[!info] related notes

• 上层入口：AI MOC
• 应用工程：AI Agent Application MOC
• 运行时：Agent Runtime MOC
• 能力层：Tool Calling Engineering MOC、Context Engineering MOC、RAG Engineering MOC
• 质量层：Agent Evals MOC、Observability Engineering MOC
• 工程边界：Backend Engineering 与 Agent Engineering 的边界与协作

Agent Engineering MOC

知识总览

filters:
  and:
    - 'file.ext == "md"'
    - 'file.inFolder("z")'
    - 'this.file.links.contains(file)'
    - 'file.path != this.file.path'
formulas:
  knowledge: 'file.asLink(title)'
properties:
  formula.knowledge:
    displayName: 知识
  note.description:
    displayName: Description
  note.mastery:
    displayName: Mastery
views:
  - type: table
    name: 知识总览
    order:
      - formula.knowledge
      - note.description
      - note.mastery
    columnSize:
      formula.knowledge: 280
      note.description: 760
      note.mastery: 56

[!abstract] 核心认识 Agent Engineering 不是“接一个模型 API，再套 while loop”。它研究的是：模型如何在明确目标、状态、工具、权限与停止条件下，持续观察环境、选择动作，并由运行时把不确定决策变成可恢复、可审计的执行过程。

一张图看完整体系

LLM / Structured Output
        ↓
Agent Loop: Observe → Decide → Act → Observe
        ↓
Tools + Context + RAG + Memory
        ↓
Runtime: State / Event / Checkpoint / Interrupt / Retry
        ↓
Safety / Permission / Sandbox / Human Approval
        ↓
Trace / Eval / Deployment / Continuous Improvement

推荐学习顺序

1. LLM 应用基础

• LLM、Structured Output、Embedding 模型
• 理解 token、context window、message role、sampling 和不确定性。

目标：知道模型输出是候选结果，不是天然可信的业务事实。

2. LLM Call、Workflow 与 Agent

1. Agent
2. Agentic Systems
3. Augmented LLM
4. Agent 执行闭环
5. Agent 中的 Stopping Conditions
6. Agent 在前端研发中的角色 — 把通用执行闭环映射到前端工程反馈与治理边界。

LLM Call  → 一次生成
Workflow  → 开发者预先确定主要路径
Agent     → 模型在受控边界内动态选择下一步动作

3. Tool Use

进入 Tool Calling Engineering MOC，重点掌握：

Schema → Model selects tool → Validate
→ Authorize → Execute → Normalize result → Observe

Tool call 只是请求，不能绕过权限、业务不变量、幂等与审计。

4. Context、RAG 与 Memory

• Context Engineering MOC：这一轮模型应该看到什么。
• RAG Engineering MOC：如何获取当前外部证据。
• Agent Memory Types & Policies：哪些经验值得跨轮次保留。

最短边界：

Context   → 本轮直接可见的信息包
RAG       → 从外部知识源检索证据
Memory    → 由使用过程沉淀、可跨轮次复用的状态
State     → 当前任务的权威执行状态

5. Agent Runtime 与持久执行

进入 Agent Runtime MOC：

• Thread / Run / Step；
• State / Event / Trace；
• Checkpoint / Interrupt / Resume / Replay；
• timeout / cancellation / retry；
• concurrency / backpressure；
• sandbox / permission boundary。

这一阶段决定 Agent 能不能在真实故障和人工审批后继续运行。

6. Workflow 与 Multi-Agent

先学 Agentic Workflow Patterns：

• Prompt Chaining；
• Routing；
• Parallelization；
• Orchestrator-Workers；
• Evaluator-Optimizer。

再进入 多 Agent 编排模式、Manager as Tools、Handoffs 和 A2A。

[!warning] 选型原则 单 Agent + 清晰工具足够时，不要为了“更 Agentic”拆成多个角色。Multi-Agent 只在上下文隔离、专业分工、权限边界或并行收益明确时成立。

7. Safety、Eval 与生产闭环

• Agent Guardrails、Human-in-the-loop
• Agent Evals MOC
• Observability Engineering MOC
• AI Agent Application MOC

Offline Eval
→ Replay / Shadow
→ Canary / Quality Gate
→ Production Trace / Metrics
→ Failure Attribution
→ Repair / Promotion / Rollback

三条学习路径

面试主线

Agent vs Workflow
→ Tool Calling
→ Context / RAG / Memory
→ Runtime / Checkpoint / HITL
→ Multi-Agent
→ Eval / Safety / Production

题库：AI Agent 面试题库。

Runtime / Production 主线

Agent Loop
→ State / Event / Trace
→ Checkpoint / Interrupt / Resume
→ Idempotent Tool Side Effects
→ Permission / Sandbox
→ Eval / Observability / Deployment

Coding Agent 主线

[[coding-agent-moc|Coding Agent MOC]]
→ [[coding-agent-memory-moc|Coding Agent Memory MOC]]
→ Skills / MCP / Harness
→ Planning / Execution / Review / Repair

掌握标准

• 能用一句话区分 LLM Call、Workflow 和 Agent。
• 能解释 Tool Schema 合法为什么不代表动作已获授权。
• 能说明 Checkpoint、业务数据库、Trace 和 Memory 的边界。
• 能画出 Interrupt → Human Decision → Resume 的后端闭环。
• 能解释 Retry 为什么必须和幂等、副作用边界一起设计。
• 能为 Agent 建立 dataset、grader、trace 和上线门槛。
• 能把上述设计映射到自己的生产项目，而不是只讲框架 API。

相邻地图

• 学习 AI Agent MOC
• AI Agent Application MOC
• Agent Runtime MOC
• Coding Agent MOC