技术栈汇总Python 3.11 LangGraph FastAPI SQLite Vue3 Element Plus SSE。这个栈覆盖了前后端和AI编排是标准的AI全栈项目配置。4.3 核心代码实现与参数选择我不打算把完整代码贴出来太长但核心链路必须给你拆开讲清楚。先看LangGraph里的核心节点定义。你会定义一个State类里面至少有messages对话历史、tool_results工具结果、current_step当前步骤这几个字段。然后定义两个节点函数。def plan_node(state): # 调用大模型传入当前对话历史和工具描述列表 response llm.invoke( messagesstate[messages], toolstool_schemas, temperature0.1 ) # 判断是否触发工具调用 if response.tool_calls: return {tool_results: response.tool_calls, next: execute} return {messages: response.content, next: end}def execute_node(state): # 遍历所有待执行工具调用 for call in state[tool_results]: result execute_tool(call[name], call[args]) messages.append({ role: tool, tool_call_id: call[id], content: result }) # 把工具结果送回给模型生成最终回答 final_response llm.invoke(messagesstate[messages]) return {messages: final_response.content}注意几个参数细节。temperature设成0.1是为了让意图判断尽量稳定工具描述我是在tool_schemas这个变量里定义好的每个工具包含name、description、parameters、required四段。我在项目里还会加一个小技巧在工具描述的最后加一句“注意仅当用户明确询问物流信息时才调用此工具”这种边界约束能明显减少模型乱调工具的概率。前端实现上SSE接收的逻辑这么写// 使用 fetch 流式读取后端 SSE 数据 const response await fetch(/api/agent/chat, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify({ message: userInput }) }); const reader response.body.getReader(); const decoder new TextDecoder(); while (true) { const { done, value } await reader.read(); if (done) break; const text decoder.decode(value); // 把增量文本追加到当前回复框中 currentReply text; }后端FastAPI实现SSE的方式是返回一个StreamingResponse并设置媒体类型为text/event-stream。这个模式几乎是Agent聊天应用的标准玩法建议你反复练熟。4.4 效果调优与评测很多初学者做完一个Agent能跑通就觉得自己会了但真实工程师的工作重点恰恰是“能不能稳定跑好”。我强烈建议你给项目建立一个评测集收集至少20条典型用户问题覆盖商品推荐、物流查询、多轮澄清、闲聊等各种场景。每次改完代码跑一遍评测集记录三个指标任务完成率、调用正确率、答非所问率。我实测过第一版Agent的效果往往惨不忍睹可能只有50%的准确率。这时候别慌按优先级排查第一步看Prompt是否清晰地定义了Agent的角色和边界第二步看工具描述是否准确第三步检查模型参数是否合适第四步看看是不是上下文历史太多把模型“带跑偏”了。80%的问题都出在这四步上而不是框架本身。评测时还要测一下异常场景用户发一个跟业务无关的问题Agent应该怎么做正确的设计是Agent要说“抱歉我只能帮助你处理商品推荐和物流查询”而不是强行给你推荐一个商品。这种“安全边界”在所有Agent产品里都是刚需面试官也很喜欢问。最后补一个性能调优点给大模型请求加缓存。对于同一个问题和同样的上下文你可以把结果缓存起来以后直接返回缓存。这个优化在真实项目中能把成本打下来一半以上也是体现工程经验的好细节。5. 常见问题与避坑指南5.1 新手最容易犯的错误我接触过不少从零开始学Agent开发的人很多错误反复出现。这里我集中列一下你只要避开这些坑至少能少走三个月的弯路。第一个错误是“拿着锤子找钉子”。学了Agent之后看什么都像能用Agent重做一遍不去分析场景是否真的适合。其实有些简单任务用传统规则就够了硬上Agent反而增加延迟和成本。记住一个判断准则如果任务有明确规则、不需要理解模糊语义就别用Agent。第二个错误是“只搭框架不调效果”。很多人跑通一个Demo就停下来不去测试边界情况。但Agent开发的核心工作量就在调优上。一个Demo和可交付产品之间的距离就是二十个边缘情况。我团队的验收标准是Agent在测试集上至少达到85%以上的任务完成率否则不算完成。第三个错误是忽视成本和延迟。大模型API调用不是免费的一个复杂的Agent流程可能要调用四五次模型接口一次请求的延迟可能是十几秒费用也可能高到无法商用。做设计时就要有成本意识能用小模型就不要上大模型能一次调用就不要拆成两次能用缓存就不要重复请求。第四个错误是最隐蔽的让Agent无限循环。如果Agent的执行逻辑里没有一个明确的停止条件它会一直调用工具、一直追问。这块必须在架构上做约束设置最大迭代次数、设置超时机制同时在Prompt里明确告诉模型“当你认为任务已完成时必须输出最终回答”。5.2 面试题梳理与求职准备这两年“AI Agent开发工程师”的岗位需求量很大但很多人拿着很浅的Demo就去面试结果挂在基础原理上。我把面试中出现频率最高的问题整理成一个速查表你在准备面试时按这个清单去复习。面试问题核心回答要点什么是AI Agent与ChatBot的区别Agent有目标拆解、工具调用、结果反馈的闭环ChatBot只是单轮生成LangGraph的核心概念节点、边、状态管理、条件分支以及它如何解决复杂流程问题介绍一下MCP协议是一套标准协议统一了模型与外部工具的对接方式提升了工具生态的复用性如何处理Agent的上下文超出窗口限制消息摘要、滑动窗口、关键信息向量检索如何保证Agent不会胡言乱语系统提示词约束、温度参数调低、工具结果校验、安全回退机制如何评估Agent的效果建立评测集统计任务完成率、工具调用正确率、鲁棒性多Agent协作的优势和难点优势是角色分工明确、上下文隔离难点是消息通信、任务协调、死锁问题另外技术面之外一定要准备一个“为什么做这个项目”的故事。面试官最反感照抄的项目。如果你能清晰说出项目里的每个架构决策、你踩过什么坑、怎么解决的就算项目简单一些胜率也远高于那些包装华丽但一问三不知的候选人。5.3 资源推荐与工具清单现在网上AI Agent的教程鱼龙混杂我推荐一条我认为最有效的学习路径先读官方文档再看深度实战文章最后只用GitHub上star高且更新活跃的项目做参考。我见过太多人收藏了几百个教程一个都没看完不如锁定三个核心来源反复吃透。第一个是LangGraph官方文档我建议你把“Quick Start”和“How-to Guides”全部过一遍这个过程大概需要三到五天但这是最体系化的一手资料。第二个是Spring AI的官方文档如果你走Java路线这里的例子质量很高。第三个是各大模型平台的官方文档重点看“Function Calling”和“Tool Use”的章节这是Agent开发最核心的前置能力。工具清单方面我日常开发必备的是这些Python环境管理用Anaconda或uv接口调试用Postman或Apifox大模型调试工具推荐LangSmith它能完整记录Agent的每一步调用链前端框架用Vue3 Vite后端用FastAPI容器化用Docker版本管理用Git。就这些不需要更多花哨的工具。工具不在多在于把每一样用熟。还有一点一定要关注“AI Agent国内有哪些”这类信息。国内各大模型厂商都有开放的Agent平台比如百度的千帆AppBuilder、阿里的百炼、字节的扣子它们提供了很多可视化的Agent搭建方式对新手理解Agent概念特别有帮助。虽然正式开发我不太建议完全依赖平台容易被绑定但作为学习工具非常值得推荐。结尾的话与一点个人体会写到这里回头再看我自己的学习过程最大的体会是Agent开发没有想象中那么神秘的算法门槛但也不是看几篇教程就能速成的。它更像一门“手艺活”需要在真实项目里反复打磨对模型的理解、对工具的设计、对边界的判断。我建议你给自己定一个八到十二周的学习计划前四周打基础中间四周跟一个完整项目最后四周深入调优和总结。只要你把一个项目认真做完、做透市面上绝大多数AI Agent岗位你都能自信去投。最后再分享一个小技巧把你做项目过程中的所有“翻车”记录都整理成一个文档。不光是代码报错还包括模型输出不符合预期、工具调用选错参数、用户问题超出预期这类问题。这个文档是你学习过程中最宝贵的资产面试的时候也会成为你讲故事的素材。这波红利说到底不是给观望者的是给动手者的。去做第一个Agent项目吧做完你会回来感谢自己。