Agent 专栏开篇：学习路径与目录

这是「Agent 工程」专栏的目录与路线图。专栏的写法只有一条主线：每个概念都落到两个开源智能体的真实源码上——OpenAI Codex（Rust，静态 workspace）与 DeepSeek Harness（TypeScript，插件化框架），看同一个问题两家怎么解，提炼可迁移的设计模式。

目录

阶段一 · 认知与地基（约 1.5 小时）

#	篇章	产出
2	到底什么是 Agent	能判断一个需求该上 agent 还是写死流程
3	LLM API 实战基础	裸调 API 完成一次工具调用

阶段二 · 手写最小 Agent（约 2.5 小时）

#	篇章	产出
4	100 行手写 Agent 循环	一个能干活的命令行 mini-agent
5	提示词与工具设计	mini-agent 的工具集升级

阶段三 · 上下文工程（约 3.5 小时）

#	篇章	产出
6	上下文窗口经济学与缓存	为缓存命中而设计的上下文结构
7	记忆与压缩	长会话不爆窗、跨会话记得住
8	按需上下文与子 Agent 隔离	长任务的上下文隔离能力

阶段四 · 知识接入（RAG）（约 2.5 小时）

#	篇章	产出
9	RAG 最小实现	100 行跑通检索增强
10	RAG 的工程现实	给 mini-agent 挂上私有知识

阶段五 · 工具生态与安全（约 2.5 小时）

#	篇章	产出
11	MCP 实战	写一个自己的 MCP server 并接入
12	沙箱、权限与安全	给 mini-agent 装上审批与沙箱

阶段六 · 从 Demo 到生产（约 3.5 小时）

#	篇章	产出
13	Agent 评测	十条固定任务的回归评测集
14	多 Agent 协作模式	知道何时该用、何时不该用
15	上线	可观测、有预算、渐进放权的可用 agent

番外 · 开源 Agent 源码对照

#	篇章
16	OpenAI Codex 是怎么做 Agent 的
17	Codex 的工具、沙箱与扩展生态
18	DeepSeek Harness 与两套系统的十条共识

新手术语表（全专栏通用）

术语	大白话解释
LLM	大语言模型（如 DeepSeek、GPT），agent 的”大脑”
Token	模型计费与长度的计量单位，一个汉字约 1~1.5 个
上下文窗口	模型一次能”看到”的最大内容量，对话历史全装在里面
系统提示词	给模型的人设与规则说明书，用户看不到
工具（Tool）	agent 能执行的动作：读文件、跑命令、搜网页……
Function Calling	模型返回”我想调用某函数及参数”的能力，执行由你的代码完成
Agent 循环	模型决策 → 执行工具 → 结果回填 → 再决策，直到任务完成
MCP	连接模型与外部工具的开放标准——工具写一次，各家 agent 都能用
RAG	先检索私有文档再回答，解决”模型不知道我的内部资料”
KV 缓存	模型服务方的计算缓存——请求前缀一致就省钱省时
沙箱	给程序套的隔离罩，限制它能读写什么、能不能联网
评测（Evals）	一套固定考题自动判分，改动后重跑防止退化
多 Agent	多个 agent 分工协作——收益常被高估，成本常被低估

前置课程

• 无需任何 agent 经验——第 2~3 篇从零讲起；
• 本专栏的动手代码用 Python；若你的目标是读 TypeScript 系的源码（如 dsh），请先修姊妹专栏「TypeScript 与 Node 地基」，再进阶「Cordis 插件框架」专栏读懂 dsh 的插件底座。

学习方法

1. 每篇都有产出物，代码亲手敲，教程不过夜。
2. 源码对照是本专栏的方法论：读每个概念时问一句「Codex 怎么做？dsh 怎么做？」——两个独立团队不约而同的地方，就是行业共识。
3. 想直接深读源码的读者，可以从番外三章入手，再顺着 DeepSeek Harness 专栏的 14 篇逐行精读。