note-md

Agent 进化论：总览

1. 为什么谈 Agent 进化

从 2023 年的 RAG 热潮到 2025 年被称为”Agent 之年”，AI Agent 正在从”会对话的工具”进化为”能自主行动的协作者”。这一进化不仅是模型能力的提升，更是围绕模型的工程体系在持续演进：

Agent 的进化本质上是在探索：如何让 Software 3.0 可靠地工作。

2. Agent 架构全景图

┌──────────────────────────────────────────────────────────────┐
│                    用户 / 外部系统                              │
├──────────────────────────────────────────────────────────────┤
│  第三篇：实践层                                                │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────────────┐  │
│  │ Agentic      │ │ Claude Code  │ │ 评测 / 可观测性 /    │  │
│  │ Coding (ch7) │ │ 深度解析(ch8)│ │ 安全 (ch9)          │  │
│  └──────┬───────┘ └──────┬───────┘ └──────────┬───────────┘  │
├─────────┼────────────────┼────────────────────┼──────────────┤
│  第二篇：架构层                                                │
│  ┌──────┴───────┐ ┌──────┴───────┐ ┌─────────┴──────────┐   │
│  │ Harness 工程 │ │ 设计模式     │ │ 记忆与自进化        │   │
│  │ (ch3)        │ │ (ch4)        │ │ (ch5)              │   │
│  └──────┬───────┘ └──────┬───────┘ └─────────┬──────────┘   │
│         │    ┌───────────┴───────────┐       │              │
│         │    │  Agent 框架全景 (ch6)  │       │              │
│         │    └───────────────────────┘       │              │
├─────────┼────────────────────────────────────┼──────────────┤
│  第一篇：基础层                                                │
│  ┌──────┴──────────────────┐ ┌───────────────┴──────────┐   │
│  │ 提示词工程 (ch1)         │ │ 上下文工程 (ch2)         │   │
│  └─────────────────────────┘ └──────────────────────────┘   │
├──────────────────────────────────────────────────────────────┤
│                       LLM (大语言模型)                        │
└──────────────────────────────────────────────────────────────┘

3. 全书结构导读

第一篇：基础——与模型对话的艺术

第二篇：架构——构建 Agent 运行时

第三篇：实践——Agent 在生产中的样子

4. 贯穿主题

  1. 简洁制胜：Claude Code 的成功来自架构简洁而非复杂。”做能工作的最简单方案。”
  2. 上下文是瓶颈：Agent 系统中每个重大设计决策都可追溯到有限上下文窗口的管理
  3. 从 Prompt 到 System：行业从”雕琢单条 Prompt”进化到”工程化整个上下文传递系统”
  4. Harness 即产品：围绕 LLM 的外层系统比模型本身更决定生产系统的质量
  5. 记忆使能连续性：没有记忆架构，Agent 只是无状态工具；有了记忆，Agent 才成为进化中的协作者
  6. 自主性滑块：让用户控制赋予 Agent 多少自主权，而非全有或全无

附录：术语表

术语 英文 定义
提示词工程 Prompt Engineering 设计和优化输入给 LLM 的文本指令，以获得期望输出
上下文工程 Context Engineering 设计动态系统，在正确时间以正确格式提供正确信息和工具给 LLM
Harness Harness 围绕 LLM 的运行时编排系统，管理工具调度、上下文、安全的”外层循环”
Scaffolding Scaffolding 构建时（启动前）的系统组装——系统提示、工具 Schema、子 Agent 注册
上下文窗口 Context Window LLM 单次推理能处理的最大 token 数量
工具调用 Tool Use / Function Calling LLM 通过结构化输出调用外部工具的能力
记忆 Memory Agent 跨会话持久化信息的机制，包括情景、语义、程序三类
自进化 Self-Improvement Agent 从错误和反馈中自动学习并改进行为的机制
TAOR Think-Act-Observe-Repeat Claude Code 的核心循环架构，扩展自 ReAct 范式
ReAct Reasoning + Acting 将推理和行动交织在循环中的 Agent 基础范式
Sub-Agent Sub-Agent 主 Agent 派生的子任务执行者，拥有独立上下文窗口
Compaction Compaction 自动压缩对话历史以回收上下文窗口空间的机制
MCP Model Context Protocol 模型上下文协议，用于连接外部工具和数据源
Skill Skill 封装特定能力的可复用模块（如 OpenClaw 的技能系统）
Eval Evaluation Agent 能力评测体系，包括 Benchmark 和领域特定测试

参考