Agent 是什么：让模型借助工具完成一件事
用一次资料整理任务，分清模型、工具、环境反馈与执行循环，判断什么时候需要 Agent。
把判断过程，
也写下来。
围绕 AI 应用工程，记录方案背后的选择、证据与取舍。
Agent 入门 · 从概念到运行
先认识 Agent，再看它怎样选择行动、拆分计划和持续工作。工具、记忆、协作与评估可以按问题单独读，也可以沿这条路线继续。
阅读文章
ReAct 是什么：在动作与反馈之间更新判断
把决策、行动和观察连成循环，理解它如何查证事实、修正路径，以及何时应该停下来。
Plan-and-Execute 是什么：把目标拆成可调整的步骤
从一份资料对比计划出发，认识依赖、执行回执和重规划，避免把计划清单当成完成证明。
Agent Harness 是什么：让模型持续工作的运行设施
模型之外，谁管理上下文、工具、状态、预算与恢复？用一个长任务看清 Harness 的职责。
Agent 怎样记住事情：上下文、状态、长期记忆与 RAG
分清正在看的内容、任务状态、跨会话存储和检索依据，理解记忆怎样保存、核对和更新。
MCP 是什么：Agent 接上工具之后，还缺哪些边界
从 Host、Client 和 Server 看一次工具调用，理解连接标准解决什么，授权又由谁落实。
多 Agent 怎样协作：分工、交接与汇总的实际成本
让独立调研并行，把有依赖的工作串起来；用交接记录和预算判断分工是否值得。
怎样评估 Agent：结果、轨迹与预算一起看
区分完成结果、行动轨迹与运行代价，沿离线回放、沙箱和真实接入逐层获得证据。
RAG 治理 · 深入三篇
先让知识可管理，再让工具有边界，最后让召回形成可支持回答的证据。三篇可以连读，也可以从你正在遇到的问题开始。
知识库治理：从来源到答案的完整闭环
RAG 的可靠性不只由召回模型决定。以一份虚构的产品导出说明为例，讲清来源责任、对象身份、结构保真、制品发布、当前授权、版本回滚与使用反馈怎样形成一条可验证的链。
Agent 的工具如何治理：从能力目录到一次可靠执行
工具多了以后，问题不只是模型会不会选错。能力声明、本轮暴露、输入输出契约、读写边界、执行预算和观测证据必须连接起来，才能知道一次调用为何发生、是否允许、结果能说明什么，以及何时应该停止。
召回策略怎么设计：从问题约束到答案证据
用一个跨版本、跨地域的构造产品支持问题，讲清查询改写、多路召回、候选预算、父子片段和最终引用怎样遵守同一份证据契约。每个阶段都需要明确自己能选择什么、必须保留什么，以及不能据此承诺什么。
继续读：排障、评估与架构
先跑通闭环，再决定要不要拆服务
单进程能减少部署成本，却不会自动带来可靠性。这篇从任务不变量、事务与租约、通知故障窗口一路推演到恢复和扩展，说明一个闭环怎样在进程退出、重复消息和外部结果未知时仍然可解释。
RAG 答错了，怎样找到第一次偏离
用一个带版本、角色和数量限制的产品问答，沿改写、检索、重排、上下文和生成走一遍。每一步都看实际产物，再用最小探针区分缺证据、传递丢失和答案越界。
评估器执行成功，为什么不代表结果达标
从一条结果记录讲到整份报告：拆开执行状态、类型化指标与业务判定，说明统计口径、裁判校准、Agent 行为证据，以及一次变更怎样得到可信的评审结论。
写下结论，也写下它的适用边界。
回到笔记角落