从 Transformer 到 Harness Engineering：一篇看懂 AI Agent 技术栈 如果把今天的 AI Agent 领域拆开看，底层是 LLM，中间是 Prompt、RAG、Function Calling 和 MCP，再往上才是 Agent、Multi-Agent、Context Engineering、Skill 与 Harness Engineering。把这些层次理顺，很多概念就不容易混了。 2026-04-28 1
AI Agent 工作流设计模式全览：从 ReAct 到 Planning 与 Reflection 把 Agent 做成可用系统，关键不只是提示词，而是任务怎么拆、工具怎么接、执行如何回看、计划如何修正。本文按工程视角梳理 ReAct、Plan & Solve、REWOO、LLMCompiler、Reflection、LATS、Storm 等常见工作流模式。 2026-04-28 1
上下文工程：AI Agent 真正的系统设计问题 当 Agent 开始跨多轮、多工具、长时程工作后，问题已经不再是“提示词怎么写”，而是“哪些信息该进上下文、何时进入、如何退出，以及哪些状态根本不该暴露给模型”。 2026-04-28 0
Agent Skills：把经验封装成可按需加载的能力模块 Agent Skills 解决的不是“模型会不会做”，而是“模型在实际工程环境里，怎样稳定地拿到正确上下文、执行正确流程，并把经验沉淀成可复用能力”。 2026-04-28 0
你不知道的 Agent：原理、架构与工程实践 围绕 Agent Loop、Workflow 与 Agent 的边界、Harness、上下文工程、工具设计、记忆、多 Agent、评测、追踪、安全边界，以及 OpenClaw 的工程落地方式，系统梳理一套可执行的 Agent 工程方法。 2026-04-28 1
把 Agent 变成工程产能：Harness、知识仓库与反馈回路 当代码生成不再是瓶颈，软件工程的重点会从手写实现转向环境设计、约束编码、上下文组织和反馈回路建设。这里梳理一套让 Agent 真正参与交付的工程方法。 2026-04-28 0
多 Agent 系统何时值得做：先从单 Agent 开始 基于 Anthropic 官方文章整理，梳理多 Agent 系统真正适合的三类场景：上下文隔离、并行化和专业化，并解释为什么大多数团队应该先把单 Agent 做好。 2026-04-27 4
OpenAI Function Calling 指南：把模型接到真实系统里 OpenAI Function Calling 指南：把模型接到真实系统里 基于 OpenAI 官方文档整理，系统梳理 Function Calling（Tool Calling）的核心概念、工作流、函数工具示例、结构化输出要求、流式处理、自定义工具与最佳实践。 2026-04-27 1
Function Calling 与 MCP 协议｜深究 MCP 协议的设计 一、Function Calling 2.1 要解决的问题 传统聊天大模型只会说话，没有工具调用能力，这使得大模型： **无法感知环境：**无法与外部数据源交互，如通过 API 查询网页、查看用户本地文件、访问远程数据库等等 **无法改变环境：**无法帮用户实际执行任务，如跑代码、发邮件、上传作业等 2026-04-27 1
高级 RAG 技术学习笔记 随着大模型技术持续演进，围绕大模型构建的应用越来越丰富，例如类似 ChatGPT 的对话系统、将搜索与生成结合的问答系统等。与此同时，这类应用也暴露出一系列共性问题：缺乏领域知识、无法获取实时信息，以及容易生成看似合理却并不准确的内容。检索增强生成（Retrieval-Augmented Gener 2026-04-27 1