理解 Agent：从核心构成到工程全景

这篇导读围绕《深入理解 AI Agent：设计原理与工程实践》的十章结构，整理核心概念与阅读线索。文中引号保留书本阅读中整理的相关表述，章节介绍与观点应放回书本语境理解。

Agent ≈ LLM + 上下文 + 工具。

这里把模型、上下文与工具作为理解 LLM Agent 的工程框架：谁来判断、能看到什么、能做什么。这个概括服务于本系列的讨论，不是对所有 Agent 的严格定义。

“更直观地说，就是大脑 + 眼睛 + 手脚。大脑（LLM）负责思考和决策，眼睛（上下文）决定 Agent 能看到什么信息，手脚（工具）决定 Agent 能做什么事情。（严格来说，“眼睛”只是一个粗略的类比：上下文不仅包含环境信息和对话历史，还包含工具定义等内容，也就是说 Agent “看到”的信息中也包括了“有哪些手脚可用”。这个隐喻旨在传达核心直觉：上下文是模型能感知到的一切信息。）”

“对熟悉强化学习的读者，这三者也可以映射到 RL 的形式化语言。具体来说，LLM 对应 Policy（策略），上下文对应 Observation Space（观察空间），工具对应 Action Space（动作空间）。三种说法对应同一个对象，只是表达层次不同。”

这里的对应是帮助理解的类比，并非严格等同；当前上下文是本次输入，不能直接等同于整个观察空间。

图中从实现层、直觉层和学术概念类比三个角度组织模型、上下文与工具，并在底部区分当前上下文与观察空间。

第一章（AI Agent 入门）

从多个真实 Agent 产品出发，建立对 Agent 的直观理解。“深入解析 Agent 的核心公式：从实现层的 LLM + 上下文 + 工具，到直觉层的大脑 + 眼睛 + 手脚，再到学术层的策略（Policy）、观察空间（Observation Space）与动作空间（Action Space）。同时通过实验剖析 ReAct 循环的运作机制，也就是“思考→行动→观察”的迭代过程，并区分任务内的上下文适应、跨任务的外部产物（artifact）更新和训练周期中的参数更新。”

图中以 Agent 为中心，连接模型、上下文与工具，并展开上下文工程、知识库、代码生成、评估、后训练与协作等主题。

第二章（上下文工程）

是全书最关键的一章，系统讲解上下文，也就是 Agent 的“眼睛”。本章先从 API 消息结构与 Agent 核心循环讲起，为消息式接口中“上下文可以组织为消息列表”这一认识奠定基础，再深入 KV Cache（大模型推理过程中复用历史计算结果的机制）的底层原理，然后依次展开：提示工程（Prompt Engineering，包括流程化设计、工具描述、业务规则细化）与提示注入（Prompt Injection）攻防、Agent Skills 的按需加载机制、Agent 状态栏技术，以及上下文压缩（Context Compression）策略。各术语的完整定义在正文首次出现处给出。

图中连接 API 消息结构、上下文与 Agent 核心循环，展示 KV Cache、提示工程、提示注入攻防、技能按需加载、状态栏与上下文压缩。

第三章（用户记忆和知识库）

将上下文管理延伸到跨会话的持久化知识体系，让 Agent 不仅能记住当前对话的内容，还能在多次对话间积累和调用知识。涵盖用户记忆的四种渐进式策略、RAG（检索增强生成，即先检索相关文档再让模型生成回答）的完整技术栈（包括不同的文本搜索方法和搜索结果排序优化）、更高级的知识组织方法、智能体化 RAG（Agentic RAG，即让 Agent 自主决定何时检索、检索什么），以及多模态记忆的前沿探索。

图中区分当前会话上下文、持久化知识体系与后续会话，并展示用户记忆、RAG 技术栈、进阶知识组织、智能体化 RAG 和多模态记忆。

第四章（工具）

探讨 Agent 与外部世界交互的桥梁：工具就像是 Agent 的“手脚”，让它能够搜索网页、调用 API、操作数据库等。介绍 MCP 工具互操作标准和五类工具的设计原则（感知、执行、协作、事件触发、用户沟通），展开多模态感知的三条技术路线（原生多模态处理、提取为文本、工具化多模态分析），并重点阐述执行工具的安全机制；事件触发、用户沟通与异步运行时则在第六章展开。

图中展示工具与外部世界的交互、MCP、五类工具，以及多模态感知和执行工具的安全机制。

第五章（Coding Agent 与通用 Agent）

本章将 Coding Agent 加上文件系统视为构建通用 Agent 的核心技术基础之一，并沿着这一观点展开。以 OpenClaw 架构为主线，剖析 Coding Agent 的工作流程和实现技巧，并展示代码生成在编程之外的广泛价值：从辅助思考、构建知识库，到动态创造新工具和 Agent 自举。

图中以 Coding Agent 与文件系统为核心观点，连接 OpenClaw 架构、工作流程、实现技巧，以及代码生成在编程之外的用途。

第六章（交互：观察与动作空间的扩展）

从模态与时序两个维度研究 Agent 与环境的交互机制：异步与事件驱动使 Agent 能够持续接收外部事件并及时响应；语音交互将感知、推理与生成推进到实时尺度；Computer Use 将动作空间扩展到图形界面；机器人操作进一步把动作延伸到物理环境。四类场景共享唤醒、安全点、取消、抢占与快慢路径分离等系统原语。

图中从模态与时序两个维度组织异步与事件驱动、语音交互、Computer Use、机器人操作，并列出共享系统原语。

第七章（Agent 的评估）

构建一套科学的评估方法论。覆盖评估环境（工具调用型和人机交互型两种核心范式，以及章末单独讨论的仿真环境）、数据集的设计原则、LLM-as-a-Judge 自动化评判方法、评估驱动的模型选型，以及将评估结果转化为系统改进的完整闭环。

图中把评估环境、数据集设计、LLM-as-a-Judge、评估结果、模型选型与系统改进连接成闭环。

第八章（模型后训练）

深入 SFT（监督微调，即用标注数据教模型“照样学样”）与 RL（强化学习，即让模型通过试错和奖励反馈自主提升）这两种后训练技术。以书中“SFT 记忆、RL 泛化”和“数据与环境比算法更重要”为讨论线索；这些概括应结合具体任务与训练设置理解。本章涵盖预训练/SFT/RL 三阶段全景、经典 RL 理论、奖励信号设计（从二元奖励到过程奖励、再到“奖励结果、约束过程”的验证路径惩罚）、单轮与多轮强化学习算法，以及样本效率优化等前沿探索。

图中展示预训练、SFT 与 RL，以及奖励信号设计、强化学习算法和样本效率优化；原图注释说明记忆与泛化能力并非互斥。

第九章（Agent 的持续进化）

研究如何把 Agent 的运行经验转化为下一版本的能力。全章先建立由环境结果、过程规则和 LLM Rubric 组成的学习信号，再比较知识文档、Prompt 与 Skills、程序与 Harness、模型参数四种更新载体，最后讨论新版本如何经过验证、灰度发布、回滚与长期整理。

图中展示运行经验、学习信号、更新载体，以及候选版本验证、灰度发布、运行和回滚的闭环。

第十章（多 Agent 协作）

从单体能力扩展到系统级协同，讨论多个 Agent 如何分工合作。系统阐述多 Agent 协作的分类框架（上下文共享/独立 × 对等/管理者/去中心化），通过翻译 Agent、电话与电脑协同 Agent 等案例展示协作架构的设计方法，并讨论 Agent 社会和 Agent 经济的潜在发展方向。

图中按上下文共享或独立与对等、管理者、去中心化方式分类，并列出协作案例及 Agent 社会、Agent 经济两个发展方向。