AI Agent 工程化专题

这个专题在讲什么

AI Agent 工程化是我过去一年投入最多的方向。最初我也以为接上工具调用、写好提示词就算“做完了 Agent”，直到真实业务把这套结构按在地上摩擦：提示词散落在代码里改一处崩三处、工具调用没有边界互相覆盖、上下文越滚越长直到爆窗、没有评估手段只能凭感觉判断好坏。

这个专题不是教程，是我把过去一年踩过的坑、做过的取舍、沉淀下来的可复用文档串成的一条连续阅读路径。按“入门 → 深入 → 排查”的顺序读完，能形成相对完整的工程化认知，而不是停留在 demo 阶段的兴奋感。

为什么需要一条专题路径

单篇文章只能写结论，单期播客只能聊取舍，单篇知识库文档只能给排查步骤。这三类内容各自完整，但拼在一起时缺少一条主线把它们串起来。这个专题就是那条主线——它不重复三篇内容里的细节，而是告诉你在什么阶段读哪一篇、读完应该建立什么认知、下一步去哪里深入。

推荐阅读顺序

1. 先读文章：建立全局认知

AI Agent 工程化实践：从套壳到可维护的系统 是这个专题的入口。它梳理了四条主线：提示词治理、工具编排、上下文管理、评估闭环。读完它你会知道工程化到底在管什么——以及为什么“接了工具调用”不等于“工程化完成”。

2. 再听播客：理解决策取舍

S01E01｜AI Agent 工程化对谈 是文章的补充。文章只写结论，播客聊的是“为什么这么做”——很多取舍在文章里展开不了，放在播客里讲。比如“为什么把提示词从代码里抽出来而不是用模板字符串”、“为什么评估闭环只看四个指标而不是十个”，这些判断逻辑只有对谈才能讲清楚。

3. 最后查手册：落地排查

AI Agent 排查手册 是可复用的工具书。当你的 Agent 出问题时，按故障分类逐项排查，每条都附了定位步骤和常见原因。它不是一次性的阅读材料，而是长期沉淀的排查库——每遇到一个新问题就补一条，越用越厚。

这个专题后续会补什么

工程化不是一次性的工程，是持续沉淀。这个专题会随着我后续的实践不断扩展，目前已经规划的方向：

• 工具编排的独立文档：把“读侧 / 写侧 / 检索侧”三层分层细节拆成单独的知识库文档，每层都附上编排层接口约定和失败回退策略。
• 评估闭环的用例集模板：把现在散落在多个项目里的用例集抽象成可复用模板，包含用例结构、指标定义、回归脚本和通过率基线。
• 上下文压缩的具体策略：从“按轮压缩”到“按语义块压缩”再到“长期记忆向量召回”的演进路径，每一步都附上踩坑记录。

如果你也在做类似方向，欢迎对照本专题的阅读路径建立自己的认知框架，再把你的实践反向沉淀回这个专题。

维度	套壳 demo	工程化系统
提示词	散落在代码注释里	角色任务约束分段版本化
工具调用	各自为政无边界	统一编排层显式声明副作用
上下文	越滚越长无回收	长期记忆与当次任务分离压缩
评估	凭感觉判断好坏	用例集跑通过率与成本
改动成本	改一处崩三处	约束清楚可回滚可观测

1. 先读文章《AI Agent 工程化实践：从套壳到可维护的系统》，建立"提示词治理 / 工具编排 / 上下文管理 / 评估闭环"四条主线的全局认知。
2. 再听播客 S01E01，理解文章里写不下的取舍逻辑——很多"为什么这么做"只能在对谈里展开。
3. 最后把《AI Agent 排查手册》当作工具书，按故障分类逐项排查，每条都附了定位步骤和常见原因。
4. 遇到具体场景时回到本专题，对照四条主线判断当前问题属于哪一类，再决定深入哪个文档。

AI Agent 工程化的核心不是模型多强，而是约束做得有多清楚。约束清楚，Agent 就稳定；约束模糊，再强的模型也会乱跑。