文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
作者实测 EverMind 的 EverOS Cloud——一个定位为 Agentic AI 的记忆操作系统。文章指出 RAG 式对话检索不等于经验提取，EverOS 将记忆分为 Episodes、Profiles、Cases、Skills 四类。作者用 Python API 模拟 FFmpeg 渲染报错（width not divisible by 2）场景：仅提交对话叙述只产生 Episode；提交完整的 tool_calls 执行轨迹后，系统成功生成结构化 Agent Case，并可用不同措辞的新查询检索到该 Case。测试验证了'执行轨迹→Case 提取→语义检索'链路，但 Skill 的生成与端到端复用仍待验证。作者认为 agent 记忆的价值在于保留可复用的工程经验，而非扩大上下文窗口。
作者耗时5天对 REA 增强版 Codex 与原生 Codex 进行了108次对照实验，其中35对可同条件比较。文章详细记录了三个阶段：首先是六次小型探索，测试笔记导出、桌面应用复制、.NET 计价函数复现三组任务，两边均通过全部用例但 REA 组耗时略长；随后扩展至六档难度、两种模型共72次正式运行。文章分析了 REA 作为调查工具为模型提供的模块关系、函数位置等线索，以及原生 Codex 借助普通工具自行调查的能力，指出在小规模任务中两者能力差距不明显，差异更多体现在调查入口和验证路径上，并对实验边界与结论适用范围做了严谨说明。
作者面试一家 AI+Web3 公司失败后，获得面试官分享的《Agent工程师入门指南》，并结合自己的学习心得整理成一条完整的 Agent 工程师学习路线。内容涵盖 LLM 基础（Transformer、Token、上下文窗口、采样参数、API 协议、流式输出、结构化输出、工具调用、Embedding）、Prompt Engineering（Zero-shot/Few-shot、CoT、ReAct、Reflexion）以及 RAG（文档解析、分块、检索与重排）等核心知识。每个知识点都附有学习文档链接、项目要求和验收标准，帮助学习者系统掌握 AI 应用开发技能并检验学习成果。
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
这是一篇面向 AI 项目决策者的科普文章，无需技术背景，逐层拆解 AI Agent 的十三层结构。作者从核心三要素（模型、上下文、工具）讲起：模型是无状态、只会预测下一个词的神经网络；上下文包含系统提示、技能、规则、工具定义等，按 token 计费；工具在用户侧运行。后续层涵盖如何优化输出质量（上下文卫生、专有信息、大小与位置）、什么是 Agent、幻觉、知识库、记忆、Harness、子代理、长时循环、评估、交互式与无头模式、助手与自主 AI 的区别，以及 Skill 的价值。所有数据均来自已发表论文或标注为厂商声明的文档，文末附向团队提问的清单与要点总结。
本文是 AI 名词扫盲系列第三期，面向小白讲解如何让 AI 工具变得更强，重点介绍与扩展 AI Agent 能力相关的常见名词。文章逐一解释了工具调用（Tool Calling）、API、MCP、CLI、连接器、插件、API 地址、API Key、模型 ID、Computer Use 等 10 个概念，并配以生活化的例子说明其作用与原理。作者还提醒读者注意保管 API Key、避免将密钥写入前端代码等安全事项，帮助读者理解 AI 如何连接外部工具完成实际任务。
文章介绍了10个循序渐进的 AI Agent 实战项目，帮助开发者从简单的工具调用进阶到自主智能体系统。项目包括：工具调用 Agent、ReAct 推理循环、多工具选择、记忆 Agent（短期与长期记忆）、规划 Agent（任务分解）、反思 Agent（自我评估与修订）、多 Agent 协作系统、研究 Agent、编码 Agent 等。文章通过架构图、技术栈（Python、OpenAI、LangGraph、Pydantic）和学习要点，阐述了智能体设计中的核心问题：工具选择、记忆管理、任务分解、错误恢复、自我验证及多 Agent 协调等。
本文译自 Earendil 的 What is a Harness?，以攀岩安全带类比 Agent Harness，面向初学者介绍其概念与工作原理。文章指出 Agent = Model + Harness，Harness 是为 AI 模型提供运行环境的软件，核心职责包括四点：提供系统提示、提供可调用的工具、构建 Agent 循环、以及作为转换层支持多种 AI 模型。作者通过比较小学排名并撰写建议邮件的示例，演示了 Agent 循环的完整流程。文章还强调开源中立 Harness（如 Pi、OpenClaw 等）能将自主权交还用户，用户可以拥有、改造自己的 Harness，自由选择模型并比较结果与成本，从而避免对 AI 实验室单一应用的依附。
文章介绍了如何将决策模型Jev嵌入现有Agent工作流：将任务拆分为四部分——开放式生成交给LLM，决策判断交给Jev，确定性规则用代码处理，有后果的授权交由人工。作者讲解了Jev的三种问题类型（Choice、Score、Noul）及适用场景，并以晨间简报为例演示如何构建一个保存交接任务的路由器，从Demo逐步演进为可长期运行的完整工作流，还总结了模型路由、工具调用审查、上下文筛选等11类决策层可接入的位置。
本文是构建自定义 AI Agent Harness 的教程。Harness 是驱动 Agent 循环的代码，负责模型路由、工具安全检查和答案校验等判断决策。传统做法需调用聊天模型，成本高导致检查被跳过。Jev 是 TypeSafe AI 推出的专用小型决策模型（System One 模型），以 0-1 概率快速回答问题，成本极低，可对每步操作进行实时检查。教程使用 Pi SDK（TypeScript 工具包）构建 Harness，通过 beforeToolCall 等钩子集成 Jev，实现破坏性操作拦截、模型路由、失败降级和答案质量校验，并以徒步调查笔记 Agent 为运行示例演示完整流程。
本文介绍如何使用 Gemini Live API 构建具备自然对话体验的实时语音 AI Agent。与传统的单向 TTS 不同，Gemini Live 采用音频到音频的双向通信，能感知语气、停顿并支持随时打断。文章详细讲解了系统架构：浏览器客户端通过 WebSocket 连接 Python 后端，再与 Gemini 建立持久双向会话，并实现发送、接收、播放的并发核心循环。针对打断延迟问题，作者提出本地立即静音的 barge-in 技巧，并结合内置 VAD 实现即时响应。最后通过工具调用（function calling）与异步确认模式，让语音 Agent 能够播放音乐等实际操作且不产生尴尬停顿。完整示例代码已在 GitHub 开源。
文章为零基础小白提供了一条不花钱买课的 AI 入门路线图。作者梳理了 AI 的四类核心能力（理解表达、生成内容、处理信息、调用工具），解释了 AI 输出不稳定的四大原因，并强调提示词即任务说明，需包含目标、材料、边界和完成标准。文章还介绍了知识库的适用场景、工具/Agent/API/MCP 的区别，以及何时把流程沉淀为 Skill。最后通过七天案例带读者做出一份可持续更新的学习包，并附上可直接使用的入门教练提示词，以及小白最常问的 10 个问题解答。
作者整理了25道Agent方向高频实操面试题，聚焦一线项目落地痛点，分为五大模块：Agent核心架构（ReAct与Plan-and-Execute选型、多Agent设计、HITL机制）、工具调用落地（Function Calling、Schema设计、重试熔断降级）、记忆与状态管理（长短记忆、Token溢出）、效果优化与问题排查（Bad Case溯源、性能瓶颈定位）以及Agent+RAG落地（检索优化、幻觉防控）。这些题目针对FDE等需要真实项目落地经验的岗位，大多是开放性问题，能同时考察面试官和面试者的实战深度。
本文从 LLM 基础原理出发，循序渐进讲解 AI Agent 的底层机制。作者首先解释大模型如何通过 Token 预测生成文本，说明无状态、幻觉和知识截止等现象的根源；接着阐述多轮对话依赖上下文拼接实现的原理；进而介绍工具调用如何让模型影响外部世界，以及模型结合工具反馈形成闭环后 Agent 的诞生。文章提出 Agent = Model + Harness 的工程视角，剖析 Harness 在上下文管理、记忆系统、上下文压缩等方面的职责，帮助读者建立对 AI 能力边界的底层认知，摆脱对新工具的 FOMO 焦虑。
作者实测蚂蚁百灵金融增强模型Ling-3.0-flash-Fin，用宁德时代2025年报和FinFIRST评测题检验其金融研究能力。模型能区分销量与装车量口径，精准提取11项核心指标并复算比率，生成三档情景和20行CSV底稿，但Web Search等外部工具未实际执行。作者认为该模型适合作为金融研究第一道工序，能分清披露、外部统计和计算值，但尚非无人值守的金融Agent。
本文深入解析 OpenAI Codex 的 apply_patch 编辑文件工具的设计与实现。作者拆解了从模型生成 patch 到文件系统实际变更的五层链路：自定义 patch 语言生成、Lark grammar 解析、验证定位、安全审批与执行。文章对比了 Codex 自定义 patch 格式与标准 unified diff 的异同，详细说明了 hunk 匹配的四轮渐进容错策略、从后向前的替换顺序、写入前整份 patch 验证的意义，以及路径收集与 sandbox 权限审批机制，为 Agent 开发者提供了连接大模型文本生成与确定性文件操作的工程参考。
作者在将 ChatOllama 改写为 Agent 时思考“Agent 最多应连续执行多少步”的问题，对比了 Pi、Codex 和 DeepSeek Harness（DSH）三种 Agent Loop 实现。Pi 依赖 shouldStopAfterTurn 回调，把终止策略交给上层，强调可组合性；Codex 不设统一轮数上限，而是对模型请求、工具调用、上下文压缩和 token 预算分层管理，适合长时间编码任务；DSH 则像可恢复的运行协议，用 turn/step 区分、inbox 机制和事件日志驱动继续与停止，强调可恢复与可扩展。作者总结：生产级 Agent 不应依赖固定 step 数，核心在于确认任务是否仍在推进并有明确机制停止。
作者以制作一本莫干山网页电子相册的真实过程为例，通俗讲解 AI 领域常见术语的区别与实际含义。文章将 Agent 比作能动手的小助理，依次拆解提示词、上下文、工作区、工具调用、Skill、MCP、插件、Computer Use 等概念，并强调权限、沙箱、审批等安全机制的重要性，说明“干多大的活，给多大的权限”。最后介绍日志、SHA-256 校验、验收测试、HITL 人在回路等结果检查方法，以及定时任务、状态与记忆，帮助零编程读者看懂 AI 工具的工作方式，并附中英术语对照表。
本文介绍如何通过上下文压缩代理 headroom 减少 Agent 调用 Gemini 模型时的 token 消耗。作者指出 agent 上下文中大部分 token 来自工具输出的冗余 JSON、日志和搜索结果，而非精心设计的提示词。通过在 Gemini 3.8 Flash 前部署 headroom 代理，在四种生产级 agent 工作负载测试中，prompt token 减少 76%，任务准确率保持 100%，首 token 时间有所改善，建模成本下降约 70%。文章同时诚实探讨了压缩的有损性：压缩器保留模式、分布和异常值，但会丢弃普通记录，模型在数据缺失时会拒绝编造。项目开源且可复现。
文章介绍了 OpenAI 对 Codex hooks 机制的重大升级：hook 现在支持异步执行和直接调用 MCP 工具。作者将 hooks 比作'闸机'，与 AGENTS.md、Skill 这类'规章制度'不同，它能在运行时真正拦截工具调用。文章详细讲解了 11 个事件类型（SessionStart、PreToolUse、PermissionRequest、PostToolUse、Stop 等）的触发时机与拦截姿势，配置文件的加载规则、异步 hook 的限制（最多 8 个并发、无法拦截）、MCP 工具 hook 的占位符机制，以及基于哈希绑定的信任机制。作者强调 hooks 是有用的护栏而非完整安全边界，真正防越权还需沙箱和权限体系配合。
本文是一篇通俗易懂的 AI Agent 入门到进阶教程，讲解了 Agent 的核心原理与工程实践。作者用公式'Agent = 模型 + 目标 + 工具 + 记忆 + 运行循环 + 安全边界'拆解 Agent 构成，对比聊天机器人、自动化流程与 Agent 的差异。文章详细介绍三种经典模式（ReAct、Plan-and-Solve、Reflection）、工具设计的六条硬规则、提示词注入攻击防范、记忆/RAG/上下文工程的区别与用法，以及工作流、低代码、框架、自研四条实现路线的选择建议，并涉及 MCP、多智能体和 A2A 等概念。
本文系统解析开源 AI Agent 工具包 Pi Runtime。作者指出，模型推理与工具执行之间需要一层可靠的运行时控制逻辑。文章详细介绍 Pi 的五个核心包：pi-ai 统一多模型供应商差异、pi-agent-core 是运行时本体、pi-coding-agent 是可直接使用的终端产品、pi-tui 提供终端交互、pi-telemetry 提供观测能力。随后深入讲解一次任务的完整执行链路、steering 与 follow-up 的双层循环设计、工具调用六阶段管道、副作用工具的重试与重放策略、上下文压缩的现场重建机制及会话树结构，适合想理解 Coding Agent 底层原理及选型 Agent 框架的研发与产品团队阅读。
本文系统对比了 AI 智能体两大组成层面：Agent Harness 与 Agent Runtime。Harness 是位于 LLM 之上的应用逻辑层，负责执行循环、提示拼装、上下文管理、工具调用、状态跟踪与错误处理，决定智能体“想什么、怎么做”；Runtime 是承载执行的基础设施层，负责沙箱隔离、资源限制、网络与凭证管控、持久化与并发调度，决定“在哪、如何安全执行”。文章从定义、职责、生命周期、接口、资源管理、安全隔离、可扩展性、可观察性、部署模型、性能、故障恢复和典型用例等方面逐一比较，并给出示例代码与部署模式总结，帮助读者全面理解并实践二者设计。
作者基于与朋友交流中发现普通人对 AI 术语的困惑，整理出 66 个高频 AI 词汇，用生活化比喻逐一解释。内容涵盖：AI 与大模型基础（LLM、Token、上下文、多模态等）、聊天常见术语（Prompt、幻觉等）、RAG 与检索技术、以及 Agent、工具调用和 MCP 协议等热门概念。每个词都说明其含义、常见使用场景和记忆方法，帮助零基础读者建立 AI 术语的整体认知地图。
Google 和 Microsoft 正在共同推动 WebMCP——一个由 Chrome 与 Edge 团队开发的浏览器 API，让网站能够向 AI Agent 声明自己可执行的操作。文章对比了 Agent 访问应用的六种方式（原始 API、后端 MCP 服务器、computer use、浏览器自动化、WebMCP、内置助手），指出 WebMCP 是唯一同时满足'使用自己的 Agent、零配置、获得真实具名操作'三个条件的方案。声明式描述优于让 Agent 从像素猜测：无需 API key、登录随浏览器会话免费获得、可用操作随页面状态动态变化、支持 JSON Schema 兼容主流模型。文章还展示了注册工具的 JavaScript 代码与纯 HTML 表单的极简接入方式，认为这可能是多年来 Web 最大的变革。
本文是一篇面向初学者的 LangGraph 实战教程，介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念：State（状态/共享记忆）、Node（执行步骤）和 Edge（跳转逻辑），随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装，以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环（思考→行动→观察→回答）的基础 Agent，并给出网页搜索、数据库查询、RAG 检索等扩展方向。
本文从《给宝宝的机器人学》类比切入，系统讲解 Agent 的核心概念与发展脉络：大模型只负责生成回答，而 Agent 能借助工具、API、Agent Loop 和文件/终端等真实工作现场，把任务完整做完。文章依次介绍模型、Tool 与 API、Agent Loop、computer use、MCP 协议，以及 Claude Code、Codex CLI 到 Codex 桌面端的产品演进，说明为何同一个模型放进不同 Harness 表现差异巨大。最后以实战演示如何用 Codex 搭建论文资料整理 Agent，从建立项目结构、规划执行到接入 PubMed 检索工具，展现普通人也能上手的 Agent 工作流。
本文介绍了 DeepSeek Harness（DSH）的三大进阶玩法：一是斜杠命令，包括 /compact 压缩上下文、/export 导出对话、/goal 设置长期目标、/plan 计划模式等内置命令及自定义命令方法；二是给 AI 提供工具，讲解了工具、插件与 Skill 的区别，如何通过 MCP 协议接入现成服务，以及利用创造模式让 AI 临时生成工具；三是打造多 Agent 军团，介绍了 subagent、workflow、ralph 等内置派活工具和后台管理工具，实现任务的拆分、并行与迭代审视。
