这个领域研究什么
Agent 开发研究的是：如何让大语言模型（LLM）不止"回答一次"，而是持续地感知、决策、调用工具、观察结果、修正行为，直到完成一个完整目标。一次问答是函数调用；一个 Agent 是while 循环。
while not goal_reached:
think # 推理：我现在在哪，下一步做什么
act # 行动：调工具 / 写代码 / 搜索
observe # 观察：工具返回了什么，世界变成什么样这三行伪代码就是全领域的骨架。其余一切——工具设计、记忆、规划、多 Agent、评测、安全——都是围绕这个循环的工程化。
领域边界
本知识库聚焦 2026 年主流的 LLM Agent 开发，具体包括：
- 输入：具备函数调用能力的 LLM（GPT、Claude、Gemini、GLM、DeepSeek、Qwen 等）
- 核心：Agent 循环、工具使用（Tool Use / MCP）、规划、记忆、RAG、代码执行
- 工程：框架（LangGraph、OpenAI Agents SDK、Claude Agent SDK）、评测、可观测性、安全、成本
- 前沿：编程 Agent、Computer Use、Deep Research、Agent 训练（RL）、A2A 互操作
不在范围内（只在历史与延伸中提及）：强化学习经典 Agent（Q-learning 等符号/值函数方法，见 kp-008）、具身机器人控制（另一个项目 embodied-ai 已覆盖）、多智能体仿真社会学。
核心问题（这个领域的五个终极追问）
- 能力问题：什么样的任务分解与推理结构，能让 LLM 稳定完成长链路任务？
- 接口问题：如何设计工具与协议（MCP），让模型"看得懂、用得对、错了能修"？
- 记忆问题：上下文窗口有限，Agent 如何在几百轮交互后仍然"记得自己是谁、在干什么"？
- 可靠性问题：Agent 会犯错——如何评测、监控、兜底，让它达到生产级可用？
- 安全问题：一个能读网页、执行代码、发邮件的程序，如何防止被提示注入劫持？
学习产出目标
完成本知识库后，你应当能够：
- 手写一个约 100 行的最小可用 Agent（kp-017），不依赖任何框架
- 为真实业务设计工具 schema 与 MCP 服务（kp-010、kp-011）
- 诊断"Agent 跑偏"的常见病因：上下文腐烂、工具误用、规划坍缩（kp-022）
- 为 Agent 建立评测集与追踪体系（kp-024、kp-025）
- 读懂 Claude Code、Deep Research 这类顶级 Agent 的架构设计（kp-028、kp-030）
模块地图
| 模块 | 篇数 | 回答的问题 |
|---|---|---|
| 01 基础 | 8 | Agent 是什么？和 Chatbot/Workflow 有何不同？LLM 的哪些特性使它成为可能？ |
| 02 核心 | 12 | Agent 循环的四大支柱——工具、推理、记忆、检索——如何工作？ |
| 03 进阶 | 7 | 框架怎么选？如何评测、监控、加固、降本，把它做成产品？ |
| 04 前沿与实践 | 5 | 顶级 Agent（编程/操控 GUI/深度研究）怎么造？训练路线与未来在哪？ |
给自学者的三句话
- 先手写再上框架：框架（LangGraph 等）封装的正是 kp-017 那个循环，顺序不能反。
- 上下文是第一性资源：Agent 工程师一半的工作是管理"模型每一步能看到什么"（上下文工程）。
- 没有评测就没有 Agent：demo 靠运气，产品靠 evals——这是 2024-2026 年行业最大共识。