深入理解 AI Agent
以可解释、可验证、可复用的工程原则设计 AI Agent，而不是依赖经验与直觉反复试错。从 LLM、上下文与工具的核心公式出发，沿「构建 → 评估与进化 → 协作」一路走到系统落地。
开篇 · 从一次人机协作实践说起
INTRODUCTION为什么写这本书、以及 Agent 设计原则为何能穿越模型迭代周期。
第一部分 · 构建 Agent
HOW TO BUILD从核心公式出发，掌握上下文、记忆、工具、Coding Agent 与交互边界。
AI Agent 入门
建立 Agent 的直观理解：核心公式、ReAct 循环、Harness 五要素、工作流与自主 Agent 的编排光谱。
开始阅读上下文工程
上下文是 Agent 的“眼睛”：从 API 消息结构与 KV Cache 原理，到提示工程/注入、Skills、状态栏与上下文压缩。
开始阅读用户记忆和知识库
把记忆延伸到跨会话：用户记忆的渐进式策略、RAG 完整技术栈、知识组织与 Agentic RAG 前沿探索。
开始阅读工具
工具是 Agent 的“手脚”：MCP 互操作标准、五类工具设计原则、多模态感知三条路线与执行工具的安全机制。
开始阅读Coding Agent 与通用 Agent
以 OpenClaw 架构为主线剖析 Coding Agent 的工作流与实现技巧，看代码生成如何通向通用 Agent 与自举。
开始阅读交互：观察与动作空间的扩展
从“模态”与“时序”两个维度扩展交互：事件驱动、语音、Computer Use 与机器人操作共享的系统原语。
开始阅读第二部分 · 提升 Agent 能力
HOW TO IMPROVE先建立评估，再从模型后训练、持续进化与多 Agent 协作扩展能力。
Agent 的评估
把 Agent 迭代从经验判断转为可复现的工程过程：评估环境、数据集设计、LLM-as-a-Judge 与改进闭环。
开始阅读模型后训练
深入 SFT 与 RL 两种后训练技术：“SFT 记忆、RL 泛化”，从奖励设计到单轮/多轮强化学习算法全景。
开始阅读Agent 的持续进化
让 Agent 在运行中持续变好：经验沉淀为知识/指令/程序/参数，反思循环与从经验中学习的受控进化。
开始阅读多 Agent 协作
从共享上下文到 Manager 协调再到群体智能：多 Agent 协作的架构模式、安全协议与涌现的可能。
开始阅读后记
AFTERWORD回到公式——Agent 天空的两朵乌云，与 Harness 的宿命。
附录
APPENDIX全书十章思考题的参考答案提纲。