34 · AI 实验室技术阅读地图

阅读原则

核实日期：2026-09-05。这里覆盖 OpenAI、Anthropic、Google / DeepMind、Microsoft Research、Alibaba Qwen、DeepSeek。它们的文章、研究案例和官方文档用途不同；“前沿”不代表这里建立了当前性能排名。

先写下要解决的工程问题，再读原文、抽取假设、复现一个最小实验。研究结论只在相应任务和评价条件下成立。本站示例独立编写，不复制付费课程、未公开材料或隐藏推理轨迹。

从问题找资料

选择工作流还是 Agent

对应第 08、11、19 篇：用简单基线检查复杂度是否值得。

• Anthropic · Building effective agents：理解工作流、Agent 与组合模式；先验证简单基线。
• OpenAI · New tools for building agents：Responses API、工具与 Agent SDK 的架构背景；不沿用文章中的历史价格。

工具、上下文与状态

对应第 09、12、17、20 篇：验证参数、预算与恢复边界。

• OpenAI · OpenAI Agents SDK · Python：工具、交接、护栏与追踪的 SDK 参考。
• Google · Gemini API · Function calling：模型输出工具请求，应用负责验证并执行函数。
• Anthropic · Effective context engineering for AI agents：上下文选择、压缩与外部状态管理。

评估与生产系统

对应第 21–23 篇：建立任务集，区分轨迹与结果。

• Anthropic · Demystifying evals for AI agents：任务、运行轨迹、结果与评分器的系统评估。

多 Agent 协作

对应第 25 篇：以统一预算比较单 Agent 和多角色方案。

• Anthropic · Multi-agent research system：研究型多 Agent 系统的工程案例。
• Microsoft Research · Magentic-One：协调者与专门工具角色的多 Agent 案例。

编码、推理与验证反馈

对应第 26–27 篇：观察环境反馈，分清推理、搜索和训练。

• Alibaba Qwen · Qwen3-Coder：面向代码与工具环境的 Agentic coding 案例。
• DeepSeek · DeepSeek-R1 · official repository：推理与强化学习方向；推理模型本身不等于可部署 Agent。
• Google DeepMind · AlphaEvolve：以可计算评价信号驱动候选程序改进的研究案例。

每篇原文的阅读卡

问题：作者究竟解决什么？
条件：数据、模型、工具与预算是什么？
证据：用了什么任务、基线和指标？
限制：哪些结论不能推广？
我的实验：只改变一个因素，保留失败例。

发布或模型更新后，优先核查官方文档与版本记录。不要把历史发布页中的价格、模型名称或兼容性直接当成当前配置。