持续写作 · v0.6.0
深入浅出 AI Agent
从大模型原理到手写 Coding Agent
从模型、上下文和工具出发，逐步搭建可运行、可验证、可持续改进的 AI Agent 工程体系。
已发布 6 / 18 章更新于 2026-08-20
开始阅读Roadmap
从模型到完整系统
六个部分，十八章。已发布章节可以直接阅读，其他章节只展示真实写作状态。
01
模型是怎样变成 Agent 的
先建立模型、Workflow、Agent 与 Harness 的边界，再进入可执行闭环。
- 第 1 章大模型入门：从 Token 到 Transformer从 Token、自注意力和 Transformer 出发，解释下一步预测如何成为 Agent 的模型基础。已发布
- 第 2 章大模型的训练、对齐与推理拆解预训练、监督微调、偏好优化、推理预算与模型 API 的工程边界。已发布
- 第 3 章AI Agent：从一次生成到闭环执行手写最小 Agent 循环，理解观察、决策、行动与验证如何组成闭环。已发布
- 第 4 章Harness Engineering：模型之外，谁在让 Agent 真正工作拆解提示词、工具、权限、沙箱、状态、审批和可观测性组成的 Agent 运行系统。已发布
02
上下文、记忆与知识
处理 Agent 看见什么、记住什么，以及如何获得可更新的外部知识。
- 第 5 章上下文工程：Agent 真正看到的世界把消息、文件、工具描述、权限和预算装配成可消费、可解释的上下文。已发布
- 第 6 章长任务中的上下文架构用压缩、Artifact、Checkpoint 与 Rehydration 维持长任务的连续性和可恢复性。已发布
- 第 7 章记忆：不是把聊天记录全部塞回去区分工作、情景、语义与程序性记忆，设计可写入、检索、遗忘和修正的记忆模块。写作中
- 第 8 章RAG 与知识库：给 Agent 可更新的外部知识覆盖混合检索、重排、引用、评估，以及 RAG 与记忆的边界。规划中
03
工具、MCP 与 Coding Agent
从单次工具调用走向大规模工具系统，并手写一个 Coding Agent。
- 第 9 章工具调用与 MCP从 JSON Schema 与函数调用开始，实现工具循环和 MCP Server。规划中
- 第 10 章大规模工具集与异步任务处理工具发现、描述预算、长任务、并发、取消与幂等。规划中
- 第 11 章Coding Agent：代码库就是它的环境拆解 Coding Agent 的搜索、编辑、测试、权限控制和会话恢复机制。规划中
- 第 12 章手写一个 Mini Coding Agent从模型 API 和基础工具开始，加入计划、补丁、验证、压缩与审批。规划中
04
评估、可观测与模型选择
用任务、轨迹、评分和生产诊断判断 Agent 是否真正可用。
- 第 13 章Agent 评估：答案正确还不够建立可复现任务集，并同时衡量结果、轨迹、工具、安全和成本。规划中
- 第 14 章Benchmark、Tracing 与生产诊断记录 Token、延迟、成本、错误与轨迹，设计消融和回归诊断。规划中
05
训练、反馈与持续进化
明确何时需要后训练，并把真实失败转化为持续改进资产。
- 第 15 章Agent 的后训练设计轨迹、工具调用和拒绝样本，理解 SFT、偏好优化与强化学习的边界。规划中
- 第 16 章从失败中学习：持续改进系统把失败转成回放样本、回归测试、规则、Skill、记忆或训练数据。规划中
06
多模态、多 Agent 与生产系统
扩展到图像、语音、实时交互、多 Agent 协作和完整生产系统。
- 第 17 章多模态与实时 Agent处理图像、语音、屏幕、文档、Computer Use 与实时事件流。规划中
- 第 18 章Multi-Agent 与最终系统讨论委派、并行研究、共享状态、交接、冲突处理与停止条件。规划中