尧图网站建设 
《深入理解AI Agent》图书蒸馏笔记蒸馏对象AI-Agents-in-Depth-zh-CN《深入理解AI Agent设计原理与工程实践》李博杰著v2.02026-09-23开源313 页作者为 Pine AI 首席科学家国科大实践课程讲义重构而成蒸馏框架图书蒸馏师判定为工具书为主、兼有思想体系的工程教科书 → 提取可执行原则 方法论框架整理日期2026-10-06目录摘要一、蒸馏判别工具书为主兼有思想体系二、核心命题与全书骨架2.1 一个公式Agent LLM 上下文 工具2.2 全书结构构建1–6章 提升7–10章2.3 核心论断竞争力在 Harness三、可执行步骤与规则提取照着能做什么3.1 构建有效 Agent 的三个核心原则Anthropic3.2 Harness 五要素与安全横切3.3 KV Cache 友好的上下文设计第 2 章核心工程纪律3.4 贯穿全书的五个设计模式本书最可迁移的资产3.5 评估方法论第 7 章3.6 后训练决策框架第 8 章3.7 多 Agent 协作的唯一判据第 10 章四、关键原则清单不能违背什么五、证据体系这本书的实验部分六、封装Agent 系统设计 Skill七、适用边界什么场景会翻车八、与自身工作的衔接附录 A术语速查附录 B系统设计自查清单由 markdown-toc 自动生成摘要本书把Agent工程收敛为公式AgentLLM上下文工具即大脑、眼睛与手脚竞争力在模型之外的Harness——约束、验证与纠正。五个设计模式提议者审核者、渐进式披露、只增不改、边界集保留集、最小diff可回滚。多Agent仅在引入新信息时占优。一、蒸馏判别工具书为主兼有思想体系按图书蒸馏框架先判体裁“能不能直接照着做”全书十章、每章带编号实验★~★★★难度分级和可运行代码开源仓库 bojieli/ai-agent-book从 API 消息结构、KV Cache 原理到奖励设计逐层给出可操作方法——主体是工具书。但它又不同于纯操作手册贯穿全书的五个设计模式和实践在前命名在后的认识论构成可迁移的思想层。因此按混合型处理以提取可执行步骤、原则为主思想框架为辅。作者底色值得注意这些原则来自 Pine AI 处理账单协商、退款投诉等长流程、高风险、真实经济利益任务的生产实践——单步错误即真实损失由此倒逼出可靠性优先的架构观。二、核心命题与全书骨架2.1 一个公式Agent LLM 上下文 工具三种表达层次说的是同一件事直觉层实现层学术层RL决定什么大脑LLMPolicy 策略思考与决策眼睛上下文Observation Space 观察空间能看到什么含工具定义即知道有哪些手脚手脚工具Action Space 动作空间能做什么能力杠杆排序模型固定时扩展眼睛和手脚重新定义观察/动作空间往往能直接把不可解任务变为可解——Manus、OpenClaw 的通用性很大程度来自接口边界的扩大。消融实验显示各组件不等价去掉工具定义或工具执行结果会直接夺走行动与闭环能力。2.2 全书结构构建1–6章 提升7–10章第一部分 如何构建入门ReAct、Harness→ 上下文工程第 2 章全书最关键→ 记忆与知识库RAG→ 工具MCP→ Coding Agent代码文件系统是通用 Agent 内核→ 交互扩展异步、语音、Computer Use、机器人第二部分 如何提升评估第 7 章建立可度量反馈→ 模型后训练SFT/RL→ 持续进化经验转化为能力→ 多 Agent 协作。三层面递进模型参数、单体系统、群体系统。2.3 核心论断竞争力在 Harness早期框架关注给模型工具和上下文让它能做事生产级系统的重心已转向约束、验证与纠正——让它可靠地做事。以 Claude Code 为例Harness 的绝大部分代码是保障机制而非工具本身。实证LangChain 在 Terminal Bench 2.0 上不换模型、只改 Harness自动检查执行结果、检测循环、优化思考策略得分从 52.8% 提到 66.5%。工程范式演进五阶段层层包含而非替代提示工程 ⊂ 上下文工程 ⊂ Harness 工程 ⊂ Loop 工程 ⊂ Graph 工程——每层扩展工程师的关注范围。三、可执行步骤与规则提取照着能做什么3.1 构建有效 Agent 的三个核心原则Anthropic保持简单从最简方案开始直接 API 调用优于复杂框架——每层抽象都是以后调试的新盲区保持透明显式展示规划步骤、执行日志、决策轨迹——黑箱里的错误外部既无法定位也无法纠正设计好工具接口ACI从 Agent 视角而非程序员视角设计用设计消除错误防呆/Poka-yoke如 SIM 卡缺角——模糊的接口会被模型放大成系统性错误。3.2 Harness 五要素与安全横切上下文管理提示工程、状态栏、压缩、Skills、跨会话上下文记忆、RAG、工具接口与约束权限、MCP、验证与纠正测试驱动、代码化规则安全不按章划分按上下文层/执行层/数据层三层护栏横切全书。人工干预的两个触发条件超过失败阈值重试/操作次数上限与高风险操作敏感、不可逆——至少在可靠性建立信心前。3.3 KV Cache 友好的上下文设计第 2 章核心工程纪律缓存只能保留到首个不同 token 之前改动越靠前重新计算越多实测可达数倍延迟。由此推出三条纪律和五种错误模式错误模式后果动态系统提示词嵌时间戳前缀缓存全失效时间信息应追加到末尾或用工具获取动态用户配置余额等嵌入上下文破坏缓存应走状态管理机制工具定义动态排序从首个变动工具起全失效固定顺序几乎不影响选工具能力滑动窗口截断历史丢失关键工具结果 → Agent 反复调同一工具陷入循环消息转纯文本USER:/ASSISTANT:偏离训练格式角色边界需模型额外推断错误率全面上升3.4 贯穿全书的五个设计模式本书最可迁移的资产提议者—审核者产出与评判由两个不共享上下文的角色承担评判方看产物本身渲染结果、测试输出而非产出方推理过程——成立前提是自审不可靠同一上下文中的模型难以发现自己的盲区也难以判断自己是否已被注入渐进式披露先给可检索目录按需加载细节——同时优化上下文预算与选择精度Skills 是典型形态元数据常驻、正文按需加载只增不改Append-only已写下的不回头改换来可缓存、可重放、可审计KV Cache 前缀稳定性是它的性能形态边界集 保留集每次修改同时在应改变的样本和不应影响的样本上验证——只测前者会把过拟合当进步只测后者会把无效修改当安全最小 diff 可回滚小步修改、带来源、可单独回滚让归因成为可能。三条更新路径正按可回滚程度从高到低排列上下文内适应 → 外部产物更新 → 参数更新。3.5 评估方法论第 7 章没有评估就无法判断改动提升源于设计还是随机波动——评估把迭代从经验判断变为可比较、可复现的工程过程核心工具LLM-as-a-Judge 自动评判、失败归因从整条轨迹定位首个错误、配对比较与模型排名、统计显著性检验评估集三来源 验证器设计 数据泄漏防范从 Benchmark 报告到数据 → 假设 → 改进路线图的闭环。3.6 后训练决策框架第 8 章四阶段全景预训练数百万美元级→ Mid-training补领域知识→ SFT几千~几万条示范学协议与格式→ RL任务环境奖励学可迁移策略两个核心论断“SFT 记忆、RL 泛化”“数据与环境比算法更重要”——本章不断把注意力从调哪个算法拉回数据和环境做对了没有奖励设计谱系二元结果 → 过程奖励 → “奖励结果、约束过程”RLVP 验证路径惩罚。3.7 多 Agent 协作的唯一判据第 10 章协作过程是否引入了单个 Agent 在生成时无法获得的新信息模式引入新信息效果同一模型自我审查否通常无效甚至有害多 Agent 辩论同一段文本否等计算量下与单 Agent 持平审核者用测试执行结果审代码是执行反馈显著提升审核者看渲染截图审前端是视觉反馈显著提升WebGen26.4%→51.9%审核者用外部工具验证事实是工具反馈显著提升该判据化解了学术研究说多 Agent 无用、工程实践说有用的矛盾前者讨论的是同上下文互相讨论后者包含外部反馈环路。多 Agent 六种失败模式并发冲突、错误级联、同质趋同、互相扯皮、循环失控、理解债与预算感知无预算意识的 Agent 给 300 步仍浅层搜索即饱和是两个实用警示。四、关键原则清单不能违背什么先扩展接口再考虑换模型观察/动作空间的重定义是最大的能力杠杆系统提示词定下来就不要改一切动态信息追加到对话末尾保持标准消息格式不把 role-content 结构转纯文本——偏离训练格式是在给自己挖坑自审不可靠产出与评判必须分离上下文不能让同一个 Agent 自审状态只增不改除非有明确代价理由前缀稳定性优先任何修改过双重验证边界集应改变 保留集不应影响缺一不可小步快走带回滚拒绝整体重写多 Agent 先问新信息没有执行反馈/视觉反馈/工具反馈的多角色讨论是浪费 token评估先于优化没有基线和统计显著性任何提升都不可信训练的功夫在数据和环境算法选择是最后一步不是第一步。五、证据体系这本书的实验部分每章配编号实验★~★★★大部分有完整可运行代码开源仓库 chapter1/~chapter10/ 逐章组织关键实证来自作者生产实践Pine 的账单协商等任务与公开研究LangChain Terminal Bench、RLEF、WebGen-agent、Anthropic 多 Agent 漏洞挖掘实验45 Agent 用 2700 万 token 找到 266 个漏洞 vs 独立并行 650 万 token 找到 21 个本书的形成过程本身是一次 Agent 深度参与的知识生产whisper coding 口述协作作者以此说明实践在前、命名在后——Skill/harness/loop engineering 等概念的工程实践均早于术语普及。六、封装Agent 系统设计 Skill按蒸馏框架第三步封装为可调用技能单元。角色AI Agent 系统架构顾问。输入规范一个要构建或改进的 Agent 任务描述含风险等级错误可容忍 / 错误造成真实损失。处理链路输入问题 → 按书的方法一步步处理 → 输出方案输入Agent 任务 风险等级 ① 定空间观察空间要看到什么动作空间要能做什么缺什么补什么能力杠杆 ② 建骨架最简方案起步直接 API 调用ReAct 循环显式日志 ③ 设护栏按风险分级——高风险任务上人工干预触发条件失败阈值不可逆操作 工具接口做防呆设计 ④ 守上下文静态前缀系统提示词工具定义冻结动态信息追加末尾 长任务用渐进式披露 分层压缩必要时子 Agent 上下文隔离 ⑤ 立评估先建基线与回归任务集边界集保留集LLM-as-a-Judge 自动化 改动跑统计显著性 ⑥ 判升级prompt/上下文解决不了 → Skills/程序单 Agent 到顶 → 检查是否 有新信息可引入执行/视觉/工具反馈有则多 Agent无则不加 输出架构方案 每项决策的能力边界与回滚路径运行示例AOI 异常检测的 Agent 化质检流程 → ①观察空间图像检测模型输出动作空间调用检测/报警/生成报告工具 → ④检测工具定义冻结在系统提示词检测结果追加轨迹 → ⑤以漏检/误检率建回归集 → ⑥若要加多模型交叉审核先问第二模型是否引入执行反馈等新信息是独立前向新观察→ 成立。七、适用边界什么场景会翻车时效衰减快模型与产品迭代以月计书内已引 2026-07 的 Graph Engineering 讨论具体模型选型建议会过时但架构原则预期穿越迭代周期——引用时取原则、弃版本号风险等级前提全书可靠性优先的取向来自高风险生产场景玩具项目、一次性脚本套用全套 Harness 是过度工程第 8 章有门槛分层Agent 应用开发者只需读四阶段全景与决策框架何时 prompt、何时训练算法细节是训练工程师的领地——作者自己给了两条阅读路径多 Agent 判据有反例语境新信息判据针对能力上限开放搜索空间漏洞挖掘类中即使无外部反馈多 Agent 通信也能换更广覆盖——但代价是 token 预算放大数倍评估基础设施成本LLM-as-a-Judge 与回归任务集本身需要建设投入小团队可能先用不起第 7 章全套方法中文语境与开源生态书中案例以闭源模型与国内模型DeepSeek/Kimi/GLM为主本地化部署细节需另行核实。八、与自身工作的衔接本笔记与前两篇EfficientAD、HowToLiveBetter同属一个蒸馏系列——本书第 2.5 节的 Agent Skills元数据常驻、正文按需加载正是本系列所用「course-video-note-cover」技能的理论根据三篇笔记互相印证渐进式披露模式做公众号工作流时可对照五模式自查写文流程是否只增不改推送脚本改动是否有边界集保护封面生成是否已固化为 Skill配套代码仓库github.com/bojieli/ai-agent-book可作为复现入口实验编号X-Y直接对应 chapterX/ 目录。附录 A术语速查术语释义Agent LLM上下文工具大脑眼睛手脚PolicyObservation SpaceAction SpaceHarness模型之外的运行与治理机制上下文/工具接口、约束、验证、纠正ACIAgent-Computer Interface从 Agent 视角设计的工具接口含防呆设计KV Cache / Prompt Cache单次请求内缓存 / 跨请求前缀复用成本约十分之一ReAct思考→行动→观察的迭代循环提议者—审核者产出与评判分离上下文的双角色模式自审不可靠的对策渐进式披露目录常驻、正文按需加载Skills 的机制本质边界集保留集修改的双重验证样本应改变的 不应影响的SFT 记忆、RL 泛化示范教协议格式试错学可迁移策略RLVP奖励结果、约束过程验证路径惩罚新信息判据多 Agent 优于单 Agent 当且仅当协作引入生成时不可得的信息附录 B系统设计自查清单从最简方案开始没有为未来假想需求加抽象决策轨迹与执行日志对用户可见工具命名/参数直观误用从设计上不可能防呆系统提示词与工具定义冻结动态信息追加末尾消息保持标准 role-content 格式高风险/不可逆操作有人工干预触发点产出与评判分离上下文无自审每次改动同时过边界集与保留集验证有评估基线改动看统计显著性而非单次跑分加多 Agent 前确认引入了新信息执行/视觉/工具反馈 《深入理解AI Agent》图书蒸馏笔记
《深入理解AI Agent》图书蒸馏笔记蒸馏对象AI-Agents-in-Depth-zh-CN《深入理解AI Agent设计原理与工程实践》李博杰著v2.02026-09-23开源313 页作者为 Pine AI 首席科学家国科大实践课程讲义重构而成蒸馏框架图书蒸馏师判定为工具书为主、兼有思想体系的工程教科书 → 提取可执行原则 方法论框架整理日期2026-10-06目录摘要一、蒸馏判别工具书为主兼有思想体系二、核心命题与全书骨架2.1 一个公式Agent LLM 上下文 工具2.2 全书结构构建1–6章 提升7–10章2.3 核心论断竞争力在 Harness三、可执行步骤与规则提取照着能做什么3.1 构建有效 Agent 的三个核心原则Anthropic3.2 Harness 五要素与安全横切3.3 KV Cache 友好的上下文设计第 2 章核心工程纪律3.4 贯穿全书的五个设计模式本书最可迁移的资产3.5 评估方法论第 7 章3.6 后训练决策框架第 8 章3.7 多 Agent 协作的唯一判据第 10 章四、关键原则清单不能违背什么五、证据体系这本书的实验部分六、封装Agent 系统设计 Skill七、适用边界什么场景会翻车八、与自身工作的衔接附录 A术语速查附录 B系统设计自查清单由 markdown-toc 自动生成摘要本书把Agent工程收敛为公式AgentLLM上下文工具即大脑、眼睛与手脚竞争力在模型之外的Harness——约束、验证与纠正。五个设计模式提议者审核者、渐进式披露、只增不改、边界集保留集、最小diff可回滚。多Agent仅在引入新信息时占优。一、蒸馏判别工具书为主兼有思想体系按图书蒸馏框架先判体裁“能不能直接照着做”全书十章、每章带编号实验★~★★★难度分级和可运行代码开源仓库 bojieli/ai-agent-book从 API 消息结构、KV Cache 原理到奖励设计逐层给出可操作方法——主体是工具书。但它又不同于纯操作手册贯穿全书的五个设计模式和实践在前命名在后的认识论构成可迁移的思想层。因此按混合型处理以提取可执行步骤、原则为主思想框架为辅。作者底色值得注意这些原则来自 Pine AI 处理账单协商、退款投诉等长流程、高风险、真实经济利益任务的生产实践——单步错误即真实损失由此倒逼出可靠性优先的架构观。二、核心命题与全书骨架2.1 一个公式Agent LLM 上下文 工具三种表达层次说的是同一件事直觉层实现层学术层RL决定什么大脑LLMPolicy 策略思考与决策眼睛上下文Observation Space 观察空间能看到什么含工具定义即知道有哪些手脚手脚工具Action Space 动作空间能做什么能力杠杆排序模型固定时扩展眼睛和手脚重新定义观察/动作空间往往能直接把不可解任务变为可解——Manus、OpenClaw 的通用性很大程度来自接口边界的扩大。消融实验显示各组件不等价去掉工具定义或工具执行结果会直接夺走行动与闭环能力。2.2 全书结构构建1–6章 提升7–10章第一部分 如何构建入门ReAct、Harness→ 上下文工程第 2 章全书最关键→ 记忆与知识库RAG→ 工具MCP→ Coding Agent代码文件系统是通用 Agent 内核→ 交互扩展异步、语音、Computer Use、机器人第二部分 如何提升评估第 7 章建立可度量反馈→ 模型后训练SFT/RL→ 持续进化经验转化为能力→ 多 Agent 协作。三层面递进模型参数、单体系统、群体系统。2.3 核心论断竞争力在 Harness早期框架关注给模型工具和上下文让它能做事生产级系统的重心已转向约束、验证与纠正——让它可靠地做事。以 Claude Code 为例Harness 的绝大部分代码是保障机制而非工具本身。实证LangChain 在 Terminal Bench 2.0 上不换模型、只改 Harness自动检查执行结果、检测循环、优化思考策略得分从 52.8% 提到 66.5%。工程范式演进五阶段层层包含而非替代提示工程 ⊂ 上下文工程 ⊂ Harness 工程 ⊂ Loop 工程 ⊂ Graph 工程——每层扩展工程师的关注范围。三、可执行步骤与规则提取照着能做什么3.1 构建有效 Agent 的三个核心原则Anthropic保持简单从最简方案开始直接 API 调用优于复杂框架——每层抽象都是以后调试的新盲区保持透明显式展示规划步骤、执行日志、决策轨迹——黑箱里的错误外部既无法定位也无法纠正设计好工具接口ACI从 Agent 视角而非程序员视角设计用设计消除错误防呆/Poka-yoke如 SIM 卡缺角——模糊的接口会被模型放大成系统性错误。3.2 Harness 五要素与安全横切上下文管理提示工程、状态栏、压缩、Skills、跨会话上下文记忆、RAG、工具接口与约束权限、MCP、验证与纠正测试驱动、代码化规则安全不按章划分按上下文层/执行层/数据层三层护栏横切全书。人工干预的两个触发条件超过失败阈值重试/操作次数上限与高风险操作敏感、不可逆——至少在可靠性建立信心前。3.3 KV Cache 友好的上下文设计第 2 章核心工程纪律缓存只能保留到首个不同 token 之前改动越靠前重新计算越多实测可达数倍延迟。由此推出三条纪律和五种错误模式错误模式后果动态系统提示词嵌时间戳前缀缓存全失效时间信息应追加到末尾或用工具获取动态用户配置余额等嵌入上下文破坏缓存应走状态管理机制工具定义动态排序从首个变动工具起全失效固定顺序几乎不影响选工具能力滑动窗口截断历史丢失关键工具结果 → Agent 反复调同一工具陷入循环消息转纯文本USER:/ASSISTANT:偏离训练格式角色边界需模型额外推断错误率全面上升3.4 贯穿全书的五个设计模式本书最可迁移的资产提议者—审核者产出与评判由两个不共享上下文的角色承担评判方看产物本身渲染结果、测试输出而非产出方推理过程——成立前提是自审不可靠同一上下文中的模型难以发现自己的盲区也难以判断自己是否已被注入渐进式披露先给可检索目录按需加载细节——同时优化上下文预算与选择精度Skills 是典型形态元数据常驻、正文按需加载只增不改Append-only已写下的不回头改换来可缓存、可重放、可审计KV Cache 前缀稳定性是它的性能形态边界集 保留集每次修改同时在应改变的样本和不应影响的样本上验证——只测前者会把过拟合当进步只测后者会把无效修改当安全最小 diff 可回滚小步修改、带来源、可单独回滚让归因成为可能。三条更新路径正按可回滚程度从高到低排列上下文内适应 → 外部产物更新 → 参数更新。3.5 评估方法论第 7 章没有评估就无法判断改动提升源于设计还是随机波动——评估把迭代从经验判断变为可比较、可复现的工程过程核心工具LLM-as-a-Judge 自动评判、失败归因从整条轨迹定位首个错误、配对比较与模型排名、统计显著性检验评估集三来源 验证器设计 数据泄漏防范从 Benchmark 报告到数据 → 假设 → 改进路线图的闭环。3.6 后训练决策框架第 8 章四阶段全景预训练数百万美元级→ Mid-training补领域知识→ SFT几千~几万条示范学协议与格式→ RL任务环境奖励学可迁移策略两个核心论断“SFT 记忆、RL 泛化”“数据与环境比算法更重要”——本章不断把注意力从调哪个算法拉回数据和环境做对了没有奖励设计谱系二元结果 → 过程奖励 → “奖励结果、约束过程”RLVP 验证路径惩罚。3.7 多 Agent 协作的唯一判据第 10 章协作过程是否引入了单个 Agent 在生成时无法获得的新信息模式引入新信息效果同一模型自我审查否通常无效甚至有害多 Agent 辩论同一段文本否等计算量下与单 Agent 持平审核者用测试执行结果审代码是执行反馈显著提升审核者看渲染截图审前端是视觉反馈显著提升WebGen26.4%→51.9%审核者用外部工具验证事实是工具反馈显著提升该判据化解了学术研究说多 Agent 无用、工程实践说有用的矛盾前者讨论的是同上下文互相讨论后者包含外部反馈环路。多 Agent 六种失败模式并发冲突、错误级联、同质趋同、互相扯皮、循环失控、理解债与预算感知无预算意识的 Agent 给 300 步仍浅层搜索即饱和是两个实用警示。四、关键原则清单不能违背什么先扩展接口再考虑换模型观察/动作空间的重定义是最大的能力杠杆系统提示词定下来就不要改一切动态信息追加到对话末尾保持标准消息格式不把 role-content 结构转纯文本——偏离训练格式是在给自己挖坑自审不可靠产出与评判必须分离上下文不能让同一个 Agent 自审状态只增不改除非有明确代价理由前缀稳定性优先任何修改过双重验证边界集应改变 保留集不应影响缺一不可小步快走带回滚拒绝整体重写多 Agent 先问新信息没有执行反馈/视觉反馈/工具反馈的多角色讨论是浪费 token评估先于优化没有基线和统计显著性任何提升都不可信训练的功夫在数据和环境算法选择是最后一步不是第一步。五、证据体系这本书的实验部分每章配编号实验★~★★★大部分有完整可运行代码开源仓库 chapter1/~chapter10/ 逐章组织关键实证来自作者生产实践Pine 的账单协商等任务与公开研究LangChain Terminal Bench、RLEF、WebGen-agent、Anthropic 多 Agent 漏洞挖掘实验45 Agent 用 2700 万 token 找到 266 个漏洞 vs 独立并行 650 万 token 找到 21 个本书的形成过程本身是一次 Agent 深度参与的知识生产whisper coding 口述协作作者以此说明实践在前、命名在后——Skill/harness/loop engineering 等概念的工程实践均早于术语普及。六、封装Agent 系统设计 Skill按蒸馏框架第三步封装为可调用技能单元。角色AI Agent 系统架构顾问。输入规范一个要构建或改进的 Agent 任务描述含风险等级错误可容忍 / 错误造成真实损失。处理链路输入问题 → 按书的方法一步步处理 → 输出方案输入Agent 任务 风险等级 ① 定空间观察空间要看到什么动作空间要能做什么缺什么补什么能力杠杆 ② 建骨架最简方案起步直接 API 调用ReAct 循环显式日志 ③ 设护栏按风险分级——高风险任务上人工干预触发条件失败阈值不可逆操作 工具接口做防呆设计 ④ 守上下文静态前缀系统提示词工具定义冻结动态信息追加末尾 长任务用渐进式披露 分层压缩必要时子 Agent 上下文隔离 ⑤ 立评估先建基线与回归任务集边界集保留集LLM-as-a-Judge 自动化 改动跑统计显著性 ⑥ 判升级prompt/上下文解决不了 → Skills/程序单 Agent 到顶 → 检查是否 有新信息可引入执行/视觉/工具反馈有则多 Agent无则不加 输出架构方案 每项决策的能力边界与回滚路径运行示例AOI 异常检测的 Agent 化质检流程 → ①观察空间图像检测模型输出动作空间调用检测/报警/生成报告工具 → ④检测工具定义冻结在系统提示词检测结果追加轨迹 → ⑤以漏检/误检率建回归集 → ⑥若要加多模型交叉审核先问第二模型是否引入执行反馈等新信息是独立前向新观察→ 成立。七、适用边界什么场景会翻车时效衰减快模型与产品迭代以月计书内已引 2026-07 的 Graph Engineering 讨论具体模型选型建议会过时但架构原则预期穿越迭代周期——引用时取原则、弃版本号风险等级前提全书可靠性优先的取向来自高风险生产场景玩具项目、一次性脚本套用全套 Harness 是过度工程第 8 章有门槛分层Agent 应用开发者只需读四阶段全景与决策框架何时 prompt、何时训练算法细节是训练工程师的领地——作者自己给了两条阅读路径多 Agent 判据有反例语境新信息判据针对能力上限开放搜索空间漏洞挖掘类中即使无外部反馈多 Agent 通信也能换更广覆盖——但代价是 token 预算放大数倍评估基础设施成本LLM-as-a-Judge 与回归任务集本身需要建设投入小团队可能先用不起第 7 章全套方法中文语境与开源生态书中案例以闭源模型与国内模型DeepSeek/Kimi/GLM为主本地化部署细节需另行核实。八、与自身工作的衔接本笔记与前两篇EfficientAD、HowToLiveBetter同属一个蒸馏系列——本书第 2.5 节的 Agent Skills元数据常驻、正文按需加载正是本系列所用「course-video-note-cover」技能的理论根据三篇笔记互相印证渐进式披露模式做公众号工作流时可对照五模式自查写文流程是否只增不改推送脚本改动是否有边界集保护封面生成是否已固化为 Skill配套代码仓库github.com/bojieli/ai-agent-book可作为复现入口实验编号X-Y直接对应 chapterX/ 目录。附录 A术语速查术语释义Agent LLM上下文工具大脑眼睛手脚PolicyObservation SpaceAction SpaceHarness模型之外的运行与治理机制上下文/工具接口、约束、验证、纠正ACIAgent-Computer Interface从 Agent 视角设计的工具接口含防呆设计KV Cache / Prompt Cache单次请求内缓存 / 跨请求前缀复用成本约十分之一ReAct思考→行动→观察的迭代循环提议者—审核者产出与评判分离上下文的双角色模式自审不可靠的对策渐进式披露目录常驻、正文按需加载Skills 的机制本质边界集保留集修改的双重验证样本应改变的 不应影响的SFT 记忆、RL 泛化示范教协议格式试错学可迁移策略RLVP奖励结果、约束过程验证路径惩罚新信息判据多 Agent 优于单 Agent 当且仅当协作引入生成时不可得的信息附录 B系统设计自查清单从最简方案开始没有为未来假想需求加抽象决策轨迹与执行日志对用户可见工具命名/参数直观误用从设计上不可能防呆系统提示词与工具定义冻结动态信息追加末尾消息保持标准 role-content 格式高风险/不可逆操作有人工干预触发点产出与评判分离上下文无自审每次改动同时过边界集与保留集验证有评估基线改动看统计显著性而非单次跑分加多 Agent 前确认引入了新信息执行/视觉/工具反馈