Computer Use与GUI Agent：超越API的交互范式
当 Agent 不再通过 API 调用工具，而是像人类一样看屏幕、点鼠标、敲键盘时，一种全新的交互范式出现了。本文剖析 Computer Use 的视觉-动作循环架构、与 Tool Calling 的本质差异、Anthropic Computer Use 与 OpenAI CUA/Operator 的方案对比，以及 GUI Agent 的工程挑战和适用边界。
生产级Agent系统：评估、成本与安全
从 Observability、Evaluation、Cost Engineering、Security 四个维度，讨论 Agent 从实验室走向生产环境的核心挑战与工程实践。包含 Trace 设计、评估框架、成本模型、安全防护方案，以及生产架构全景图。
MCP与工具协议：Agent工具的协议化未来
当前 Agent 工具集成面临 N×M 问题：每个框架、每个应用都在重复造轮子。MCP 正在成为 Agent 工具世界的 HTTP。本文深入剖析 MCP 的架构设计、Streamable HTTP 传输演进、OAuth 2.1 授权层与安全模型，并系统介绍 A2A（Agent-to-Agent）协议——解决跨系统 Agent 互操作的协议层。MCP 管 Agent 与工具的通信，A2A 管 Agent 与 Agent 的通信，二者互补。
Agent框架与SDK：从LangChain到模型厂商原生SDK
客观审视 AI Agent 框架的价值与局限。深入分析 LangChain/LangGraph 的优势与陷阱，横向对比 CrewAI、AutoGen 等第三方框架，并系统剖析 2025-2026 年崛起的模型厂商原生 SDK——Claude Agent SDK、OpenAI Agents SDK、Google ADK、AWS Strands——框架与模型深度绑定的新路线。理解原理再用框架，框架是加速器而非必需品。
多Agent协作：协作模式与架构设计
单个 Agent 的能力有天花板——Context Window 有限、专业化受限、单点故障、串行瓶颈。本文系统拆解多 Agent 协作的四种核心模式（Supervisor-Worker、Peer-to-Peer、Pipeline、Dynamic Routing），深入 Agent 间通信机制、状态管理、错误处理与成本控制，并用 Python 从零实现一个 Supervisor-Worker 协作框架。
规划与反思：从ReAct到分层规划与自我纠错
深入剖析 Agent 规划与反思的核心机制——从 ReAct 的交替推理、Plan-and-Execute 的全局视野、Tree-of-Thought 的多路径搜索，到分层规划的递归分解，再到结构化反思与自我纠错。包含完整 Python 实现和 trade-off 讨论。
RAG作为认知记忆：检索增强生成的工程实践
RAG 不是搜索+拼接，而是 Agent 的认知记忆系统。从架构全景出发，逐层拆解数据清洗、Chunking、Embedding、Hybrid Retrieval、Reranking、Context Packing 的工程实践，覆盖安全合规、成本估算、Agent 集成与多轮对话，附落地 Checklist。
记忆架构：Agent的状态与记忆体系
LLM 是无状态的，但 Agent 必须有状态。本文系统拆解 Agent 记忆的四层架构——Conversation Buffer、Working Memory、Episodic Memory、Semantic Memory，从认知科学类比出发，深入每一层的设计原理、存储方案、读写策略与 Context Window 管理，附完整 Python 实现。
从零构建Agent运行时
不依赖 LangChain 等框架，从零实现一个功能完整的 Agent Runtime。逐模块构建 LLMClient、ToolRegistry、ToolExecutor、MessageManager 和核心控制循环，包含并行工具调用、Streaming、超时控制、死循环检测等高级特性，附完整可运行代码。
面向Agent的提示词工程
Agent 的 Prompt 不是聊天提示词，而是系统接口规范。本文系统拆解 Agent Prompt 的分层架构、四种关键设计模式（Router / Planner / Executor / Reflector）、Chain-of-Thought 的 Agent 化应用、Few-shot vs Zero-shot 的场景选择、Prompt 工程化实践（模板化 / 版本控制 / 测试 / 组合），以及 Context Window 管理策略。
工具调用深度解析：让LLM成为可编程接口
Tool Calling 是 LLM 从「对话机器」变成「可编程接口」的关键转折点。本文从底层原理出发，系统拆解 Tool Calling 的工作机制、JSON Schema 契约设计、工具注册与发现策略、错误处理、安全性考量及关键 Trade-off，附带完整可运行代码。
Agent控制循环：运行时的核心抽象
Agent 的本质不是一次函数调用，而是一个可中断的控制循环。本文从状态机模型出发，深入剖析 Agent Control Loop 的每个阶段——OBSERVE、THINK、ACT、REFLECT，对比 ReAct 与 Plan-then-Execute 两种主流模式，讨论状态管理、错误处理与性能优化策略，并给出一个不依赖任何框架的完整 Python 实现。
Agent 的形态与边界：从 Copilot 到自主系统
Agent 不是一种东西，而是一个光谱。本文从自主性维度划分 Agent 的四种形态——路由型、工具型、任务型、自主型，讨论每种形态的架构特征与适用场景，明确 Agent 在系统中的定位与设计边界，为后续深入控制循环和工具调用建立认知框架。
从Prompt到Agent：为什么LLM本身不是Agent
LLM 是一个无状态的文本函数，Agent 是一个有状态的推理系统。本文从 LLM 的五大局限出发，精确定义 Agent 的组件模型与控制循环，并沿 Chatbot → Agent 的光谱逐级拆解，帮助你建立从 Prompt 到 Agent 的完整认知框架。
从LLM到Agent：Agentic系统的知识地图
从 LLM 的局限出发，定义 Agent 的核心组成，绘制 Agentic 系统全景架构图，并通过代码演示从 ChatCompletion 到完整 Agent 的演进路径。