🧠
一个核心主张
Agentic AI 的关键不是让模型更自由，而是让模型在可观测、可回退、可审核的边界内做决策。
Agentic AICourse
把模型的决策权放进可控的工程边界里
很多 Agentic AI 教程会把重点放在框架、工具和热门名词上：MCP、Skills、Agent SDK、LangGraph、Multi-Agent、Browser Use、Computer Use。它们都重要，但如果只按工具罗列，学习者很容易陷入一个误区：以为 Agentic AI 就是"让模型多调几个工具"。
本教程的核心判断是：
Agentic AI 的关键不是让模型更自由，而是让模型在行动、观察、反思和记忆组成的反馈系统里做受控决策。
所谓"可控"，不是把每一步都写死；那会退回 Workflow。所谓"自由"，也不是让模型无限循环、随便调用工具；那会变成难以解释和难以治理的系统。真正有用的 Agent 系统，需要同时回答四个问题：
| 问题 | 本教程的关注点 |
|---|---|
| 模型能决定什么？ | 控制权边界：哪些步骤由 LLM 动态决定，哪些路径仍由代码固定 |
| 模型能调用什么？ | 工具权边界：读写权限、危险操作、人工确认点 |
| 模型怎么知道自己做过什么？ | 状态边界：上下文、记忆、日志、运行轨迹 |
| 模型什么时候必须停？ | 停止边界：目标完成、预算耗尽、失败升级、等待审批 |
所以这不是一门"Agent 名词解释课"，而是一门"如何设计受控委托系统"的工程课。你会学到工具和框架，但更重要的是学会判断：什么时候该用 Workflow，什么时候才值得上 Agent；什么时候该让模型自主，什么时候必须把控制权收回来。
这条主线来自几类经典研究的共同启发：ReAct 让我们看到推理与行动应该交替发生，Reflexion 让我们看到失败经验可以通过语言反思进入记忆。它们共同说明：Agent 的价值不在于一次回答有多聪明，而在于能不能通过外部反馈持续修正自己的行为。
我们把这些研究消化成两个贯穿全书的框架。
第一个是反馈循环模型：
Thought -> Action -> Observation -> Reflection -> Memory -> Next Action第二个是四权模型，用来保证反馈循环处在可控边界内：
用这四个问题，你可以重新理解整个 Agent 生态：MCP 主要扩展工具权，Skills 主要沉淀过程知识，Agent SDK 主要管理控制权和状态权，评估与安全主要约束停止权和工具权。
这也是本教程和普通资料整理的区别：我们不只问"这个东西是什么"，还会问两个更重要的问题：
后续章节会不断吸收前人研究中的有效思想，但不会停留在论文复述。每个观点都要落到工程判断：状态怎么存、工具怎么设计、失败怎么复盘、何时必须停止或交给人。
本教程在原有 11 章基础上新增了 11 个章节，把概念从"是什么"深化到"怎么工程化"，并补齐了方案 v3 要求的演化史、文件层、Spec/Context Engineering、Runtime/Sandbox、E2E Testing、产品案例研究、规划工作流、多智能体协作、知识图谱、Google ADK 实战。
| 新章节 | 解决什么 | 阅读时机 |
|---|---|---|
| Agent 演化史 | 把 2022 ReAct -> 2025 Skills 的演化线讲清楚，避免重复造轮子 | 学完第 1 章后 |
| Agent 文件层 | 13 种 md/json 文件（AGENTS.md / CLAUDE.md / SKILL.md / SPEC.md...）各自该写什么 | 学完演化史后 |
| Spec Engineering | 怎么把需求固化成可验证规格，让 Agent 每次都做对 | 学完文件层后 |
| Context Engineering | Context Rot / 压缩 / Subagent 隔离 / Agentic RAG，管好 Agent 工作记忆 | 学完心智模型后 |
| Agent Runtime & Sandbox | Agent 在哪跑、怎么跑、能不能闯祸--从 Demo 走向生产 | 学完 MCP / SDK 后 |
| Agent E2E Testing | 6 层测试金字塔 + Benchmark 详解 + Observability 三件套 | 学完评估与安全后 |
| 产品案例研究 | Claude Code / Codex / Cursor / OpenHands / Devin / Replit / Manus / Anthropic 八个产品各代表什么设计哲学 | 学完全部后 |
| 新章节 | 解决什么 | 阅读时机 |
|---|---|---|
| 第 19 章 · 规划工作流 | 让 LLM 先输出多步骤计划再执行，覆盖 JSON 计划 / XML / 代码即计划 | 学完评估与安全后 |
| 第 20 章 · 多智能体协作模式 | 线性 / 单层层级 / 深层级 / 全连接四种通信模式的工程权衡 | 学完规划工作流后 |
| 第 21 章 · Agent 知识图谱 | 领域图 + 词汇图 + 主题图三层结构，GraphRAG 检索，多 Agent 构建图谱 | 学完多智能体后 |
| 第 22 章 · Google ADK 实战 | ADK 组件拆解、单 Agent 最小示例、多 Agent 委派 + ToolContext 共享状态 | 学完知识图谱后 |
高级编排模块的主线：当一个 Agent 装不下复杂任务时，从规划（19）走向多 Agent（20），再到知识图谱（21）这种结构化记忆，最后用 Google ADK（22）把整套架构落地。这是 Agentic AI 从单 Agent 走向复杂系统的工程路径。
此外，所有原有章节都新增了「前人智慧 / Prior Art」专栏，拆解相关论文、工程博客、产品案例的核心思想。每章 800-1500 字，包含：
入门路径（4 周）：按章节顺序读 0 → 演化史 → 文件层 → Spec → 心智模型 → Agent Loop → Tool Use。重点理解四权模型和反馈循环。
进阶路径（4 周）：Context Engineering → MCP → Agent SDK → Skills → Runtime & Sandbox → 评估与安全 → E2E Testing。重点理解工程边界。
实战路径：跳到第 16 章 7 个递进实战，从 30 行代码到生产级 agent。每个实战对标一个真实产品。
高级编排路径：规划工作流 -> 多智能体协作模式 -> Agent 知识图谱 -> Google ADK 实战。当一个 Agent 装不下复杂任务时，怎么用规划、多 Agent 和结构化记忆扩展能力。
快速参考：直接看产品案例研究（第 17 章）和开源生态（第 15 章），知道有什么轮子可用。
不需要机器学习背景、不需要懂模型训练、不需要读过论文。看懂基础 Python（函数、类、async）+ 调过一次 LLM API 就够。
happy coding.