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

# 文章 要解决的问题 状态
04 Function Calling 与工具设计 模型只输出”调用意图”,真正执行在外围程序;工具的名字、描述、参数 schema 怎么写才不容易调错 已发布
05 MCP 协议详解与实践 从每家一套私有插件,到标准化接口;MCP 到底规范了哪一层,又没解决什么 已发布
06 工具调用的健壮性 参数校验、超时、重试、幂等与副作用控制,怎么让工具有失败也不崩 已发布

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

# 文章 要解决的问题 状态
10 RAG 与 Embedding 检索增强的完整链路:切分、向量化、召回、重排,以及每个环节的常见坑 已发布
11 长期记忆与 Auto Memory 该记什么、怎么写入、怎么召回,如何避免记忆污染和越记越乱 已发布
12 上下文压缩 Compaction 长会话不丢关键信息的压缩策略,什么时候压、压哪一段、怎么验证没压坏 已发布

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。