Ai Agents In Depth

# ai-agents-in-depth — 《深入理解 AI Agent》工程方法 Skill

来源：李博杰《深入理解 AI Agent：设计原理与工程实践》（2026，开源，307 页） 形态：single 模式 Skill —— 1 个入口 + 39 张能力卡 + references 流水线：cangjie-skill RIA-TV++ v2.5（三重验证 + 触发盲测 48/48 通过）

这是什么

这不是书摘，而是一套**可被 AI Agent 在真实场景自动调用并执行的工程规程**。它把全书 10 章的方法论蒸馏为 39 个原子能力（每个都经过跨域验证、预测力测试与独特性检验），再编译成 1 个入口 Skill：

• 会触发：当你向 Claude 描述 Agent 工程问题时，入口 skill 自动激活，按"意图 → 能力卡"路由到最合适的一张，按其上的可执行步骤操作
• 有边界：每张卡都带"何时不用/失效条件"（B 段），拒绝在不该用的场合乱插手
• 可追溯：每条方法论都保留原文出处（章节 + PDF 页码），与原书可对照

核心命题（也是全书主旨）：**Agent = LLM + 上下文 + 工具；模型会持续变强，但围绕"让模型可靠做事"的 Harness 工程（上下文管理 + 工具接口 + 约束 + 验证 + 纠正）是穿越模型迭代周期的竞争力。**

什么时候会用它

你遇到的问题	会路由到的能力	你会得到什么
"Demo 能跑，上生产就出事故"	Harness 五要素审阅	五格（上下文/工具/约束/验证/纠正）逐格体检，定位可靠性缺口
"Agent 说做完了但测试没跑"	Loop 工程	发现→执行→验证→记录循环设计；验证器判定停机；假完成三形态根治
"改了系统提示词后变慢/变贵了"	KV Cache 友好上下文设计	三铁律 + 缓存即架构约束 + 五种错误模式排查
"该不该拆成多 Agent？辩论有用吗？"	信息增量判据	判断协作是否引入新信息；成本-收益与步骤预算权衡
"怎么给我的 Agent 建评估体系"	评估四环节	成功定义（Pass@k vs Pass^k）→ 任务来源 → 验证方式 → 分数运用
"线上失败但日志没报错"	失败归因	首错定位（事实锚点比对/轨迹前缀二分）+ 九类错误分类
"Agent 自己检查自己总觉得没问题"	提议者-审核者	独立证据 + 异源模型 + 审核者不可改门禁的最小不变量
"Agent 频繁选错工具/传错参数"	工具描述与参数保真	描述五要素修复法 + 静默转换反模式排查
"上下文太长/找不到早前信息"	压缩与隔离决策	溢出 vs 腐化诊断 → 五层压缩阶梯或子 Agent 隔离
"该不该微调模型？选哪条路线？"	后训练路线选择	先排除不改权重 → pass@k 测能力支持 → SFT 立协议 → RL 需非零成功率
"经验该沉淀到知识、提示词还是参数？"	持续进化四载体路由	按能力表示性质路由：事实→知识；可语言化→Skill；确定性→程序；高维→参数
"怎么防提示注入/管住高危操作"	护栏三层架构	上下文层/执行层/数据层按被绕过难度排层 + 误拒绝双向测试

能力全景（39 张卡，7 组）

**T1 上下文与 Harness（8）**：harness-five-elements★、model-harness-flywheel、kv-cache-context-design★、prompt-engineering-sop、progressive-disclosure-skills、agent-status-bar、context-compression-isolation、loop-engineering★

**T2 工具与记忆（5）**：tool-form-factor、tool-description-fidelity、tool-disclosure-ladder、memory-system-design、rag-stack-selection

**T3 生成-验证与 Coding（6）**：proposer-reviewer★、fault-recovery-playbook、coding-agent-workflow、code-as-meta-capability、loyalty-rules、eval-framework★

**T4 评估诊断（4）**：m