这个系列只讲一件事:一个能真正干活的 Agent 是怎么被搭出来的。
不堆 API 文档,也不抄框架 README,而是按「模型 → 工具 → 循环 → 工程增强」的依赖顺序,把每一层的原理讲清楚,再落到可以动手的工程实践上。每篇尽量独立可读,按顺序读则是一条完整的链路。
全 16 篇已完成,每篇开头都有具体场景,结尾附「常见的坑」和检查清单,可以直接当手册查。
第一部分:模型层 —— LLM 到底在做什么
| # |
文章 |
要解决的问题 |
状态 |
| 01 |
LLM 和 Agent 的核心术语和原理 |
token、上下文窗口、temperature、CoT、System Prompt、Tool Use 这些词到底指什么,彼此怎么串起来 |
已发布 |
| 02 |
上下文窗口与上下文工程 |
上下文是怎么被一步步填满的,为什么”塞得越多”反而效果越差,压缩与裁剪该怎么做 |
已发布 |
| 03 |
模型选型与推理参数 |
temperature / top_p 怎么调,思考强度(thinking budget)是什么,模型该怎么按任务选 |
已发布 |
第二部分:工具层 —— 让模型能动手
第三部分:Agent 循环 —— 从一次调用到自主行动
| # |
文章 |
要解决的问题 |
状态 |
| 07 |
ReAct 与 Agent 主循环 |
Thought / Action / Observation 的循环骨架,终止条件怎么定,死循环怎么防 |
已发布 |
| 08 |
规划与任务分解 |
长任务怎么拆成可执行步骤,什么时候该放弃原计划重新规划 |
已发布 |
| 09 |
多 Agent 协作 |
角色怎么分工、上下文怎么隔离、通信成本为什么经常吃掉收益 |
已发布 |
第四部分:记忆与知识 —— 让 Agent 记得住
第五部分:工程化 —— 从 Demo 到能上线
| # |
文章 |
要解决的问题 |
状态 |
| 13 |
Skills 与渐进式披露 |
领域知识不一次性塞进上下文,而是按需加载,这套机制怎么设计 |
已发布 |
| 14 |
Harness Engineering |
事前约束 + 事后反馈:为什么同一个模型换个”外壳”效果差一大截 |
已发布 |
| 15 |
评测、可观测性与成本 |
怎么量化一个 Agent 好不好用,token 花在哪,线上出问题怎么定位 |
已发布 |
| 16 |
交互层创新 |
从 OpenClaw 这类产品看 Agent 的交互形态演进,以及下一步可能往哪走 |
已发布 |
怎么读这个系列
- 只想快速上手:读 01 → 04 → 07 → 14,四篇能建立完整心智模型。
- 准备自己搭一个 Agent:按 01 → 16 顺序读,每篇的实践部分可以直接照着做。
- 关注落地与效果:重点看 13 → 16,这一部分决定 Demo 和产品的差距。
- 排查线上问题:直接跳到 06(工具失败)与 15(评测与可观测性),再看 12(压缩丢信息)。
更新说明
大纲会随实践继续调整,后续新增篇目会在这里补上链接。有想看的主题,可以在留言板告诉我。