搭出可靠 Agent
先控制上下文，再补工具和 harness，最后用评测检查真实效果。
读完能做：完成一条从上下文设计到可判定验收的最短可靠性链路。
AI 技术文章实践库
进阶
第一次来，先选一条阅读路径；带着具体问题回来时，直接按主题找文章。难度只说明前置知识：起步无需编程或专业背景，进阶需要基本的 Agent、Git、脚本或评测概念，高级需要系统、训练、推理或安全方面的前置知识。它不是文章质量或重要性的排名。
版权与证据边界
Section titled “版权与证据边界”59 篇正文都是基于英文原文写成的原创中文实践解读，不是全文或逐句翻译。厂商和作者的结论、本站已有的可检查机制、尚待执行的实验会分开表述；没有站内证据的操作不会写成已经完成。
- 59
- 篇文章
- 11
- 个发布方
- 7
- 个主题
- 6
- 条路径
先选一条阅读路径
路径按学习依赖排序，同一篇文章也会出现在下方的主题目录中。
进入真实代码仓
从执行循环进入云端与长任务环境，再补检索和故障诊断。
读完能做：能在真实仓库中定位、执行、接班并解释一次失败。
完成一次软件交付
从需求与计划进入编码、调试、验证和审查，最后把自动化与发布证据接上。
读完能做：能交付一个经过原路径调试、确定性检查、差异审查和发布就绪判断的代码变更。
评测与安全闭环
先建立评测信号，再识别投机行为，最后把隔离和监控接上。
读完能做：得到一套既测结果、也约束执行过程的 Agent 验收方案。
推理成本与速度
从模型选型出发，逐步进入推测解码、级联策略和服务调度。
读完能做：能用质量、延迟和成本三轴比较推理方案。
多 Agent 协作
从可交叉验证的并行任务开始，再讨论扩展、harness 和能力回流。
读完能做：能判断何时并行有效，以及如何把高质量轨迹沉淀回单体能力。
按主题浏览全部文章
让 Agent 可运行
把上下文、工具、运行环境和接班机制装进一套能持续工作的工程框架。
这一组的产出：得到一份可启动、可恢复、可验证的 Agent 运行契约。
进阶推荐起点
Context Engineering：把注意力留给当前任务
用最小高信号上下文、按需检索和可恢复记录支撑长任务
进阶
动态上下文发现：先给索引，再按需取正文
用文件化工具输出、历史、Skill 和终端记录减少静态上下文膨胀
进阶
Agent 工具设计：围绕任务闭环，不围绕 API 数量
用任务级工具、命名空间、语义压缩输出与留出评测改进 Agent 工具
进阶
Harness 工程：让 Codex 在仓库里可靠工作
把规则、可观测性、验证门禁和知识索引组合成可迭代的 Agent 工作环境
进阶
展开 Codex Agent Loop：真正增长的是执行历史
从 Responses、工具调用循环与上下文压缩理解 Coding Agent 的运行时
高级
Managed Agents Runtime：把大脑、手和会话拆开
用稳定接口、持久事件日志与隔离执行环境承载长时 Agent
高级
长时应用开发 Harness：把生成与验收拆开
用规划者、生成者、评估者和可测试契约支撑多小时应用开发
进阶
云端 Agent 环境：把开发体验当成产品
让云端环境与本地对齐、命令可发现、验证可运行并能持续自诊断
进阶
编码 Agent 的语义搜索：和 grep 配合，而不是替代 grep
用已知答案离线集、真实轨迹信号和小型 A/B 验证检索是否真的帮助修改
进阶
PlugMem：把 Agent 记忆从聊天摘录变成可复用知识
用 facts、skills 与 memory graph 理解交互提炼、意图检索和上下文蒸馏
进阶
Fara1.5：浏览器 Agent 的关键不只是会点按钮
从观察行动循环、合成环境与验证器理解可控的 computer-use Agent
测出真相
把能力、环境噪声、评测泄漏和验证器误差拆开，避免被一个分数误导。
这一组的产出：能设计有判定器、有失败样本、能解释噪声来源的评测。
进阶推荐起点
Agent Evals：先定义结果，再选择 Grader
从任务、trajectory、outcome 与多类 grader 搭建最小可信 Agent 评测
进阶
ARC-AGI Harness 设置：模型分数也在测上下文工程
用保留推理与上下文压缩理解为什么评测必须同时固定模型和 Harness
高级
编码评测的信号与噪声：先审题，再信排行榜
识别过严测试、欠规格提示、低覆盖与误导性任务造成的假分数
高级
Agentic Eval 的基础设施噪声：一台更大的 VM 也会涨分
控制 CPU、内存、超时与并发，让编码评测区分模型能力和运行环境
高级
编码 Benchmark 的 Reward Hacking：找到旧补丁不等于会修 Bug
用 trajectory 审计、Git 历史隔离与网络白名单阻断运行时答案泄漏
高级
BrowseComp 教会我们的：搜索 Agent 要测持续换路，不只测首屏命中
用短答案、证据链与固定计算预算构造不泄露答案的浏览评测
高级
Eval Awareness：Agent 识别考场后，静态 Benchmark 就失去原构念
用合成 canary、轨迹审计和单多 Agent 对照检测运行时污染
进阶
AI 时代的技术面试：保住人的能力信号
用三轮性能工程 take-home 理解模型饱和，并设计仍能区分候选人能力的评测
高级
双盲 AI 评测：模型和题目都不必交给对方
用机密计算、哈希与回执拆解模型方和评测方互不泄密的评测协议
进阶
GAIA2：把 Agent 评测放进会变化的模拟手机
用歧义、事件、API 失败与环境噪声检验 Agent 是否真的能恢复和完成任务
高级
AgentRx：沿 Trajectory 找到第一个不可恢复错误
用工具 Schema、领域策略、可执行约束和证据日志系统调试 Agent
高级
CoT 可监控性评测：先证明“能看见”，再讨论“能监督”
用 intervention、process 与 outcome-property 三类合成评测检查监督信号
高级
Argos：多模态 Agent 的奖励先要看懂落点
拆解检测、分割、指点、字符串与 LLM 评分如何组成 agentic verifier
进阶
别只用回答长度判断 LLM 是否过度思考
用思考步骤之间的结构和效用识别无效探索、重复验证，并设计可观察的小实验
守住边界
从权限、沙箱、事件响应和持续监控四个方向限制 Agent 的影响面。
这一组的产出：能为高权限 Agent 写出明确的隔离、告警和停止条件。
高级推荐起点
Claude Containment：先限制爆炸半径，再谈智能审批
从容器、系统 Sandbox、VM、出站控制与最小权限设计 Agent 安全边界
高级
Windows Agent 沙箱：把权限边界做成可验证系统
用受限令牌、合成 SID、网络防火墙与 DPAPI 拆解 Codex Windows 沙箱
高级
Hugging Face 事件：高能力 Agent 评测也必须按生产级事故防护
从越界协作、Reward Hacking、Sandbox 逃逸与告警升级提炼 Agent 安全停止线
高级
GPT-Red：让自动红队成为可控的安全反馈环
用威胁模型、隔离环境、对抗自博弈与能力保持评测扩展 Prompt Injection 防御
高级
监控编码 Agent：窄告警加人审，不把日志当安全证明
用完整可见轨迹、合成违规样本和人工复核建立低成本 misalignment 监控
高级
AI Control Roadmap：监控高能力 Agent 的真实动作
用 supervisor、覆盖率、召回率和响应时间建立可测量的 Agent 控制层
开发与交付
把规划、编码、调试、验证、审查、迁移、自动化和发布接成一条可复查的软件工程链路。
这一组的产出：能为同一个代码变更留下从计划到发布判断的完整证据。
高级推荐起点
AI-Native SDLC：代码变快后，先重做交接
用六阶段工件链把规划、设计、构建、测试、部署与维护接成可审计闭环
进阶
Coding Agent 最佳实践：先收窄任务，再让反馈接管
把计划、按需上下文、新会话、Rules、Skills、TDD 与 Git 组合成可控开发流程
进阶
Debug Mode：用运行时日志淘汰错误假设
从多假设、定向插桩到原路径复现与清理日志的证据化调试流程
高级
迭代修复闭环：让验证失败成为下一轮输入
用 Review、Repair、Validate 三段式循环收敛可测量的代码与内容维护任务
进阶
Diff-first 代码审查：先形成问题，再补最窄证据
让代码审查 Agent 从变更出发，用 grep、glob 与 view 验证具体风险
高级
可复现代码迁移：用可审查 Playbook 约束长任务方差
从历史 diff、错误日志、解决策略与决策理由提炼迁移路径
进阶
GitHub Agentic Workflows：把仓库杂务变成受限的 Markdown 自动化
用 GitHub Actions 承载只读 Agent，并通过安全输出保留人工控制
高级
发布就绪评审：围绕这次变更组装证据包
用专属测试、跨仓依赖和隔离环境补足合入前的生产风险判断
让能力成长
比较扩展自治、多 Agent 协作、蒸馏和在线训练怎样带来真实增益。
这一组的产出：能用固定任务和成本口径判断一次能力升级是否值得。
进阶推荐起点
Agent 蒸馏飞轮：先从真实轨迹筛出可学经验
用 trace 分区、教师评估和 LoRA 蒸馏理解小模型 Agent 的持续优化闭环
高级
持续改进 Agent Harness：用真实失败驱动迭代
把离线评测、真实使用信号、错误分类和模型适配组合成改进闭环
高级
为 Codex 调 Harness：工具齐全不等于模型会正确使用
用模型特定提示、工具形状、lint 触发与推理连续性做最小适配实验
高级
扩展长时自治编码：先分清规划与执行
从扁平抢任务的失败出发，设计有边界的 planner-worker 协作实验
高级
并行 Claude 写 C 编译器：并发不是核心，验证器才是
用 workers、GCC oracle 与 delta debugging 理解长周期并行编码实验
高级
多 Agent 研究系统：用广度优先换覆盖，不用人数换幻觉
从 lead、workers、广度优先搜索与同预算评测理解研究型 Agent
高级
Composer 2 训练拆解：先补代码分布，再练真实 Agent 行为
从 continued pretraining、异步强化学习与执行环境理解编码 Agent 的训练闭环
高级
实时 RL：让生产反馈更快回到 Composer
理解 on-policy、短周期 checkpoint 与 reward hacking，并划清用户反馈的数据边界
进阶
Co-Scientist：让多 Agent 围绕假设竞争，而不是一起附和
拆解生成、反思、排序与演化机制，并用低风险问题做一轮可审计的假设锦标赛。
选型与加速
沿着模型选择、请求调度和推测解码，衡量质量、成本与延迟的交换。
这一组的产出：能画出推理链路，并用同一任务选择合适的模型与加速策略。
起步推荐起点
2026 夏季开放模型：热度、采用与可部署性是三回事
把 Hugging Face 生态观察转成零基础用户可执行的开放模型选型清单
进阶
GPT-5.6 的效率不是只靠模型更快
从模型、推理栈与 Agent harness 三层理解效率，并把结论落到可审计的工作流实验
高级
NVIDIA Dynamo 1.0：推理扩展首先是调度问题
用 KV 感知路由、分离式服务和启动复用理解多节点推理系统，并做无 GPU 的调度实验
高级
DFlash：把推测解码的草稿阶段也并行起来
从草稿、验证和接受率理解 block-diffusion speculative decoding，并做可审计的纸面实验
高级
Speculative Cascades：把是否升级大模型推迟到 token 级
理解级联推理与 speculative decoding 如何合并质量路由和并行验证
放进具体场景
把 Agent 和模型放进数据、科学、协商、机器人与生命科学任务中。
这一组的产出：能区分通用机制、领域约束与必须由专家验收的结果。
进阶推荐起点
Agentic AI 做科学计算：写得快以后，验证才是主工作
从八个科学软件案例提炼可复现的改造方法：先固定基线，再让 Agent 迭代，最后明确维护责任。
高级
企业数据 Agent：先建设语义上下文，再让模型写 SQL
从六层语义上下文、离线归一化与结果集评分理解内部数据 Agent
高级
SocialRL：礼貌助手为什么不等于合格谈判代理
用可计分博弈理解意图建模、信息披露、反制和价值交换，并设计安全的小型评测
高级
Gemini Robotics 2：把“会看会说”接到真实动作
从全身控制、具身推理与端侧适配中，提炼普通电脑也能验证的分层智能体实验。
高级
V-JEPA 2：先从无动作视频学习世界，再用少量动作数据控制
理解 actionless 预训练、机器人后训练和 MPC 重规划的世界模型路线
高级
AlphaGenome：一次读取百万碱基，但预测不是临床结论
理解卷积、Transformer 与多输出头如何比较参考和替代序列的功能差异