AI Agent 学习指南：2026 年应学什么、构建什么以及忽略什么
本文针对 AI 领域快速迭代带来的焦虑，提出了一套判断技术价值的筛选标准，建议关注具有长期复利的“原始概念”而非短暂的封装框架。文章重点探讨了“上下文工程”的演变及“工具设计”的重要性，强调在混乱的生态中应保持耐心，注重核心模式与可衡量性，而非盲目追逐每周的新框架。
相关文档
Agent 开发指南：技术太多，该怎么学？
文章深入分析了 Agent 开发的技术趋势，指出核心稀缺资源已从“代码”转向“可信结果”。阐述了 Harness Engineering 的重要性，强调在概率性推理之外建立确定性执行外壳，通过状态管理、身份验证和结果验收，让 Agent 能够在复杂系统中可靠承担责任。
Grok Bot 可能终结应用切换时代
文章指出，现代生产力的最大瓶颈不是思考慢，而是工作碎片化地在多个应用间切换，决策只需三十秒，而协调却要二十分钟。Grok Bot 类持久化 Agent 的价值在于以任务结果为界面，让应用成为实现细节，消除工具间的转换成本。作者阐述了以职位描述定义工作流、持久化环境保存上下文、将流程固化为可复用例程、从人类行为中学习自动化等理念，并强调 Agent 架构应分层：生成模型负责创造内容，快速决策层负责调度，确定性代码负责规则约束，从而构建真正自主的工作系统。
2026年AI Agent：学什么、做什么、跳过什么
本文探讨了在快速迭代的AI Agent领域中，如何辨别技术的持久价值与暂时噪音。作者提出了过滤新技术的五个维度，强调了“上下文工程”和“工具设计”作为核心原语的重要性。文章主张关注那些能经受时间考验的基础模式，而非追逐每周的新框架，并指出真正的专业技能在于知道该忽略什么。
重新定义 AI 交互：Skill 工程化实战指南（一）
文章指出传统 Prompt 工程在规模化、持久化和稳定性上的局限，提出了“Skill”概念。Skill 将系统提示词、入参 Schema 和执行逻辑封装为可复用的“AI 函数”。文章对比了 Skill 与 Prompt、MCP、Agent 的区别，并介绍了基于“渐进式披露”的三层交互架构，旨在用软件工程的严谨性提升 AI 应用的可控性。
Anthropic内部分享：别再造Agent了，造Skills就够了
Anthropic 内部分享指出，与其为每个场景构建新 Agent，不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹，通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系，及其在金融、科研等领域的生态发展，类比将其比作“应用层”，强调通过知识积累让模型不断进化。
AI 早报：Anthropic 交付架构、LangChain 设计智能体与 Ai2 新颖性裁判研究
本期早报围绕智能体系统建设展开：一是 Anthropic 负责人解释 Claude 交付架构，将会话记录、运行框架与沙箱执行环境分离，使失败恢复不影响工作连续性；二是 LangChain 分享设计智能体的实践，将设计师的审美判断沉淀为技能与知识库，中位费用从 8 美元降至 0.50 美元；三是 Ai2 研究检验 LLM 判断研究想法新颖性的可靠性，发现提示词变化可导致准确率剧烈波动。此外还涵盖 Google A2UI 推理格式、Optiver 模型接入平台、小红书 AllSpark 数据管线及 K2 Lab 垂直 AI 产品等内容。
12 Agentic Harness Patterns From Claude Code
文章总结了 Claude Code 中十二种可复用的代理 Harness 设计模式，分为四大类：记忆与上下文（持久指令文件、范围化上下文组装、分层记忆、空闲整理、渐进式上下文压缩）、工作流与编排（探索-计划-执行循环、上下文隔离子代理、分叉-合并并行）、工具与权限（渐进式工具扩展、命令风险分类、单一职责工具设计）以及自动化（确定性生命周期钩子）。作者强调这些是架构层面的决策而非临时提示技巧，即使模型能力提升仍具价值。
How to Build a Multi-Model Team of AI Agents in 2026
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
The 2026 LLM Engineering Roadmap
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
Agent Memory Is Not a Search Problem
文章指出 Agent 记忆系统的核心问题不是检索而是上下文组织。跨 15 个模型、20 万模拟对话的研究显示，任务拆分为多轮会使准确率平均下降 39%，而合并为单轮可恢复大部分损失。文章回顾了 Agent 记忆的四个发展阶段（全量历史、滚动摘要、向量检索、知识图谱），批评语义/情景/程序性记忆分类无法指导检索决策，并主张按六种问题类型构建六种上下文形态。作者基于开源 Graphiti 引擎，以客户历史为例实操演示如何让记忆系统在模型运行前正确组织上下文，避免基于过时信息的自信回答。
斯坦福大学 CS329Z「Engineering AI Agents」第二讲 LLMs for Builders：Agent 工程师必修的大模型底层原理
本文深度解读斯坦福 2026 秋季课程 CS329Z 第二讲「LLMs for Builders」讲义，面向 Agent 工程师系统讲解 LLM 底层原理。内容涵盖：自回归概率分解与解码采样策略；从 RNN 到 Transformer、线性注意力的架构演进及其工程取舍；预训练、中期训练与后训练（RLHF、RLVR）管线；推理阶段的 Prefill/Decode、KV Cache、投机解码与推理时扩展；最后落脚到 Agent 开发的结构化 I/O 与上下文工程实践，强调'设计决策→局限→应用策略'的因果链。
Context Infrastructure: Architectural Lessons From the Data Lakehouse
文章提出上下文基础设施正出现一种新模式：尽可能保存原始历史数据（对话、工具调用、事件、Agent 工作记录），之后再按需构建摘要、知识图谱、嵌入等派生视图。这一架构借鉴了数据湖屋（Lakehouse）的经验，如 Databricks 的青铜/白银/黄金分层架构。作者对比了写入时即做压缩决策的内存系统（如 CrewAI），指出其风险在于丢失未来可能重要的信息；并介绍了 CortexDB、Statewave、Supermemory、Zep 等产品的实践：以不可变事件为事实来源，将记忆作为可重建的视图。文章最后提醒需防范上下文沼泽，建议写侧优化保存、读侧优化实用性。
