AI Agent 教材十章对照与知识补充

对照结论

现有知识库已覆盖 LLM、RAG、工具调用、记忆、工作流、微调和基础评估。这本教材的补充价值主要在于把这些组件连成可执行、可纠错、可持续改进的 Agent 系统。新增六个专题，重点处理原有概览尚未展开的运行环境、结构化信息、异步状态及评估机制。

本对照使用 资料卡 中的 2.0 书稿快照；“已有覆盖”和“需要深化”是对本站内容的编辑判断，不是教材作者对本站的评价。

十章与本站内容的对应关系

原书章节	已有知识	本次补充或衔接
1 Agent 入门	执行循环、项目状态	Harness 与 Coding Agent：用执行记录、验证器和失败出口支撑完成声明
2 上下文工程	token、上下文与记忆	Skills 与缓存：渐进加载、稳定前缀、预算和压缩验收
3 用户记忆和知识库	记忆生命周期、检索与重排	结构化记忆与知识索引：主体消歧、时间、摘要树、实体关系及权限
4 工具	结构化输出、MCP 边界	继续使用协议笔记，结合 Harness 和 Skills 深化按需发现、参数真值与执行检查
5 Coding Agent	安全、项目验证	Harness 与 Coding Agent：工作副本、补丁、测试、模型与工具故障分类
6 交互	语音、视觉、后端取消	事件与交互：迟到结果、修订号、抢占、Computer Use 观察和动作确认
7 评估	LLM 评估、统计、项目报告	Agent 评估与协作：pass@k、连续通过、轨迹前缀、根因与协调成本
8 后训练	训练与适配、强化学习	轨迹学习：任务蓝图、示范筛选、环境重置、奖励与信用分配
9 持续进化	MLOps、漂移监控	轨迹学习：知识、指令、程序、参数四种更新载体与独立发布门禁
10 多 Agent	工作流与交接	Agent 评估与协作：信息增量、版本冲突、取消传播和唯一结算

开发者的学习顺序

沿 八步 Agent 工程进阶 阅读：先了解缺口，建立 Coding Agent 运行骨架，再管理上下文和记忆，补协议边界与异步交互，最后用评估决定改进和训练。

已有主线仍承担数学、数据、算法、训练和通用应用基础。没有必要为了学习 Agent 先跑完整本书的训练与机器人项目；先完成一个边界明确的只读任务，再扩大动作能力。

值得研究的实现机制

实验入口	阅读时追踪什么	自己的验证任务
chapter5/coding-agent	读取、搜索、补丁、执行、反馈和终止如何衔接	对一个小仓库定义修改范围和独立验收测试
chapter2/context-compression	摘要怎样保留来源、约束和未完成项	同一组虚构信息压缩前后都能回答边界问题
chapter3/structured-index	原文、摘要、实体关系和查询怎样关联	一题查细节、一题查跨实体关系，均返回原文证据
chapter6/agent-with-event-trigger	事件入队、任务归属、处理中更新和结果回收	覆盖重复、乱序、取消、迟到和重启
chapter7/user-memory-policy-eval	在检索已经成功时，怎样单独测记忆的使用边界	新指令与旧偏好冲突时采取正确的下一步动作
chapter9/harness-safety-gate	更新提案为何可能被验证器拒绝	有害提案不能发布，正常任务仍可通过
chapter10/parallel-web-research	来源隔离、任务状态、消息和取消怎样配合	比较串行基线与并行方案，检查冲突及重复结算

固定版本的项目链接见资料卡。可借鉴的是控制流、契约和验收方法；具体 API、依赖和外部写入权限需在自己的项目里重新检查。上游报告的分数和运行记录属于上游环境，不能写成自己的复现成绩。

例如 Coding Agent 的 README 将 WebFetch、WebSearch、Task 标为 stub。学习时可以追踪编码循环和接口组织，接入实际项目前须补齐并验证这些能力。项目描述中的“生产级”字样本身不能代替实现审查与任务验收。

不应直接推广的结论

“更大的上下文”“更多 Agent”“采用 RL”都不能单独证明系统更可靠。先找出错误发生在数据、工具、控制流、模型策略还是验证器，再选择改动。书中的具体模型、榜单、训练与硬件案例有任务范围，不能代替当前官方接口和自己的对照测试。

机器人控制、完整 RL 训练、跨组织互操作仍需对应原始资料与实际环境。本轮增加的是概念笔记、设计案例和学习任务；本站仍只有关键词检索、权限与缓存两篇包含实际运行的实验。

阅读来源与核验

• 2.0 目录和阅读说明
• 正文目录
• 许可

2026-10-10：AI 助手协助对照十章目录、小结和重点段落，原创设计本站案例与练习。未导入原文、图片或课程代码，未运行上游实验。