鐵人檔案
這個系列會從最小的 AI Agent Loop 開始，逐步拆解工具呼叫、權限控制、規劃、Context、記憶、背景任務、多 Agent 協作、評估與 Graph Engineering。每篇都會搭配可直接執行的 Python 範例，說明不同機制解決了什麼問題，又增加了哪些成本與風險。目標是不只學會使用 Agent 框架，而是真正看懂它裡面的架構與設計取捨。
很多 AI Agent 教學，會從 LangChain、LangGraph 或某個 Agent Framework 開始。 我們會先建立一個 Agent、加入幾...
昨天我們先建立了一個基本觀念： 模型負責判斷，Harness 負責讓判斷可以被執行、觀察與限制。 但還有一個問題沒有回答： 為什麼一般聊天模型回答一次就停...
前兩天我們先拆開了兩個核心概念。 Day 1 說明： 模型（LLM）負責判斷，Harness 負責讓判斷可以被執行、觀察與限制。 Day 2 則把 Agen...
前一天我們拆解了 Tool Calling 和 Tool Runtime。 模型產生 Tool Call，只代表它提出一個行動請求。 真正的 Tool Runt...
前幾天我們逐步建立了一個最小 Agent 架構。 目前系統已經有： Agent Loop Tool Runtime Schema Validation Per...
前幾天我們逐步建立了 Agent 的基本控制平面： Agent Loop Tool Runtime Permission Approval Sandbox H...
前一天我們談 Planning。 Planning 的核心不是列出漂亮步驟，而是把任務轉換成可以追蹤、驗證、重新規劃的執行狀態。 當 Plan 變得更大時，下一...
前一天我們談 Subagent。 Subagent 的價值，不是單純增加 Agent 數量，而是建立更乾淨的 Context、責任、權限與結果邊界。 今天要處理...
前一天我們談 Skills 與 Progressive Disclosure。 核心觀念是： Context 是工作區，不是倉庫。 Agent 不需要一開始...
前一天我們談 Context Management。 核心觀念是： Storage 負責不遺失資料，Context 負責讓模型看見現在最重要的資料。 但這還...