本文件汇总全书十章思考题的参考答案提纲。思考题多为开放性问题，答案不唯一。参考答案由 AI 生成，经人工略作审校，仅供读者参考。建议读者使用 LLM 结合书稿内容进一...
思考题参考答案
引言 {.unnumbered}
2025 年 8 月至 10 月，我在图灵《AI Agent 实战营》中讲授了一系列课程。课程围绕一个核心问题展开：如何以可解释、可验证、可复用的工程原则设计 AI Agent，而不是依...
Agent 的持续进化
今天的 Agent 面临一个鲜明的能力悖论：它可以零样本解决从未见过的复杂任务，却可能在处理了一万次相似任务之后，第二天仍然犯下第一天的错误。模型上岗之后，能否像新...
模型后训练
本书的核心公式是 Agent = LLM + 上下文 + 工具。本章聚焦于优化 LLM 这个“大脑”——先用 Mid-training 补齐目标领域的知识与基础能力，再用 SFT/RL 等后训练方法塑造模型...
Agent 的评估
前六章已经展开了单 Agent 的构建：上下文、知识、工具、代码能力以及观察与动作空间。然而，构建完成不等于构建正确；只有能够稳定测量结果，后续的模型训练和系统进化...
交互：观察与动作空间的扩展
第一章提出过一个论断：在底层模型固定时，提升 Agent 任务表现最主要的系统工程手段，往往是重新定义或扩展观察空间与动作空间。在前五章的内容中，Agent 与世界的交互...
Coding Agent 与通用 Agent
前面的章节分别深入讨论了上下文工程（第二、三章）和工具设计（第四章）。本章将这些构件组合在一起，回答一个核心问题：一个能处理任意任务的通用 Agent，它的架构长...
工具
在科幻电影《Her》中，AI 助手 Samantha 能主动整理邮件、识别出情感复杂的信件并提议润色回复，能代表主角处理出版事宜，还能在不同的沟通渠道间无缝切换。她的智能之...
用户记忆和知识库
上一章解决的是单次交互的上下文管理。这一章要处理一个更难的问题：如何让 Agent 在对话结束后仍然记住用户、记住知识。 这种持久化的记忆体系可以从两个尺度来理解。...
上下文工程
第一章把上下文比作 Agent 的“眼睛”——Agent 只能基于它看到的信息做决策。上下文的设计和管理称为上下文工程（Context Engineering）。所谓上下文，就是每次你和 AI 对...
