原理优先
从语言模型、上下文窗口与 Agent 机制讲起，不把站点做成工具清单。
AI Agent GuideAI Agent 全栈知识体系
从第一性原理到工程实战，系统掌握 LLM、Agent 与 AI 工程
Skip to content
AI Agent 知识站
AI Agent Guide 是一个面向开发者的中文知识站点，关注从 LLM 原理到 Agent 工程实践的完整知识链路。
这里不把重点放在“哪个工具最火”，而是优先回答更关键的问题：
- 模型到底是什么
- 上下文为什么决定系统表现
- Agent 为什么本质上是一个系统而不只是一个模型
- Memory、多 Agent、评估为什么会成为真正的工程主题
站点概览
7 个模块从序章到评估与进化，覆盖 AI Agent 的完整知识主线。
P0 / P1 / P2按优先级逐步补齐重点内容，先保证主线可读，再向外扩展。
目标 52 篇以体系化文章而不是零散笔记构建长期可维护的知识站。
阅读增强保留折叠目录、隐藏侧边栏和专注阅读等高价值交互。
从哪里开始
学习指南先看整体路线、阅读方式和模块关系。序章先建立 AI 原生开发与范式转移的整体认知。大语言模型基础从 LLM 本质与上下文窗口进入主线。Agent 核心机制理解 Tool Use、Context Engineering 与闭环系统。
推荐阅读顺序
- 先读 序章，建立范式转移与 AI 原生开发的整体视角。
- 进入 大语言模型基础，先把 LLM 和上下文窗口理解稳定。
- 再读 Agent 核心机制，理解 Tool Use、上下文工程与闭环系统。
- 接着进入 Memory 体系 和 多 Agent 系统，看复杂任务如何扩展。
- 最后再看 工具与框架 和 评估与进化，把认知落回工程选择与系统优化。
知识地图
text
序章
-> 大语言模型基础
-> Agent 核心机制
-> Memory 体系
-> 多 Agent 系统
-> 工具与框架
-> 评估与进化七大模块
序章
建立范式转移与 AI 原生开发的整体认知。
大语言模型基础
理解 LLM、本质边界与上下文窗口。
Agent 核心机制
理解 Tool Use、闭环推理与上下文工程。
Memory 体系
进入工作记忆、外部记忆与 RAG 设计。
多 Agent 系统
处理复杂任务中的角色分工、协作与 MCP。
工具与框架
从真实工具体验进入框架与实现层判断。
评估与进化
让概率系统变得可比较、可测量、可迭代。
当前内容进度
| 模块 | 当前状态 | 重点内容 |
|---|---|---|
| 序章 | 已成型 | 范式转移、AI 原生思维、学习方式 |
| 大语言模型基础 | 已成型 | LLM 本质、上下文窗口 |
| Agent 核心机制 | 已成型 | Agent 本质、Tool Use、Context Engineering |
| Memory 体系 | 持续完善 | 四种记忆形态、RAG 基础 |
| 多 Agent 系统 | 持续完善 | 协作模式、MCP 协议 |
| 工具与框架 | 持续完善 | 工具比较、手写 Agent |
| 评估与进化 | 持续完善 | Agentic Eval、奖励函数 |
这套站点的重点
- 强调知识体系，而不是热点追踪
- 讲原理，但最终要回到工程与实战
- 页面风格服务阅读和长期学习，而不是产品宣传感
- 保留阅读模式、专注阅读和折叠目录这些高价值交互