在真实工作场景中，大模型的核心限制并非内容生成能力，而是缺少对工作现场的持续理解：资料位置、事实权威源、任务执行顺序与完成判定，均需人工重复提供。

这场面试的特点，一句话概括：**没有一道题是背出来的，全在问你对 Agent 架构到底理解到哪一层。**面试官从头到尾只做一件事——顺着 Agent 和 RAG 往架构深处钻。你讲 RAG，他就问怎么衡量回答质量；你讲记忆，他就问长期记忆怎么写回、怎么冲突消解；最后还丢一道手撕让你现场写向量检索。

这一周，TypeSafe 推出的决策模型 Jev ，仍在我的信息流里几乎是循环刷屏。浏览器自己丝滑点击，游戏自动操作，几百条数据几十秒跑完，Agent 自己挑 Skill，上下文一刀砍掉 99%。上一个这么热的是「小龙虾」，再往前是 Skill。

Agentic Engineering 不是一套边界已经固定的标准，而是围绕 AI Agent 设计、运行、评估和落地的一组工程实践。讨论它时，有几个名字很像、却不在同一层次的概念：**Agent Loop 是 Agent 的运行机制；Harness 工程是搭建运行底座；Loop 工程是设计和改进持续执行的工作循环；FDE 则把这些能力带进真实业务。**把它们区分开，才能看清 Agent 如何从一

面试官：为什么要把 Agent 的工具执行流程封装成 CLI，直接调用函数不行吗？🙋‍♂️我：命令行比较简单，模型学会一个命令就能执行工具了。👔面试官：模型返回命令不代表程序已经运行。你把执行入口封装起来，具体解决了哪些工程问题？

其实，这个问题其实很多人都没认真想过。我们天天用这些编码智能体，觉得它"记得住"是理所当然的，但从来没想过它背后到底是怎么做到的。

最近，Agent 成了 AI 领域非常热门的一个方向。但当你开始了解 Agent，或者尝试自己搭建一个 Agent 时，很快就会遇到一堆陌生的技术术语：RAG、ReAct、Tool Calling、Memory、Planning、Reflection、MCP……

我们从软件工程和 AI 系统架构的角度，把知识库、RAG、向量数据库、图数据库、知识图谱、GraphRAG 这几个概念完整梳理一遍。我会假设你熟悉传统的数据库、SQL 和软件开发，但没有接触过大模型知识库的实际工程实现。

MetaAgent-X 提出了一套端到端强化学习框架，让自动多智能体系统不只会“设计 agent workflow”，还会一起优化后续负责执行任务的 agents。

本文提出 SAGE，让 Challenger/Planner/Solver/Critic 四智能体共享同一 LLM 骨干闭环共进化，仅用 500 条种子即在 Qwen-2.5-7B 上 LiveCodeBench 提升 8.9%、OlympiadBench 提升 10.7%。