AGENTDIY / KNOWLEDGE BASE

把知识连起来，
让每一步都有依据。

从第一段 Python，到一个可评估、可维护的 Agent。原创讲解、最小例子、动手练习与验收标准，沿着同一条路径前进。

第一次来？从 Python 与实验基础开始

36篇学习与导航

9个知识模块

编程与实验基础

先把输入、输出和证据写清楚。

01 · 用 Python 写出可重复的小实验

函数、容器、循环、环境与断言：先让程序行为可预测。

02 · JSON、HTTP 与 API 契约

读懂请求与响应，把不可靠的输入变成可验证的数据。

03 · 概率、向量与评估的最小数学

用计数、平均值和相似度理解后续实验，不先堆复杂公式。

04 · 实验记录、Git 与数据划分

从“它能运行”走向“别人能复现，我能解释”。

理解语言模型

理解能力边界，再选择合适的方法。

05 · Token、上下文与 Transformer

理解模型一次看到了什么，以及它为什么可能忘记或编造。

06 · 提示设计与结构化输出

明确任务、证据与输出契约，再用校验发现失败。

07 · 训练、推理与适配方法

分清提示、RAG、微调与强化学习分别改变了什么。

08 · 什么时候需要 Agent

先画出任务的分支，再决定自主程度。

工具与 Agent 循环

把一次回答变成受控的行动。

09 · 工具调用：从请求到执行

模型提出动作，程序校验并执行，再把结果送回。

10 · 工具的错误、重试与幂等

让失败有明确含义，让重复请求不产生重复副作用。

11 · 写一个有限步数的 Agent Loop

用状态与事件观察每一轮，而不是无限 while 循环。

12 · 规划、上下文与记忆

把计划当可更新的假设，把记忆当带来源的数据。

检索与知识系统

让答案连接可追溯的证据。

13 · Embedding 与混合检索

从关键词基线开始，理解语义搜索的收益与局限。

14 · 文档清洗、切块与索引版本

检索效果先由数据质量决定，再由模型决定。

15 · RAG：有证据才回答

检索、生成和引用校验是三件事。

16 · 检索与问答如何分开评估

定位是没找到证据，还是找到了却答错。

编排与系统协议

构建可恢复、可检查的工作流。

17 · 状态图与主流 Agent 框架

先理解状态、节点和边，再选择 SDK。

18 · MCP：标准接口与信任边界

理解主机、客户端、服务端，以及协议没有替你解决的事。

19 · 常见工作流模式与取舍

顺序、路由、并行、验证与修复，分别解决什么问题。

20 · 长任务、检查点与人工审批

浏览器关闭之后，运行状态依然要清楚可恢复。

评估与安全

用失败案例衡量可靠性。

21 · 建立 Agent 评估集

把目标转成任务、环境、结果与失败分类。

22 · 评分器、可靠性与统计口径

用代码检查硬条件，用人工校准主观评分。

23 · Trace、调试与费用归因

记录可观察事件，让一条失败轨迹能解释问题。

24 · 提示注入、权限与隔离

把外部内容当数据，让程序守住执行边界。

进阶 Agent 工程

按需增加协作、编码和优化能力。

25 · 多 Agent：分工何时值得

把协作收益与通信、冲突和费用一起衡量。

26 · 编码、浏览器与多模态 Agent

不同环境需要不同的观察、动作与验证。

27 · 从反馈优化到强化学习

先改善系统瓶颈，再考虑昂贵的模型训练。

28 · 从演示到可维护系统

服务边界、版本、观测与回滚一起设计。

在线实验与项目交付

把学习成果交给真实用户。

29 · 数据、版权与公开学习

让资料可以追溯，让学习者知道哪些内容会被保存。

30 · 模型网关、提供商与预算

把接口差异藏在适配层，把费用控制放在服务端。

31 · 在线实验：从回放到隔离执行

先提供可观察学习，再逐步开放真实模型与代码。

32 · 毕业项目：校园学习助理

用一个小而完整的项目验证整条知识链。

课程、论文与学习导航

查术语、读原文、安排下一步。

33 · 大学 Agent 课程地图

7 个官方课程入口，区分已开设、即将开设与职业教育。

34 · AI 实验室技术阅读地图

按工程问题阅读 6 家前沿 AI 实验室与模型团队的原始资料。

35 · Agent 核心术语索引

用简短定义与对应章节，把概念连成可导航的知识网。

36 · 十二周学习与项目计划

每周 4–6 小时的建议安排，以产物与验收推动学习。

每周读一点，做一个小实验。

十二周建议计划，按产物与验收推进。编程零基础可以放慢前两周。

查看学习计划 →

把知识连起来，让每一步都有依据。