Agent学习专题

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

从 Claim 与 Evidence 映射、来源独立性、时间版本和指标口径出发，讲清 Deep Research 报告如何核验引用并处理多来源冲突。

Agent Planner 生成的计划为什么不能直接执行？怎么校验和动态重规划

拆解 Agent Planner 从结构化计划、依赖检查、工具与权限校验，到局部重规划、状态回滚和版本回放的完整工程链路。

#Agent#架构与规划#Agent 计划校验

第 4 章:多轮对话与长程记忆管理

🎯 完成后能力:讲清多轮对话 / 长程任务里记忆怎么管(短期 vs 长期、历史选择、裁剪 vs 摘要、外部记忆与遗忘、指代消解),并能跑通一个带记忆 + 指代消解的多轮对话 demo

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

系统教程·AI 编程

上下文工程:让 AI 写对代码的关键

一句话:AI 帮你写代码的效果，既受模型能力影响，也受你提供的上下文、约束与验收方式影响。这就是「上下文工程」,也是面试聊 AI 协作时最能体现深度的点。

#Agent#AI 编程

#Deep Research#执行框架与长任务#ReAct 长任务

ReAct 为什么短任务好用，做长程研究却会越跑越乱？

从消息累积、重复读取、状态污染和错误传播出发，讲清 ReAct 为什么适合短任务，以及何时升级为演进报告与 ReSum。

Agent 反思机制怎么落地？Reflector 和 Critic 不能只让模型“再想一次”

从 LangGraph 的 Reflector、Critic 和 Coding Agent 自验证闭环出发，讲清 Agent 反思怎样接入规则、测试、工具证据和停止条件。

#Agent#架构与规划#Agent 反思机制

第 5 章:训练数据构造,种子 → 轨迹 → 增强

🎯 完成后能力:讲清为什么 Agent 要专门构造训练数据,以及「种子 → 轨迹 → 增强 → 质检 → 格式」这条数据流水线的设计思路,并理解 Loss Mask、Agentic CPT 数据合成等关键概念

把 AI 编程工具从「能用」调成「好用」

一句话:同一个工具,新手用着"还行",老手用着"真香",差距就在三件事——给它规则、给它可复用的技能、给它跨会话的记忆。这也是「上下文工程」(第 5 篇)在工程上的落地。

#Deep Research#执行框架与长任务#IterResearch 演进报告

IterResearch 的演进报告为什么不是普通摘要，怎样避免越改越错？

从状态字段、证据外置、事务更新、版本回退和质量评测出发，讲清 IterResearch 演进报告怎样支撑长程研究。

#Agent#工作流与状态#LangGraph StateGraph 设计

LangGraph 的 StateGraph 怎么设计？State、Node、Edge 到底各负责什么

从共享 State、Node 状态变换、固定边与条件边出发，讲清 LangGraph StateGraph 的设计顺序、循环控制、失败路由、Trace 与工程验收。

第 6 章:多阶段训练:Agentic CPT → SFT → GRPO

以公开方案比较CPT、SFT与GRPO的作用和选择条件，理解组内优势、长轨迹奖励与动态采样边界；不实际运行训练

30 行写一个会调用工具的最小 Agent

一句话:把「LLM + 一个工具循环」拼起来,就是 Agent 的本质。面试里「Agent 比直接调 LLM 多了什么」「ReAct 怎么跑」「Function Calling 怎么落地」,本质都在问这 30 行。

#Deep Research#执行框架与长任务#ReSum 动态摘要

ReSum 动态摘要怎样压缩长任务，又不把关键证据丢掉？

讲清 ReSum 的触发、受保护字段、外部证据、摘要漂移、回滚与下游评测，避免把动态摘要误当无损记忆。

Agent 任务中断后怎么恢复？Checkpoint、断点续跑和人工审批怎样设计

系统讲清 Agent Checkpoint 保存什么、如何断点续跑、怎样用幂等避免重复副作用，以及人工审批、版本兼容和故障注入如何设计。

#Agent#工作流与状态#Agent 中断恢复

第 7 章:工程化上线:推理优化、并发与成本

🎯 完成后能力:讲清一个训练好的调研 Agent 要上线扛真实流量,工程上要解决哪些问题:推理为什么慢且贵、KV Cache 和 continuous batching 怎么提吞吐、调研 Agent 特有的上线挑战,以及怎么把成本压下来

从零拼一个最小 RAG 问答

一句话:RAG 听起来高大上,核心其实就三步——检索相关资料 → 拼进 prompt → 让模型照着答。把这三步亲手跑通,你就懂了"开卷考试"的本质;想做深,站内有完整 RAG 教程接住。

#Deep Research#执行框架与长任务#Deep Research 并行任务拆分

Deep Research 并行任务怎么拆，依赖、尾延迟和综合成本怎样控制？

从任务拆分、依赖图、并发预算、尾部任务、局部重跑和综合开销出发，讲清 Research-Synthesis 何时值得采用、如何调度与怎样验收。

#Agent#工具调用与安全#Function Calling 完整流程

Function Calling 到底怎么跑？模型不会执行函数，完整工具结果循环怎么实现

从 Tool Schema、tool call、参数校验、宿主程序执行到 tool result 回灌，完整拆解 Function Calling 循环、错误处理、安全边界与评估。

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

🎯 完成后能力:讲清调研型 Agent 为什么难评估、要评什么(结果质量 + 过程质量)、LLM-as-a-Judge 怎么用又有哪些坑,以及怎么防止「刷分」、怎么把评估结果回流到训练形成闭环

MCP 入门:把工具标准化暴露给 Agent

一句话:第 3 篇的 Function Calling 解决了"模型怎么调工具",但每接一个工具都要自己写胶水代码。MCP 把接入接口标准化了；客户端、服务端还要匹配协议版本、传输方式、能力和权限。

#Deep Research#研究工具与稳定性#Deep Research 工具路由

Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？

讲清 Search、Visit、Scholar、Python 的证据边界，以及混合路由、前置校验、失败恢复、重复检测和工具评测。

#Agent#工具调用与安全#Agent Tool Registry

Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦

从工具名称、描述、参数和返回契约出发，讲清 Tool Schema、Registry、执行器和统一工具网关如何解耦，以及权限、版本、灰度与验收。

从单 Agent 到 Coding Agent,它多了什么

一句话:你在第 7 篇写的最小 Agent,把"查天气"工具换成"读文件 / 改文件 / 跑命令",再加一条"改完自己验证"的循环,就成了 Claude Code / Cursor 这类 Coding Agent 的雏形。这也是面试官想听的"Agent 比调一次 LLM 强在哪"。