基础认知
先建立最重要的观念：Agent 和普通聊天模型的区别，不在输出文本，而在于围绕目标持续执行任务。
- AI Agent 简介
- 核心组件：LLM、规划、工具、记忆
- 从问答转向目标驱动执行
记录值得长期理解的技术拐点，不追热搜，重点放在架构变化、产品信号和工程落地。
这里优先关注 AI、具身智能、开发者工具链，以及会重塑软件工程方式的新基础设施。
当前聚焦
AI Agent
Agent 不只是对话，而是目标驱动的任务执行系统。它更接近会规划、会调用工具、会保留上下文的执行者。
LLM + Planning + Tool use + Memory
关键理解
- 从“问答”切换到“给目标，让系统拆解并执行”
- 核心不是回复更像人，而是能否完成真实动作
- 一个最小 Agent 往往已经包含输入解析、工具调用、状态保存和结果汇总
最小案例
天气穿衣助手最简单的 Agent 也可以按“识别城市 → 查询天气 → 生成建议 → 保存中间状态”的链路运行。
工作原理
理解 Agent 的主循环：接收目标、拆分步骤、调用工具、观察结果、调整下一步，并在必要时保留上下文。
- 任务拆解
- 工具调用与反馈
- 多轮迭代执行
Python 实现
从最小示例入手，看一个可运行 Agent 如何组织工具、记忆和执行流程，而不是只停留在概念解释。
- 最小 Agent 结构
- 工具调用
- 记忆系统
- 问答实例
工具生态
把概念映射到实际工具链，理解不同框架和终端代理分别解决什么问题，以及适合什么使用场景。
- LangChain / CrewAI
- Claude Code / OpenCode
- Skills 与工作流
- Qoder / Trae
AI Systems
关注模型能力边界、Agent 设计、评测方法、上下文工程、推理成本，以及这些变化怎样影响真实的软件系统。
- 大模型与多模态
- Agent 工作流
- Eval 与基准
- Inference 成本
Embodied Intelligence
关注具身智能从 demo 走向系统工程的过程，包括世界模型、仿真训练、感知融合、执行器闭环和人机协作。
- VLA / 世界模型
- 仿真到现实
- 多传感器融合
- 机器人产品化
Tooling Frontier
关注会改变开发者工作流的工具：代码生成、自动化调试、知识管理、终端代理，以及 AI 原生的软件协作方式。
- AI Coding
- 终端代理
- 知识工作流
- Dev Infra
