前言：如何系统学习 Agent

很多人问我如何系统学习 AI Agent。

这是我的答案：

一个学习 Agent 的简单线路。

---

一、学习路线全景

七步路线：

1. LLM 基础
2. LangChain
3. LangGraph
4. Agent 核心原理
5. Context Engineering
6. Agent Engineering
7. 论文 + 源码
8. 自己实现 + 做真实产品

前言：如何维护好 AGENTS.md

很多人发现维护 AGENTS.md / CLAUDE.md 很难。

常见的回答："

• "我想什么就写什么"
• "让 Agent 自己写"

我也一样，很长一段时间都是凭感觉写。

直到我发现了一个更好的方法：

短版本：手写用户级的 AGENTS.md，把项目级的 AGENTS.md 当作神经网络来训练。

---

一、四种糟糕状态

前言：Agent 的下一次跃迁

2026-08-26 09:30 GMT+8

AI Agent 正在经历一次深刻的架构演进。 " 从"问答工具"到"数字员工"，从"被动响应"到"主动执行"。

核心思想：Agent 的触发机制从"用户驱动"向"事件驱动"转变。

一句话说清楚：

前言：从单轮到持续，Agent 如何真正完成复杂任务

2026-08-25 10:17 GMT+8

AI Agent 的痛点：

模型决定 Agent 一轮能做什么。但问题来了：

• 一轮跑不完怎么办？
• 上下文刷新后怎么继续？
• 如何验证 Agent 真的完成了任务？
• 失败后如何恢复？

今天介绍 LongHorizon-Harness——一个面向 Computer-Use Agent 的 Loop Engineering 系统。

前言：DeepSeek 的 Agent 野心

2026-08-14 08:40 GMT+8

AI Agent 的困境：

• 有了强大的模型，但如何构建实用的 Agent？
• 如何接入文件系统、终端、网页？
• 如何组织上下文、工具调用和任务执行？
• 如何从原型到生产？

DeepSeek 的答案：

Model + Harness = Agent

前言：架构演进的三重飞跃

2026-08-12 14:16 GMT+8

Pi 的核心——Agent Loop，彻底重构了。

这不是优化，不是补丁，而是根本性的架构革命。

老架构：内存里一个消息列表 + 进程里一个循环

• 本质单线程
• Slack 多 thread 塞不进去
• 崩了要重放日志
• 副作用重复执行
• 分支和压缩只能当补丁打

前言：为什么需要 AgentHarness？

在 AI 时代，我们面临三个核心问题：

1. 持久化问题

• Agent 崩溃后，上下文丢失
• 重新开始，重复工作
• 无法恢复到崩溃前的状态

2. 并发问题

• 无法并行处理多个任务
• 资源利用率低
• 响应慢

3. 可观察性问题

• 无法追踪 Agent 的执行过程
• 调试困难
• 优化无从下手

开篇

一个观察：很多人学 Agent，顺序是反的。

一上来就研究 Multi-Agent、Tree of Thought、Memory、Agentic RAG，架构图画了一张又一张，论文读了一篇又一篇。

真到自己动手——

连一个能稳定跑起来的单 Agent 都做不出来。

我见过聊 LangGraph 头头是道的人，问他「你的 Agent 怎么判断工具调用是成功还是失败」，愣住了。

不是能力问题，是顺序问题。

---

一、为什么都在追新概念

前言：当 Agent 始终在场

想象这样一个场景：

你正在和 AI 助理对话，让它帮你查资料、写代码、处理任务。但每次你提出一个需要时间的请求后，对话就会陷入漫长的等待。

传统方案的痛点：

• 对话在说完一句话后就陷入漫长的等待
• Agent 正在查资料、调用工具或处理任务时，整场对话就此暂停
• 无法知道任务进度，无法中途取消
• 任务完成后，需要重新开始对话，无法继续追问

如果有一个实时语音运行时，让 Agent 始终在场呢？

如何打造一个真正敏捷的 Agent 组织？

第一步就是学会使用最顶尖的 AI 协同工具

三层协同：人与人、人与AI、AI与AI

GitLab + 飞书 CLI + 知识库，工具链贯通是效率提升的前提

来源：组织 Agent 化实践思考