精选集

某顶级 AI Agent 研究团队的工业级 Harness 项目源码深度分析——约 1,900 个文件、512,000+ 行代码，完整涵盖了一个工业级 AI Coding Agent 的全部实现细节。从启动流程到查询引擎，从工具系统到权限模型，再到多 Agent 编排与隐藏彩蛋，本文提炼出构建顶级 Harness 工程的方法论。

本文从工程实践角度，详细介绍了如何从头实现一个极简的 AI Agent 框架。作者以 DeepSeek 模型为例，展示了 Agent 框架的三大核心组件：LLM Call（使用 OpenAI SDK）、Tools Call（shell_exec、file_read、file_write、python_exec 四个工具）、Context Engineering（System Prompt + Session 管理）。文章提供了完整的 Python 代码实现，代码量仅 279 行，帮助读者理解 Agent 的本质：Agent Loop 这个 While 循环中管理上下文。

本文系统梳理了当前主流 AI Agent 框架的理论基础与工程实现。首先介绍了 ReAct、Plan-and-Execute、Reflection 三种核心 Agent 模式，然后对比了 LangChain、LlamaIndex、AutoGPT/AutoGen、CrewAI、LangGraph、Semantic Kernel 等主流框架的特点与适用场景。最后深入探讨了 Agent 框架的三大核心组件：LLM Call、Tools Call、Context Engineering，以及 Agent Loop 的工作原理。

本文介绍了作者使用 Claude Code + 自定义 Skill/Command/MCP 体系，从需求到发布完成一次完整的 Agentic Engineering 实践。核心思路是：人负责定义目标、约束和质量标准，AI 作为自主智能体在结构化流程中执行规划、编码、测试和迭代，每个关键节点都有人工审核。文章详细展示了 11 个阶段的完整流程，包括需求获取、需求澄清、制定计划、并行开发、代码审查、编译部署、日志排查、创建 MR、AI 评审、修复意见、合入发布。

本文深入剖析 ReAct（Reasoning + Acting）范式的核心原理与技术架构。ReAct 通过构建"推理-行动-观察"（TAO）闭环机制，首次实现语言模型推理能力与外部环境交互能力的深度协同。内容包括 ReAct 的核心思想、TAO 闭环工作原理、三层模块化架构，以及在事实核查、多跳问答、具身智能等场景的应用。同时提供完整的 Python 代码示例，帮助读者从零实现 ReAct 智能体。

本文复盘了作者打造 web-testing Skill 时的 4 个真实翻车教训，总结出一套极具实操性的工程化训练心法。文章强调：AI 的上下文有限，复杂任务中 AI 会健忘、压缩细节；Skill 里不能只写"想要什么"，还要写"具体怎么做"；光写清楚还不够，必须配可校验、可自测的 checklist 和门禁规则；最有效的方法是让 AI 跑一遍、复盘一次、分析原因并自动改 Skill，循环迭代。

本文介绍了 AI Agent 领域的两大核心协议：MCP（Model Context Protocol）和 A2A（Agent-to-Agent）。MCP 由 Anthropic 开发并捐赠给 Linux 基金会，成为 Agent 与外部系统交互的标准协议；A2A 由 Google 发布，解决不同 Agent 之间通信的问题。这两个协议的出现，标志着 AI Agent 从单点应用向规模化、互操作性方向发展的趋势。

在大模型满天飞的今天，我们是甘心做一个只会调用 OpenAI.chat.completions 的 API 搬运工，还是想真正弄懂那个黑盒子里到底发生了什么？本文将用最朴素的代码，完整的实现一个小型LLM。当你亲手写出 Attention 层的矩阵乘法，亲眼看到模型从输出乱码到学会说话，你会发现：大模型，其实也没那么可怕。

本文以通俗易懂的方式介绍了神经网络与大语言模型的核心原理。作者从神经网络的基本概念出发，逐步深入讲解了激活函数、权重偏置、反向传播、链式求导等核心概念。然后将知识自然过渡到大语言模型，讲解了 Token、分词、词表、词嵌入、自注意力机制、Transformer 架构等关键内容。最后还介绍了 AI 训练中的 GPU 并行计算、数据并行与模型并行等基础设施知识。