本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
文章深入解析了构建大型语言模型的完整五个阶段，指出架构并非关键，数据、评估和系统才是核心。内容涵盖预训练、数据处理、扩展定律、后训练（SFT与RLHF）以及评估系统，揭示了从原始文本到智能助手的技术路径。
本文详细介绍了如何通过 MCP (Model Context Protocol) 将 Claude Code 从单纯的代码助手转变为全栈工程合作伙伴。文章阐述了 MCP 在解决上下文盲区、操作断连和会话遗忘方面的优势，并提供了文件系统、Git、数据库（PostgreSQL/Supabase）及终端执行层的具体配置与验证指南，展示了构建端到端自主开发工作流的完整架构。
本文重点介绍了 ADK 开发中的 5 种代理技能设计模式，旨在帮助开发者超越单纯的格式规范，深入内容逻辑设计。文章详细解析了工具包装器、生成器、审核员、反转和流水线五种模式，涵盖了从知识封装、一致性生成、代码审查到交互流程控制等关键环节，并提供了决策树以指导开发者选择合适的模式构建更可靠的智能体。