00. 导读：从感觉驱动到原则驱动的 Agent 工程

你大概已经写过「能调几个函数的聊天机器人」，也大概已经在生产里踩过这些坑：工具幻觉、上下文越写越长、任务做到一半假成功、评测全靠人眼。模型每升一代，Demo 会更好看，但长流程、高风险场景里，真正卡住的往往不是「会不会写 prompt」，而是模型之外那一层工程稳不稳。

本系列是我读李博杰《深入理解 AI Agent：设计原理与工程实践》（v1.2，开源讲稿整理）时的工程学习笔记。结构跟书走，表述与代码按自己的理解重写，不是原文缩译。目标只有一个：把「感觉驱动」的 Agent 搭建，收成可讨论、可评测、可迭代的原则驱动工程。

核心公式：先记住这一句

书里把最小可运行形态写成：

Agent = LLM + 上下文 + 工具

直觉映射：

熟悉强化学习的人可以再叠一层形式化语言：策略（Policy） 对应 LLM，观察空间（Observation） 对应上下文，动作空间（Action） 对应工具。三套说法描述同一对象，只是抽象层不同。

Demo 视角下，三件齐就能转起来。生产视角还要再套一圈外壳——书里把它收成 Harness（套件 / 线束：把模型「绑」进可靠执行环境的所有支撑代码）：

Agent = Model + Harness
Harness ≈ 上下文 + 工具 + 约束 + 验证 + 纠正

• 约束：能做什么、不能做什么（权限、金额上限、禁止路径）
• 验证：做完的结果对不对（检查交付件、断言、二次审核）
• 纠正：错了怎么恢复（重试、重规划、回滚、人工接管）

这三层不是新模块清单，而是围绕「上下文 + 工具」织出来的安全网。最小公式让系统能跑；扩展公式让系统能在钱、权限、长流程里站住。

全书地图：三部分怎么串

更细一点：

1. 上下文（2–3 章）：API 消息结构、KV Cache 友好设计、Skills、状态栏、压缩；再延伸到用户记忆与 RAG / Agentic RAG。
2. 工具（4–5 章）：工具粒度与 MCP、异步事件；Coding Agent 为什么几乎成了通用 Agent 的内核。
3. 模型（6–7 章）：没有评估就没有进步；SFT / RL 与工具调用能力如何进参数。
4. 演化与协作（8–10 章）：经验如何外化、语音与 Computer Use、多 Agent 何时划算。

读的时候建议带着一个业务问题：你的 Agent 是「几轮聊天就够」还是「数小时多利益相关方还不能数错」？上限要求越高，Harness 的必要性越明显。

和站内旧系列怎么配合

站内已有 Agent 模式手册（约 23 篇），偏通识：ReAct、Plan-and-Execute、记忆、框架对比、生产化清单等。本系列不重复同一路径，差异在：

两套可以交叉读：例如旧文讲清 ReAct 骨架后，这里用 Harness 视角看「为什么光有循环还不够」；旧文的评测篇，可与本系列第 6 章对照。

阅读约定

• 每篇用场景或反直觉问题开场，不先写「本文将介绍……」。
• 术语首次出现会就地解释；需要时给最小可运行代码。
• 文中若提 Claude Code、Manus、OpenClaw、Pine 等产品，是为了说明架构选择，不是产品评测榜。
• 书中实验与数据请以原书与其仓库为准；这里重写的是原则与取舍。

下一篇从第 1 章切入：把公式拆开，看 ReAct 真正在循环什么，以及 Harness 五个功能原则如何把 Demo 往生产推。