AI 智能体

模型只是运行系统中的一个组件，而非系统本身：

上图是对系统职责的拆解，并不意味着所有产品都采用相同的架构或术语。

阅读路径

Agent 架构

• Agent Harness 定义控制面、权限、状态和恢复边界。
• 有界循环 解释进度、终止、验证与异常升级。
• 上下文工程 决定哪些信息进入当前模型窗口。
• Agent 记忆与检索 解释哪些证据与上下文值得长期保留，以及怎样为当前任务找回合适的信息。
• 工具契约 定义参数、副作用、错误、重试和权限。

能力封装

• Agent Skills 把可检查、可复用的流程封装起来。
• MCP 适合互操作收益足以覆盖额外边界时的实时 Client/Server 集成。

AI 辅助实践

• AI 时代的软件设计 把设计概念、领域语言、测试和深度模块用于生成代码。
• 如何用 AI 学习 让学习者继续掌握问题诊断、回忆练习和下一步行动。
• 个人知识系统 把捕获、私人理解、证据和公开写作分开处理。

证据与当前选择

• 证据与偏差 区分规范事实、厂商主张、基准结果、实际观察与个人偏好。
• AI 模型 提供带日期的模型、价格、运行时、额度和产品比较，帮助缩小选型范围。

组合这些组件时，要问什么？

同一个工具可能承担多种职责，不需要为每一项职责配一个独立产品。

问题	需要确认的细节
哪些操作需要许可？	权限规则在哪里声明，由什么机制执行
哪些步骤值得复用？	普通文档是否足够，还是需要可调用的 Skill
怎样接入工具？	本地命令、MCP 或其他 API 分别带来哪些能力、权限和故障情况
中途失败怎么办？	哪些状态能恢复，谁决定重试或停止
比较结果适用于我的任务吗？	产品版本、测试任务与实际使用条件是否相符

阅读时留意适用场景

这些笔记以终端和编码任务为主，对浏览器 Agent、具身智能、数据标注、非英语场景、组织治理及人机交互的覆盖较少。

厂商文档适合查接口定义；判断某功能在你的工作流中是否实用、安全或更好，还要看相关任务的测试结果和失败案例。

我的阅读 · 打开过的笔记会记在当前浏览器里。