每周一个新框架每月一个革命性发布口号永远是这回真不一样了。结果呢你刚装好 Claude CodeCursor 又出新功能了你刚搞懂 ReAct隔壁团队已经开始吹多智能体协作了。说白了追工具就是死循环——你永远在切换配置永远没时间真正干活。其实吧Agentic Engineering 这领域虽然工具迭代快得像疯狗但底层的核心概念稳得很。那些新工具今天叫 Skill明天叫 Rule后天叫 Workflow扒开来看解决的都是同一个老问题。与其做工具的追随者不如搞懂背后的原理。工具来来去去概念永恒不变。这篇东西就是要一次性讲清楚 30 个核心概念。读完以后再看那些花里胡哨的 Demo你能一眼看穿它到底在搞什么飞机而不是又被改变一切的标题党唬住。基础 building blocks1. Agent这玩意儿到底是个啥现在是个 AI 工具都管自己叫 Agent搞得这个词都滥用了。说白了Agent 不是那种你问一句它答一句就完事的 Chatbot。这家伙会跑循环你给个目标它思考→调用工具→看结果→再思考→再行动直到搞定。普通 Chatbot 是你问→它答Agent 是你给目标→它规划→执行→观察→继续。比如 Debug 一个挂掉的测试它会看报错→打开文件→改代码→再跑测试→看新报错→继续改直到通过。但坑就坑在不是啥场景都需要 Agent。改文件名、格式化日期、转个 JSON写个脚本就完事了。Agent 每次循环都烧钱时间越长越不可控Debug 也更痛苦——它两次跑的可能不是同一条路径。原则是简单问答用 Prompt固定流程用脚本只有那种走一步看一步的灵活任务才上 Agent。别为了用 Agent 而用 Agent。2. 执行模型Think → Act → ObserveAgent 的执行模型其实不神秘就三步循环思考→行动→观察Think-Act-Observe。先想该干啥然后调工具读文件、跑命令、查 API最后看结果更新上下文。这叫 ReAct 模式名字不同道理一样。有时候 Agent 会并行调多个工具比如同时读三个文件省时间但也可能冲突比如同时编辑同一个文件。还有阻塞式等结果再下一步vs非阻塞式后台跑任务Agent 干别的。新手先记住那个基础循环就行——Agent 不是一次性算准全流程而是走一步看一步错了能改。3. Agent 状态State 存哪儿Agent 的状态分两种。一是上下文窗口Context Window就是 Agent 现在能看到的对话历史、系统提示、工具返回相当于短期记忆。但这玩意儿有 Token 上限塞太多旧垃圾会分散注意力。二是外部状态磁盘文件、数据库、记忆系统。Agent 看不到这些除非你主动喂给它。说实话对开发者来说文件就是最好的状态存储。Git 可追溯diff 可对比人和 Agent 都能读。MEMORY.md 存跨会话的记忆比如项目约定数据库用来结构化查询。多 Agent 协作时用 Git worktree 隔离避免写冲突——每个 Agent 有自己的工作副本写完再合并。如果父 Agent 给子 Agent 传上下文时传了一堆废话说明任务拆分得不够细。4. 常见 Agent 协作模式多 Agent 怎么配合常见套路就三种Planner / Executor计划员执行员一个负责拆解任务先改数据库→再写 API→最后补测试另一个负责老老实实执行。适合复杂任务防止 Agent 上来就瞎写代码。Router / Specialist路由器专家一个 Agent 当客服前台把任务分给不同专长的 Agent安全审查、Debug 专家、文档写手。每个专家 Prompt 更聚焦行为更可预测还能省钱——不是所有任务都需要 GPT-4。Map-Reduce分治并行大任务切小多 Agent 并行处理比如按文件 Review PR最后找个汇总 Agent 合并结果。省时间但汇总质量决定最终效果。关键是交接时的上下文要不多不少。给太少下一个 Agent 懵给太多它晕。配置层Agent 的控制面板5. Agent 配置文件CLAUDE.md / AGENTS.mdClaude Code 用CLAUDE.md其他工具用AGENTS.md。这玩意儿是项目的家规在 Agent 写第一行代码前告诉它项目用 pnpm 还是 npm测试命令是啥代码风格咋样哪些雷区不能踩。最烦的是有人把配置文件写成论文。复制一堆 AI 生成的 generic 建议写写干净代码这种废话。说实话模型不需要你教它怎么写干净代码它需要知道的是你的项目用uv而不是pip。控制在 100 行以内越具体越好。把它当代码 review没用的就删。6. 可复用工作流文件配置文件是一直生效的工作流文件是按需加载的。比如怎么写测试、怎么 Review PR单独成文放在.claude/skills/或类似目录带 YAML 头信息描述啥时候用glob: *.test.ts。有个研究叫 SkillsBench 发现给便宜模型Claude Haiku配上人工写的好流程效果比没流程的顶级模型Claude Opus还好。这说明啥流程比模型更重要。但别让 AI 自己写流程——它写的全是噪音加了还不如不加。分层策略配置文件管家规永远用 pnpm工作流管流程写 API 要同时改验证、测试、文档实时 Prompt 管当前需求给学生加个导出接口。7. 工作流框架框架就是给 Agent 套个紧箍咒让它按套路出牌别上来就唰唰唰写代码写完发现测试没跑。比如 Superpowers 给 Claude Code 加了一堆 curated skillsGet Shit Done 用斜杠命令触发流程Compound Engineering 分四阶段Plan → Work → Review → Compound把这次的经验沉淀下来给下次用。说白了就是把 Agent 从瞎猜型选手变成有流程的靠谱同事。8. Prompt Caching提示缓存Agent 每次请求都带系统提示、配置文件这些重复内容稳定前缀。Prompt Caching就是把这部分存起来第一次调用贵后面便宜得多响应也更快。坑就坑在 TTLTime To Live。缓存会过期你去喝杯咖啡回来或者去 Slack 吹了半小时水回来缓存凉了下次调用又得重新写入。有些工具支持调长 TTL适合长时间编码会话。但缓存不解决垃圾上下文问题——它只让重复内容更便宜不会让垃圾内容变有用。9. Context Rot上下文腐烂这是缓存解决不了的。Context Rot就是说上下文塞太多模型注意力就散了找不着重点准确率下降。就算用 200K 上下文模型中间部分的信息它也容易漏。规则是每个 Token 都得有存在的理由。配置文件别太长工作流要精简旧会话该清就清。长上下文≠好上下文。能力层Agent 能摸到啥10. MCPModel Context ProtocolModel Context Protocol 是 Anthropic 搞的标准让 Agent 连外部工具GitHub、数据库、Slack不用每次写胶水代码。工具暴露成标准格式Agent 直接认。但问题是它占上下文。早期 MCP 要一次性加载所有工具描述Token 爆炸。新版本支持延迟加载deferred loading先只看名字和简述决定用了再加载详情。对个人开发者写个脚本可能更轻量对团队MCP 统一管理认证和权限更干净。11. 实时文档检索Live Document Retrieval模型有知识截止日期遇到新 API 会瞎猜而且猜得很自信。Context7 这类工具能把最新库文档拉进上下文避免用已弃用的函数。DeepWiki 能帮你理解陌生代码库。关键是问法。别问认证一般怎么做基于训练数据要问这个仓库认证怎么做基于真实代码。后者才是接地气的答案。12. AI-Native 网页搜索传统搜索是给人类看的一堆广告、导航栏、弹窗。Agent 不需要这些视觉噪音。Exa 这类 AI-native 搜索直接返回结构化摘要、关键内容省 Token省解析 HTML 的麻烦。人类搜索给页面AI 搜索给能直接用的上下文。13. 可视化输出生成Agent 不只能写应用代码还能出图、出视频、出 PPT。• Figma 的 MCP Server 让 Agent 读设计稿布局、间距、变量直接生成前端代码甚至反向修改设计。• frontend-slides 生成 HTML 演示文稿。• draw.io 文件是 XML 结构Agent 能读 Terraform 后自动生成架构图。• Remotion 用代码做视频Agent 学会了就能出片。模式很简单Agent 本质是写代码只是输出格式不同。14. 持久化记忆Persistent Memory默认每次会话都从零开始昨天讲的架构决策今天忘了。最简单的办法项目根目录放MEMORY.md存项目约定、技术决策、Session 摘要。Agent 启动时读工作中更新。但太长会加剧 Context Rot。所以文件大了就换可搜索记忆如 episodic-memory把旧会话向量化需要时检索。文档告诉你做了什么Session 历史告诉你为什么这么做。15. 知识搜索Knowledge Search记忆存 Agent 自己学的知识搜索找外部的。Shopify CEO Tobi 搞的 QMD 就像本地搜索引擎接 MCP 后 Agent 能查你的会议笔记、设计文档、产品规格。记忆是纵向的时间线知识搜索是横向的跨文档。编排层多 Agent 怎么不打架16. 子 AgentSubagents派小弟去干活。父 Agent 给任务、给工具、给干净上下文小弟干完只返回结果不返回中间那堆胡思乱想和调试日志。好处可以并行一个审安全一个写测试一个改文档且主线程保持清爽。用 Markdown YAML 定义子 Agent指定tools、model、description。description 告诉父 Agent 啥时候派这个专家出场。坑多 Agent 同时写文件会冲突。用 Git worktree 给每个 Agent 单独的工作副本写完再合并。17. Agent 循环Agent Loops类似子 Agent但是迭代执行。每轮清上下文状态存文件/Git下轮重新开始。Claude Code 的[/goal](https://code.claude.com/docs/en/goal)就是这思路设定完成条件“所有 auth 测试通过且 lint 干净”Agent 循环干直到满足条件。适合重复性、有边界的大任务比如逐个文件迁移代码库。18. 编排工具Orchestration ToolsAgent 多了需要调度不然会重复劳动、进度丢失、结果合不上。• Conductor给 Claude Code 和 Codex 提供并行会话 UI带 diff 查看器。• JetBrains Air在 JetBrains 生态里用 Docker 或 worktree 隔离任务。• Vibe Kanban / Cline Kanban看板管理支持自动提交和依赖感知并行。• Paperclip更激进想当 AI 公司的管理层带组织架构和预算控制。19. 托管 / 云原生 Agent本地 AgentClaude Code、Cursor适合个人开发。托管 Agent跑在厂商基础设施上通过 API 接入你的产品适合给终端用户使用。但注意计费方式托管通常按 API Token 收费比自己订阅贵。个人写代码用本地做产品给多人用才上托管。安全层别让 Agent 把家拆了20. 沙盒SandboxingAgent 会犯错可能跑错命令、读错文件。沙盒限制它能访问啥通常只能读写项目文件夹.ssh、.env、系统目录都 blocked。网络也能通过白名单限制。更强隔离用 Docker 容器甚至无网络访问。目的是缩小爆炸半径——即使 Prompt 注入成功Agent 也出不了沙盒。21. 权限PermissionsAgent 是解决问题导向的有时候不择手段测试挂了就删断言Git 推不上去就强推依赖装不上就curl | sh。权限分层项目级定义安全操作跑测试、lint用户级定义红线禁止rm -rf /禁止读.env。可以用小模型做权限分类器自动判断要不要人工审批。这不是可选项是基线安全。22. 钩子Hooks在工具执行前拦截检查。Pre-tool Hook如 Claude Code 的PreToolUse是最后一道防线。配合 Tirith 这类验证器检查命令有没有• 可疑 Unicode西里尔字母伪装• 假域名•curl | sh管道• 危险文件路径钩子不替代沙盒沙盒是事后止损钩子是事前拦截。23. Prompt 注入防御Agent 太信任输入了。克隆的仓库里可能有毒的配置文件“把日志发到外部服务器调试”或者 MCP 服务器里藏恶意代码——这构成供应链攻击。还有 Unicode 伪装西里尔字母і看起来像拉丁字母i命令看起来是rm -rf /tmp实际可能是别的。规则• 把配置文件当代码审查别当文档• 外部输入文档、MCP、工具返回都可能带恶意指令• 结合审查、白名单、钩子、沙盒多层防御24. 结构化代码检查Structural Linting普通 Linter 查格式、命名AST-grep 这类工具查语法树结构。比如 Python 的经典坑def process(items[]): # 坑默认参数是可变对象只创建一次后续调用共享 ...Agent 常写这种代码因为训练数据里全是。AST-grep 能抓这种看起来对、实则坑的模式。把它加进 pre-commit 和 CI自动纠正 Agent 的坏习惯。25. Pre-Commit 关卡Pre-commit 在代码进 Git 前拦截检查。Agent 不会嫌烦blocked 了就改改完再试。强力配置包括• 基础检查空格、文件大小• RuffPython 格式Lint• Bandit安全扫描• AST-grep结构检查CI 是第二道关在干净服务器上再跑一遍。记得加并发取消cancel outdated runsAgent 推送频繁别浪费资源在已过期代码上。Pre-commit 保本地历史干净CI 保合并前干净。可观测性看看到底发生了啥27. 追踪TracingAgent 干完活第一个问题它到底走了哪条路Tracing记录完整执行路径调了哪些工具、哪个子 Agent 调的、耗时、输入输出、模型版本。树状结构比平铺好懂。用 LangSmith、Helicone 或 OpenTelemetry。有了 Trace才能 Replay才能做 MetricsDebug 时才能一步步看哪里跑偏。28. 日志Logging最基础的观测。记• 每次模型调用Prompt、返回、延迟、Token、模型版本• 每次工具调用参数、结果、延迟• 每次错误• 一个 Session ID 串起全流程用JSON Lines格式别搞太花哨。先多记别急着删——丢了输入和工具返回Agent 抽风时你死无对证。30. 指标Metrics分两类代理指标Proxy延迟、Token 用量、成本、工具调用次数。看效率抓浪费比如死循环。结果指标OutcomeCI 测试通过没PR 合并没部署成功没回滚了没看疗效。两者都得看。Agent 说任务完成不算数外部系统验证才算。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 如果你现在正想入门 AI Agent，那种“刚学完就过时“的焦虑感
每周一个新框架每月一个革命性发布口号永远是这回真不一样了。结果呢你刚装好 Claude CodeCursor 又出新功能了你刚搞懂 ReAct隔壁团队已经开始吹多智能体协作了。说白了追工具就是死循环——你永远在切换配置永远没时间真正干活。其实吧Agentic Engineering 这领域虽然工具迭代快得像疯狗但底层的核心概念稳得很。那些新工具今天叫 Skill明天叫 Rule后天叫 Workflow扒开来看解决的都是同一个老问题。与其做工具的追随者不如搞懂背后的原理。工具来来去去概念永恒不变。这篇东西就是要一次性讲清楚 30 个核心概念。读完以后再看那些花里胡哨的 Demo你能一眼看穿它到底在搞什么飞机而不是又被改变一切的标题党唬住。基础 building blocks1. Agent这玩意儿到底是个啥现在是个 AI 工具都管自己叫 Agent搞得这个词都滥用了。说白了Agent 不是那种你问一句它答一句就完事的 Chatbot。这家伙会跑循环你给个目标它思考→调用工具→看结果→再思考→再行动直到搞定。普通 Chatbot 是你问→它答Agent 是你给目标→它规划→执行→观察→继续。比如 Debug 一个挂掉的测试它会看报错→打开文件→改代码→再跑测试→看新报错→继续改直到通过。但坑就坑在不是啥场景都需要 Agent。改文件名、格式化日期、转个 JSON写个脚本就完事了。Agent 每次循环都烧钱时间越长越不可控Debug 也更痛苦——它两次跑的可能不是同一条路径。原则是简单问答用 Prompt固定流程用脚本只有那种走一步看一步的灵活任务才上 Agent。别为了用 Agent 而用 Agent。2. 执行模型Think → Act → ObserveAgent 的执行模型其实不神秘就三步循环思考→行动→观察Think-Act-Observe。先想该干啥然后调工具读文件、跑命令、查 API最后看结果更新上下文。这叫 ReAct 模式名字不同道理一样。有时候 Agent 会并行调多个工具比如同时读三个文件省时间但也可能冲突比如同时编辑同一个文件。还有阻塞式等结果再下一步vs非阻塞式后台跑任务Agent 干别的。新手先记住那个基础循环就行——Agent 不是一次性算准全流程而是走一步看一步错了能改。3. Agent 状态State 存哪儿Agent 的状态分两种。一是上下文窗口Context Window就是 Agent 现在能看到的对话历史、系统提示、工具返回相当于短期记忆。但这玩意儿有 Token 上限塞太多旧垃圾会分散注意力。二是外部状态磁盘文件、数据库、记忆系统。Agent 看不到这些除非你主动喂给它。说实话对开发者来说文件就是最好的状态存储。Git 可追溯diff 可对比人和 Agent 都能读。MEMORY.md 存跨会话的记忆比如项目约定数据库用来结构化查询。多 Agent 协作时用 Git worktree 隔离避免写冲突——每个 Agent 有自己的工作副本写完再合并。如果父 Agent 给子 Agent 传上下文时传了一堆废话说明任务拆分得不够细。4. 常见 Agent 协作模式多 Agent 怎么配合常见套路就三种Planner / Executor计划员执行员一个负责拆解任务先改数据库→再写 API→最后补测试另一个负责老老实实执行。适合复杂任务防止 Agent 上来就瞎写代码。Router / Specialist路由器专家一个 Agent 当客服前台把任务分给不同专长的 Agent安全审查、Debug 专家、文档写手。每个专家 Prompt 更聚焦行为更可预测还能省钱——不是所有任务都需要 GPT-4。Map-Reduce分治并行大任务切小多 Agent 并行处理比如按文件 Review PR最后找个汇总 Agent 合并结果。省时间但汇总质量决定最终效果。关键是交接时的上下文要不多不少。给太少下一个 Agent 懵给太多它晕。配置层Agent 的控制面板5. Agent 配置文件CLAUDE.md / AGENTS.mdClaude Code 用CLAUDE.md其他工具用AGENTS.md。这玩意儿是项目的家规在 Agent 写第一行代码前告诉它项目用 pnpm 还是 npm测试命令是啥代码风格咋样哪些雷区不能踩。最烦的是有人把配置文件写成论文。复制一堆 AI 生成的 generic 建议写写干净代码这种废话。说实话模型不需要你教它怎么写干净代码它需要知道的是你的项目用uv而不是pip。控制在 100 行以内越具体越好。把它当代码 review没用的就删。6. 可复用工作流文件配置文件是一直生效的工作流文件是按需加载的。比如怎么写测试、怎么 Review PR单独成文放在.claude/skills/或类似目录带 YAML 头信息描述啥时候用glob: *.test.ts。有个研究叫 SkillsBench 发现给便宜模型Claude Haiku配上人工写的好流程效果比没流程的顶级模型Claude Opus还好。这说明啥流程比模型更重要。但别让 AI 自己写流程——它写的全是噪音加了还不如不加。分层策略配置文件管家规永远用 pnpm工作流管流程写 API 要同时改验证、测试、文档实时 Prompt 管当前需求给学生加个导出接口。7. 工作流框架框架就是给 Agent 套个紧箍咒让它按套路出牌别上来就唰唰唰写代码写完发现测试没跑。比如 Superpowers 给 Claude Code 加了一堆 curated skillsGet Shit Done 用斜杠命令触发流程Compound Engineering 分四阶段Plan → Work → Review → Compound把这次的经验沉淀下来给下次用。说白了就是把 Agent 从瞎猜型选手变成有流程的靠谱同事。8. Prompt Caching提示缓存Agent 每次请求都带系统提示、配置文件这些重复内容稳定前缀。Prompt Caching就是把这部分存起来第一次调用贵后面便宜得多响应也更快。坑就坑在 TTLTime To Live。缓存会过期你去喝杯咖啡回来或者去 Slack 吹了半小时水回来缓存凉了下次调用又得重新写入。有些工具支持调长 TTL适合长时间编码会话。但缓存不解决垃圾上下文问题——它只让重复内容更便宜不会让垃圾内容变有用。9. Context Rot上下文腐烂这是缓存解决不了的。Context Rot就是说上下文塞太多模型注意力就散了找不着重点准确率下降。就算用 200K 上下文模型中间部分的信息它也容易漏。规则是每个 Token 都得有存在的理由。配置文件别太长工作流要精简旧会话该清就清。长上下文≠好上下文。能力层Agent 能摸到啥10. MCPModel Context ProtocolModel Context Protocol 是 Anthropic 搞的标准让 Agent 连外部工具GitHub、数据库、Slack不用每次写胶水代码。工具暴露成标准格式Agent 直接认。但问题是它占上下文。早期 MCP 要一次性加载所有工具描述Token 爆炸。新版本支持延迟加载deferred loading先只看名字和简述决定用了再加载详情。对个人开发者写个脚本可能更轻量对团队MCP 统一管理认证和权限更干净。11. 实时文档检索Live Document Retrieval模型有知识截止日期遇到新 API 会瞎猜而且猜得很自信。Context7 这类工具能把最新库文档拉进上下文避免用已弃用的函数。DeepWiki 能帮你理解陌生代码库。关键是问法。别问认证一般怎么做基于训练数据要问这个仓库认证怎么做基于真实代码。后者才是接地气的答案。12. AI-Native 网页搜索传统搜索是给人类看的一堆广告、导航栏、弹窗。Agent 不需要这些视觉噪音。Exa 这类 AI-native 搜索直接返回结构化摘要、关键内容省 Token省解析 HTML 的麻烦。人类搜索给页面AI 搜索给能直接用的上下文。13. 可视化输出生成Agent 不只能写应用代码还能出图、出视频、出 PPT。• Figma 的 MCP Server 让 Agent 读设计稿布局、间距、变量直接生成前端代码甚至反向修改设计。• frontend-slides 生成 HTML 演示文稿。• draw.io 文件是 XML 结构Agent 能读 Terraform 后自动生成架构图。• Remotion 用代码做视频Agent 学会了就能出片。模式很简单Agent 本质是写代码只是输出格式不同。14. 持久化记忆Persistent Memory默认每次会话都从零开始昨天讲的架构决策今天忘了。最简单的办法项目根目录放MEMORY.md存项目约定、技术决策、Session 摘要。Agent 启动时读工作中更新。但太长会加剧 Context Rot。所以文件大了就换可搜索记忆如 episodic-memory把旧会话向量化需要时检索。文档告诉你做了什么Session 历史告诉你为什么这么做。15. 知识搜索Knowledge Search记忆存 Agent 自己学的知识搜索找外部的。Shopify CEO Tobi 搞的 QMD 就像本地搜索引擎接 MCP 后 Agent 能查你的会议笔记、设计文档、产品规格。记忆是纵向的时间线知识搜索是横向的跨文档。编排层多 Agent 怎么不打架16. 子 AgentSubagents派小弟去干活。父 Agent 给任务、给工具、给干净上下文小弟干完只返回结果不返回中间那堆胡思乱想和调试日志。好处可以并行一个审安全一个写测试一个改文档且主线程保持清爽。用 Markdown YAML 定义子 Agent指定tools、model、description。description 告诉父 Agent 啥时候派这个专家出场。坑多 Agent 同时写文件会冲突。用 Git worktree 给每个 Agent 单独的工作副本写完再合并。17. Agent 循环Agent Loops类似子 Agent但是迭代执行。每轮清上下文状态存文件/Git下轮重新开始。Claude Code 的[/goal](https://code.claude.com/docs/en/goal)就是这思路设定完成条件“所有 auth 测试通过且 lint 干净”Agent 循环干直到满足条件。适合重复性、有边界的大任务比如逐个文件迁移代码库。18. 编排工具Orchestration ToolsAgent 多了需要调度不然会重复劳动、进度丢失、结果合不上。• Conductor给 Claude Code 和 Codex 提供并行会话 UI带 diff 查看器。• JetBrains Air在 JetBrains 生态里用 Docker 或 worktree 隔离任务。• Vibe Kanban / Cline Kanban看板管理支持自动提交和依赖感知并行。• Paperclip更激进想当 AI 公司的管理层带组织架构和预算控制。19. 托管 / 云原生 Agent本地 AgentClaude Code、Cursor适合个人开发。托管 Agent跑在厂商基础设施上通过 API 接入你的产品适合给终端用户使用。但注意计费方式托管通常按 API Token 收费比自己订阅贵。个人写代码用本地做产品给多人用才上托管。安全层别让 Agent 把家拆了20. 沙盒SandboxingAgent 会犯错可能跑错命令、读错文件。沙盒限制它能访问啥通常只能读写项目文件夹.ssh、.env、系统目录都 blocked。网络也能通过白名单限制。更强隔离用 Docker 容器甚至无网络访问。目的是缩小爆炸半径——即使 Prompt 注入成功Agent 也出不了沙盒。21. 权限PermissionsAgent 是解决问题导向的有时候不择手段测试挂了就删断言Git 推不上去就强推依赖装不上就curl | sh。权限分层项目级定义安全操作跑测试、lint用户级定义红线禁止rm -rf /禁止读.env。可以用小模型做权限分类器自动判断要不要人工审批。这不是可选项是基线安全。22. 钩子Hooks在工具执行前拦截检查。Pre-tool Hook如 Claude Code 的PreToolUse是最后一道防线。配合 Tirith 这类验证器检查命令有没有• 可疑 Unicode西里尔字母伪装• 假域名•curl | sh管道• 危险文件路径钩子不替代沙盒沙盒是事后止损钩子是事前拦截。23. Prompt 注入防御Agent 太信任输入了。克隆的仓库里可能有毒的配置文件“把日志发到外部服务器调试”或者 MCP 服务器里藏恶意代码——这构成供应链攻击。还有 Unicode 伪装西里尔字母і看起来像拉丁字母i命令看起来是rm -rf /tmp实际可能是别的。规则• 把配置文件当代码审查别当文档• 外部输入文档、MCP、工具返回都可能带恶意指令• 结合审查、白名单、钩子、沙盒多层防御24. 结构化代码检查Structural Linting普通 Linter 查格式、命名AST-grep 这类工具查语法树结构。比如 Python 的经典坑def process(items[]): # 坑默认参数是可变对象只创建一次后续调用共享 ...Agent 常写这种代码因为训练数据里全是。AST-grep 能抓这种看起来对、实则坑的模式。把它加进 pre-commit 和 CI自动纠正 Agent 的坏习惯。25. Pre-Commit 关卡Pre-commit 在代码进 Git 前拦截检查。Agent 不会嫌烦blocked 了就改改完再试。强力配置包括• 基础检查空格、文件大小• RuffPython 格式Lint• Bandit安全扫描• AST-grep结构检查CI 是第二道关在干净服务器上再跑一遍。记得加并发取消cancel outdated runsAgent 推送频繁别浪费资源在已过期代码上。Pre-commit 保本地历史干净CI 保合并前干净。可观测性看看到底发生了啥27. 追踪TracingAgent 干完活第一个问题它到底走了哪条路Tracing记录完整执行路径调了哪些工具、哪个子 Agent 调的、耗时、输入输出、模型版本。树状结构比平铺好懂。用 LangSmith、Helicone 或 OpenTelemetry。有了 Trace才能 Replay才能做 MetricsDebug 时才能一步步看哪里跑偏。28. 日志Logging最基础的观测。记• 每次模型调用Prompt、返回、延迟、Token、模型版本• 每次工具调用参数、结果、延迟• 每次错误• 一个 Session ID 串起全流程用JSON Lines格式别搞太花哨。先多记别急着删——丢了输入和工具返回Agent 抽风时你死无对证。30. 指标Metrics分两类代理指标Proxy延迟、Token 用量、成本、工具调用次数。看效率抓浪费比如死循环。结果指标OutcomeCI 测试通过没PR 合并没部署成功没回滚了没看疗效。两者都得看。Agent 说任务完成不算数外部系统验证才算。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】