🎯 学习使命 (MISSION)

本文件记录你在本工作区进行 Agent 开发学习的核心目标与约束边界。所有后续课程、实践任务与评测标准都以此为基准进行锚定。

为什么要学 (Why)

掌握自主 AI Agent（如类 Claude Code / Manus 的 Coding Agent 与通用任务助手）的核心设计原理与系统工程实践，能够独立从零构建出可靠、安全、具有状态感知与自愈能力的生产级 Agent 系统。

成功衡量标准 (Success Looks Like)

• 深入核心闭环：能够从零手写健壮的 ReAct（Reasoning + Acting）自主循环，理解并实现无状态 API 之上的状态管理与 Trajectory（轨迹）积累。
• 掌握 Context 工程：熟练运用 KV Cache 友好的静态前缀设计、动态状态栏（Agent Status Bar）注入、上下文分级压缩策略。
• 工具与协议化：能够设计符合 ACI（Agent-Computer Interface）原则的感知、执行与协作工具集，对接 MCP 标准协议。
• Harness 三大防线：掌握生产级 Harness 的约束（Constrain）、验证（Verify）与纠错（Correct）机制，防止死循环、越权与幻觉。
• 全栈工程赋能：发挥前端/全栈优势（TypeScript / React / Node.js），实现 Generative UI（动态表单与交互式交付）与异步事件驱动架构。

约束边界 (Constraints)

• 技术栈偏好：以 TypeScript/Node.js 与 Python 双语实战，打通前端开发者与 AI 底层的通道。
• 教材基石：紧密贴合《AI Agents in Depth: Design Principles and Engineering Practice》（李博杰，2026）的系统框架与伴随实验。
• 渐进式学习：注重认知负荷控制（Cognitive Load Theory），每课紧扣单一核心概念，搭配即时检验反馈。

当前不涉及的范围 (Out of Scope)

• 暂不涉及从零预训练（Pre-training）千亿级底座大模型，重点聚焦于模型之上、业务之内的 Harness 工程与后训练（SFT/RL）配合。
• 拒绝无实际业务场景支撑的纯理论空谈，一切以可落地的工程实现为准绳。