从模型、上下文和工具出发，系统理解 AI Agent 怎样观察、行动和完成任务。18 课把资料使用、任务状态、记忆、安全和评估连起来，再讲模型训练、实时交互和多 Agent 协作，帮助你判断产品的能力与局限。
能用模型、上下文和工具三个组成部分分析一个具体 AI 产品，并依据观察、行动与反馈分清聊天模型、固定自动化和 AI Agent。
能读懂并补全 Agent 的观察—行动轨迹，说明每一步的信息增量、执行责任和继续或退出依据。
能根据路径可预知性、环境变化和错误代价，选择单次调用、固定工作流、自主 Agent 或混合编排，并划清模型控制范围。
能从 Agent 失败轨迹中定位模型、上下文、工具、执行、验证或状态管理问题，并提出一项可验证的 Harness 改进。
能为具体任务选择、组织和标注必要上下文，并区分提示表达、信息缺失、信息组织与模型能力问题。
能为长任务选择状态栏、缓存、压缩、隔离和外置状态，并设计信息保留与安全恢复规则。
能判断信息是否值得进入长期记忆，并为记忆设置对象、来源、时间、有效期、更新删除和隐私边界。
能沿材料、索引、排序和回答四层检查 RAG，选择分块与检索方式，并定位证据缺失、错排或误用问题。
能设计一份同时供模型决策和系统执行的工具契约，并判断工具粒度、权限以及工具、Skill 和 MCP 的职责边界。
能沿攻击或误操作路径设计内容隔离、最小权限、参数检查、人工确认、沙盒、幂等、验证与回滚等分层防线。
能根据任务性质分配模型、代码、验证器和人的职责，并为代码执行选择与产物匹配的验证证据。
能为 Agent 任务设计可重复评估，覆盖环境、真实完成证据、过程与安全标准、多次运行指标和失败诊断。
能判断能力问题应通过 SFT、RL、蒸馏或模型外系统解决，并说明数据、环境、反馈、泛化与回滚风险。
能把真实经历提炼、验证并保存到合适载体，使经验可复用、可评估且可撤销。
能为实时 Agent 设计事件接收、去重、取消、打断、状态同步和快慢处理分工，并判断三种实时速度。
能把界面与机器人操作拆成观察、定位、行动和验证，并依据环境动态性选择接口、视觉方法与分层控制。
能判断任务是否值得拆成多个 Agent，并设计上下文、协作拓扑、交接、冲突处理和独立验收。
能用任务、模型、上下文、工具、Harness、评估和学习位置完整审核陌生 Agent，判断能力来源、必要复杂性、风险与完成证据。
开始学习