尧图网站建设 
目录实战项目[3w字详解一文搞懂 Agent 核心概念、ReAct、Reflection、Multi-Agent、记忆系统..](https://articles.zsxq.com/id_jp64t6h5wae3.html) :AI Agent核心概念什么是AI AgentAgent 框架由哪三大部分组成Tools 注册与调用遵循什么标准格式数据格式层OpenAI Function Calling Schema进阶封装Skills 与 Agent Skills通信接入层MCP (Model Context Protocol)Context Engineering 包含哪些内容Context Engineering 包含哪些核心技术什么是 Prompt Injection提示词注入攻击other to readAgent学习路线阶段零认知校准1~2 天:实战项目项目《SpringAI 智能面试平台RAG知识库》3w字详解一文搞懂 Agent 核心概念、ReAct、Reflection、Multi-Agent、记忆系统… :AI Agent核心概念什么是AI AgentAgent LLM Planning规划 Memory记忆 Tools工具:Agent 框架由哪三大部分组成LLM Call模型调用底层 API 管理负责抹平各大厂商 LLM 的接口差异处理流式输出、Token 截断、重试机制等基础能力。例如支持 OpenAI、Anthropic 或 Hugging Face 模型的统一调用确保兼容性。Tools Call工具调用解决 LLM 如何与外部世界交互的问题。涵盖 Function Calling、MCPModel Context Protocol、Skills 等机制。主流应用包括本地文件读写、网页搜索、代码沙箱执行、第三方 API 触发如邮件发送或数据库查询。Context Engineering上下文工程管理传递给大模型的 Prompt 集合。这三层形成了 Agent 的完整能力栈调得到模型、用得了工具、管得好上下文。Tools 注册与调用遵循什么标准格式要让 Agent 准确理解并调用外部工具业界目前依赖两大核心标准协议底层数据格式标准OpenAI Schema与 应用通信接入标准MCP。数据格式层OpenAI Function Calling Schema通过 JSON Schema 严格定义工具的描述和参数规范。LLM 在推理时只消费这部分 JSON Schema 来理解工具的功能边界从而决定是否调用以及如何填充参数。标准 JSON Schema 结构示例以查询服务慢 SQL 日志为例如下。工具描述的质量直接决定 Agent 的决策准确性。好的工具描述应明确说明何时该调用和何时不该调用参数的 description 应包含格式要求和典型示例值。进阶封装Skills 与 Agent Skills当多个原子工具需要在特定场景下被反复组合调用时可以将这一调用序列封装为一个Skill技能对外暴露为单一的可调用接口。Skills 不是独立于 Tools 之外的新能力层而是 Tools 在工程实践中的高阶封装形态。2026 年的工程落地中Skill 演化出了两种核心形态传统 Toolkits / 复合工具黑盒形态将多个原子工具在代码层封装为高阶工具对外暴露单一的 JSON Schema。LLM 只能看到函数签名和参数描述无法感知内部实现逻辑。核心价值是降低推理步骤和 Token 消耗适用于逻辑固定、调用路径明确的场景。Agent Skills白盒形态2026 年主流趋势以 SKILL.md 文件为核心的自然语言指令集。每个 Skill 是一个文件夹包含 YAML front-matter元数据 详细自然语言指令。通过 延迟加载Lazy Loading 机制启动时只读取 front-matter 做发现不占上下文LLM 决定调用时才动态加载完整内容注入上下文。核心价值是将团队”隐性知识”显性化指导 Agent 处理复杂灵活的任务。豆包给的例子通信接入层MCP (Model Context Protocol)如果说 Function Calling Schema 解决了模型如何听懂工具请求的问题那么 Anthropic 于 2024 年 11 月推出的 MCP 则解决了工具如何标准化接入宿主程序的问题。MCP 提供了一套基于 JSON-RPC 2.0 的统一网络通信协议被誉为 AI 领域的USB-C 接口。通过MCP Server外部系统如本地文件、数据库、企业 API可以标准化地向外暴露自身能力宿主程序Host只需连接该 Server就能自动发现并注册所有工具彻底解耦了 AI 应用与底层外部代码。Context Engineering 包含哪些内容可以从狭义和广义两个层面来拆解狭义上下文工程主要聚焦于静态的 Prompt 结构化设计。比如通过编写 .cursorrules 或框架配置文件来设定 Agent 的人设、工作流规范SOP以及严格的输出格式约束。广义上下文工程囊括了所有影响 LLM 当前决策的输入信息管理。记忆系统Memory短期记忆Session 滑动窗口管理、长期记忆核心事实提取与向量数据库存储。动态增强与挂载RAG Tools根据当前的对话意图动态检索外部文档作为背景知识RAG同时把各种原子工具或复杂技能的功能描述以结构化文本的形式挂载到上下文中让大模型知道当前能调用哪些能力。上下文裁剪与优化Token Optimization这也是工程实践中最关键的一环。因为上下文窗口有限我们需要引入摘要压缩、无用历史剔除或者上下文缓存Context Caching技术在保证信息完整度的同时降低 Token 开销和响应延迟。Context Engineering 包含哪些核心技术什么是 Prompt Injection提示词注入攻击other to read万字详解大模型核心概念Token、Temperature、上下文窗口、Prompt 工程、结构化输出 in 项目Agent学习路线Java/Go 开发者 AI 应用开发与 Agent 学习路线2026 最新版AI 应用开发/Agent学习路线:阶段零认知校准1~2 天:本博 ai agent学习大纲
目录实战项目[3w字详解一文搞懂 Agent 核心概念、ReAct、Reflection、Multi-Agent、记忆系统..](https://articles.zsxq.com/id_jp64t6h5wae3.html) :AI Agent核心概念什么是AI AgentAgent 框架由哪三大部分组成Tools 注册与调用遵循什么标准格式数据格式层OpenAI Function Calling Schema进阶封装Skills 与 Agent Skills通信接入层MCP (Model Context Protocol)Context Engineering 包含哪些内容Context Engineering 包含哪些核心技术什么是 Prompt Injection提示词注入攻击other to readAgent学习路线阶段零认知校准1~2 天:实战项目项目《SpringAI 智能面试平台RAG知识库》3w字详解一文搞懂 Agent 核心概念、ReAct、Reflection、Multi-Agent、记忆系统… :AI Agent核心概念什么是AI AgentAgent LLM Planning规划 Memory记忆 Tools工具:Agent 框架由哪三大部分组成LLM Call模型调用底层 API 管理负责抹平各大厂商 LLM 的接口差异处理流式输出、Token 截断、重试机制等基础能力。例如支持 OpenAI、Anthropic 或 Hugging Face 模型的统一调用确保兼容性。Tools Call工具调用解决 LLM 如何与外部世界交互的问题。涵盖 Function Calling、MCPModel Context Protocol、Skills 等机制。主流应用包括本地文件读写、网页搜索、代码沙箱执行、第三方 API 触发如邮件发送或数据库查询。Context Engineering上下文工程管理传递给大模型的 Prompt 集合。这三层形成了 Agent 的完整能力栈调得到模型、用得了工具、管得好上下文。Tools 注册与调用遵循什么标准格式要让 Agent 准确理解并调用外部工具业界目前依赖两大核心标准协议底层数据格式标准OpenAI Schema与 应用通信接入标准MCP。数据格式层OpenAI Function Calling Schema通过 JSON Schema 严格定义工具的描述和参数规范。LLM 在推理时只消费这部分 JSON Schema 来理解工具的功能边界从而决定是否调用以及如何填充参数。标准 JSON Schema 结构示例以查询服务慢 SQL 日志为例如下。工具描述的质量直接决定 Agent 的决策准确性。好的工具描述应明确说明何时该调用和何时不该调用参数的 description 应包含格式要求和典型示例值。进阶封装Skills 与 Agent Skills当多个原子工具需要在特定场景下被反复组合调用时可以将这一调用序列封装为一个Skill技能对外暴露为单一的可调用接口。Skills 不是独立于 Tools 之外的新能力层而是 Tools 在工程实践中的高阶封装形态。2026 年的工程落地中Skill 演化出了两种核心形态传统 Toolkits / 复合工具黑盒形态将多个原子工具在代码层封装为高阶工具对外暴露单一的 JSON Schema。LLM 只能看到函数签名和参数描述无法感知内部实现逻辑。核心价值是降低推理步骤和 Token 消耗适用于逻辑固定、调用路径明确的场景。Agent Skills白盒形态2026 年主流趋势以 SKILL.md 文件为核心的自然语言指令集。每个 Skill 是一个文件夹包含 YAML front-matter元数据 详细自然语言指令。通过 延迟加载Lazy Loading 机制启动时只读取 front-matter 做发现不占上下文LLM 决定调用时才动态加载完整内容注入上下文。核心价值是将团队”隐性知识”显性化指导 Agent 处理复杂灵活的任务。豆包给的例子通信接入层MCP (Model Context Protocol)如果说 Function Calling Schema 解决了模型如何听懂工具请求的问题那么 Anthropic 于 2024 年 11 月推出的 MCP 则解决了工具如何标准化接入宿主程序的问题。MCP 提供了一套基于 JSON-RPC 2.0 的统一网络通信协议被誉为 AI 领域的USB-C 接口。通过MCP Server外部系统如本地文件、数据库、企业 API可以标准化地向外暴露自身能力宿主程序Host只需连接该 Server就能自动发现并注册所有工具彻底解耦了 AI 应用与底层外部代码。Context Engineering 包含哪些内容可以从狭义和广义两个层面来拆解狭义上下文工程主要聚焦于静态的 Prompt 结构化设计。比如通过编写 .cursorrules 或框架配置文件来设定 Agent 的人设、工作流规范SOP以及严格的输出格式约束。广义上下文工程囊括了所有影响 LLM 当前决策的输入信息管理。记忆系统Memory短期记忆Session 滑动窗口管理、长期记忆核心事实提取与向量数据库存储。动态增强与挂载RAG Tools根据当前的对话意图动态检索外部文档作为背景知识RAG同时把各种原子工具或复杂技能的功能描述以结构化文本的形式挂载到上下文中让大模型知道当前能调用哪些能力。上下文裁剪与优化Token Optimization这也是工程实践中最关键的一环。因为上下文窗口有限我们需要引入摘要压缩、无用历史剔除或者上下文缓存Context Caching技术在保证信息完整度的同时降低 Token 开销和响应延迟。Context Engineering 包含哪些核心技术什么是 Prompt Injection提示词注入攻击other to read万字详解大模型核心概念Token、Temperature、上下文窗口、Prompt 工程、结构化输出 in 项目Agent学习路线Java/Go 开发者 AI 应用开发与 Agent 学习路线2026 最新版AI 应用开发/Agent学习路线:阶段零认知校准1~2 天:本博