Agent Card 是入口：声明式能力描述，运行时发现Task 是核心：明确的生命周期，从提交到完成JSON-RPC 2.0 是骨架：简单、标准、语言无关三种通知模式：Polling / SSE / Push Notification，按场景选MCP 互补不竞争：一个管工具集成，一个管 Agent 协作MCP 给 Agent 装了手和脚，A2A 给 Agent 装了社交网络。两手都要硬，Agen

基础认知（1-4） → Agent 是什么、LLM/记忆/工具三大基石框架实战（5-6） → Java 生态框架横评、Spring AI 入门工程化进阶（7-10） → 约束管理、Schema、Grill Me、设计模式高级与落地（11-13） → Multi-Agent、可观测性、生产部署阶段核心能力关键词基础认知理解 Agent 架构框架实战能跑通第一个 Agent工程化进阶让 Agent 输

本文是「AI Agent 开发实战」系列第1篇，从最基础的概念讲起，回答一个根本问题：AI Agent 到底是什么，它和聊天机器人差在哪里。文章澄清了"把 LLM 接到业务系统加个对话框就是 Agent"的认知误区，介绍了 Agent = LLM + Planning + Memory + Tools 的经典公式，通过股票分析案例对比传统应用与 Agent 的做法差异，并给出 Agent 四大核心

Java生态Agent框架横评：Spring AI、LangChain4j、Apache Camel AI、JLangChain四大框架对比，含核心架构图、代码示例、选型决策树和MCP协议前景分析。

用 Spring AI 从零搭建一个能调用工具的 Agent，跑通 ReAct 循环。涵盖 ChatClient、@Tool 声明式工具注册、Advisor 拦截器链、对话记忆隔离、生产安全边界等核心组件，附完整代码示例和多轮对话效果演示。

本文介绍了如何通过「Harness Engineering」三大约束手段（Plan模板、工具注册约束、输出Schema）提升LLM Agent的生产可靠性。内容涵盖：1）LLM在生产环境中的典型问题（幻觉调用、格式漂移、无限循环）；2）三大约束的核心原理与实施方法，包括预定义执行流程、分阶段工具管控、结构化输出校验；3）对比了自由模式与模板约束的适用场景。通过系统化约束，可在保持LLM灵活性的同时

Grill 直译为"烤/盘问"，在 AI Agent 语境下，指的是Agent 在执行任务之前，主动向用户提出一系列结构化问题，澄清需求边界和隐含约束。传统模式 vs Grill Me 模式传统模式：用户 → [指令] → Agent → [立即执行] → 输出↓用户发现不对↓重新描述需求↓Agent 重新执行（可能反复多轮）Grill Me 模式：用户 → [指令] → Agent → [反问澄

本文介绍了三种经典Agent设计模式（ReAct、Plan-Execute、Reflection）及其应用场景。ReAct模式通过"思考-行动-观察"循环实现渐进式推理，确保每步都有数据支撑；Plan-Execute模式采用"先规划后执行"策略，通过结构化步骤提升可靠性；Reflection模式（文中未展开）则强调执行后的自我检查。文章对比了无模式Agent的随意性与模式化Agent的可追溯性，指

LLM 默认吐的是自由文本，而下游系统要的是 JSON、枚举、数组——格式不对，整条链路就断了。今天聊输出 Schema 约束，让 LLM 的输出像 API 返回值一样可预测。

"description": "获取指定城市的当前天气信息","city": {"description": "城市名称，如'北京'"},"unit": {"description": "温度单位"},三个必填字段字段作用要点name工具标识要语义化，LLM 靠名字猜功能功能描述越清晰 LLM 选工具越准parameters参数 SchemaJSON Schema 格式，required 必填@C