AI Agent 与应用

系列阅读

1. AI Agent 是如何工作的：从一次模型调用到任务执行闭环

   从一次虚构的服务超时排查出发，拆解目标、模型、工具、状态与环境反馈，说明 Agent 如何形成执行闭环、何时应该停止，以及 Java 后端经验如何迁移。提供可下载的 Python 离线示例，区分模拟决策与真实工具执行。

2. 让 Agent 真正执行任务：Tool Calling 与 MCP 实战

   围绕研发排障助手，把状态查询和排障记录封装成可校验的工具，梳理模型请求、应用执行与 MCP 连接的职责。通过锁定版本的官方 Python SDK 实测工具发现和调用，并用离线案例解释参数、超时、权限与幂等边界。

3. 从知识库问答到 Agentic RAG：让 Agent 找到可靠答案

   以结算服务超时排查为例，拆解文档切分、元数据过滤、关键词与向量检索、重排和引用，比较固定 RAG 与动态补充检索。通过离线可复现的证据链定位未召回、召回错误和生成错误，并明确教学向量与真实语义检索的区别。

4. Agent 的上下文与记忆：如何记住有用信息

   围绕研发排障助手，区分系统指令、任务状态、知识库、会话历史与长期记忆，展示每轮调用如何选择和组装上下文。用离线 Python 示例验证跨会话读取、过期过滤、用户隔离及长度预算，并讨论摘要丢证据和不可信内容混入的风险。

5. 复杂任务如何编排：工作流、单 Agent 与多 Agent 的取舍

   用同一个研发排障任务比较固定工作流、单 Agent 动态调用与多 Agent 分工，说明串并行、路由和委派的适用条件。通过 SQLite 检查点演示中断恢复、身份隔离及绑定方案的人工确认，并分析重试、重复副作用和协调成本。

6. Agent 从 Demo 到上线：评测、可观测性与安全边界

   从研发排障助手的离线测试出发，建立任务成功、工具正确性、证据引用与执行成本的评测框架。说明怎样记录轨迹、定位失败、测试越权与提示注入，并把真实模型接入、灰度运行和回滚需要的证据与本地验证结果明确区分。