本文涵盖Agent的安全与对齐：Agent特殊安全风险（提示注入/越狱/权限滥用/数据泄露/代理失控）、对齐方法（Constitutional AI/RLHF/系统提示约束/护栏模式）。

本文从零讲解Agent记忆系统——Agent从"一次性对话"到"持续进化"的关键基础设施。内容包括：①记忆是什么；②记忆在Agent技术栈中的定位；③记忆类型全景（短期记忆/工作记忆/长期记忆/情景记忆）；④记忆的核心操作（存储/检索/压缩/遗忘四大操作的原理与实现）；⑤记忆检索策略（语义相似度/时间衰减/重要性加权/MMR多样性）；⑥记忆与规划的协同；⑦记忆与反思的协同；⑧完整实战：从零构建一个

本文概述了AI Agent开发的核心概念与演进历程。AI Agent是一种具备感知-思考-行动循环的自主系统，相比传统聊天机器人，具有持续执行、工具调用、状态维护和自主决策等特性。文章详细介绍了从Function Calling到MCP协议的演进，以及新兴的Skills抽象层，分析了Agent的核心组件（LLM大脑、工具和记忆系统），并对比了不同技术方案的优劣。随着标准化协议MCP的普及和Skil

拥抱AI时代开启新专栏，本文作为AI系列学习研究文章导航目录，持续更新中

本文梳理了大模型应用开发的三个时代（Prompt时代→编排时代→Agent时代），详解从最简架构（Prompt→LLM→Response）到生产架构（Agent+Memory+Guardrails+Observability）的四级演进，对比大模型应用vs传统后端开发的核心差异（确定性vs概率性、语义驱动vs数据驱动），总结大模型应用"第一性原理"三大支柱（信息注入、能力扩展、质量控制），并给出完

本文阐述从Prompt Engineering到Context Engineering的认知转变——核心工作不是写指令，而是管理LLM看到的全部信息（上下文窗口）；详解上下文窗口本质、"Lost in the Middle"现象、上下文预算管理，以及五大核心技术（上下文压缩、排序优化、动态选择、缓存、长上下文处理策略），附上下文管理器设计框架和反模式分析。

本文详解RAG技术——解决LLM知识局限（训练数据截止、私有数据未知、专业领域不精）的核心方案，梳理RAG流程（离线索引：文档→分块→嵌入→向量数据库；在线查询：嵌入→向量检索→Top-K→拼接到Prompt→LLM生成），详解关键技术（分块策略、嵌入模型选择、向量数据库选型、混合检索、重排序），提供最简RAG和生产级RAG架构代码，以及常见问题优化。

本文从零讲解MCP协议（Model Context Protocol）——2024年底由Anthropic发布的Agent工具连接标准协议。内容包括：①MCP是什么（定义、为什么需要、它**生效于Agent三层架构的哪一层**）；②MCP架构详解（Host/Client/Server三层模型、三大能力**Tools/Resources/Prompts**及案例、传输方式**Stdio vs SSE

本章将**真正动手**创建一个完整的Skill，并构建一个能自动发现、注册、匹配、加载、执行、卸载的Skill管理系统。不是模拟代码，而是可以直接运行的真实项目。

本文详细讲解了langgraph的多种实战模式：多agent协作、rag知识库、Plan-and-Execute模式编排、Reflection模式等，并讲解了LangGraph生产部署细节，附带一个完整项目实战：智能客服Agent。最后整理了LangChain/LangGraph常见问题和技巧