第1章 大模型——Agent的大脑 Ch01 LLM — Agent's Brain
从预测下一个词到涌现推理能力
From next-token prediction to emergent reasoning
AI应用开发教程 AI App Dev Tutorial
第2章 Agent的本质 Ch02 The Nature of Agents
Agent = Model + Harness，ReAct循环与三年进化
Agent = Model + Harness, ReAct loop and 3-year evolution
第3章 三次范式演进 Ch03 Three Paradigm Shifts
从Prompt到Context到Harness，三年三次范式演进
From Prompt to Context to Harness, three paradigm shifts
第4章 编排（Orchestration）— Agent的执行流程 Ch04 Orchestration — Agent Execution Flow
ReAct循环、有向图、多Agent协作
ReAct loop, directed graphs, multi-agent collaboration
第5章 工具（Tools）— Agent的外部能力 Ch05 Tools — Agent's External Capabilities
Function Calling、MCP协议与工具设计
Function Calling, MCP protocol and tool design
第6章 记忆（Memory）— Agent的持久化信息 Ch06 Memory — Agent's Persistent Information
短期/长期记忆、RAG与知识编译
Short/long-term memory, RAG and knowledge compilation
第7章 沙箱（Sandbox）— Agent的安全执行环境 Ch07 Sandbox — Agent's Secure Execution Environment
代码沙箱、Docker容器与E2B云沙箱
Code sandboxes, Docker and E2B cloud sandboxes
第8章 状态（State）— Agent的执行上下文 Ch08 State — Agent's Execution Context
状态管理、检查点与持久化
State management, checkpoints and persistence
第9章 安全（Safety）— Agent的边界与护栏 Ch09 Safety — Agent's Boundaries and Guardrails
三层安全防线与人类审批
Three-layer defense and human approval
第10章 Vibe Coding — 用自然语言构建AI产品 Ch10 Vibe Coding — Building AI Products with Natural Language
用自然语言构建AI产品
Building AI products with natural language
第11章 AI框架与平台选型 Ch11 AI Frameworks & Platform Selection
LangGraph/CrewAI/AutoGen/Dify对比
Comparison of LangGraph/CrewAI/AutoGen/Dify
第12章 生产化 — 从Demo到可用的Agent Ch12 Productionization — From Demo to Production Agent
可观测性、评估与成本优化
Observability, evaluation and cost optimization
第13章 2026年的技术前沿 Ch13 2026 Tech Frontiers
自进化Agent、具身智能与行业渗透
Self-evolving Agents, embodied intelligence and verticalization
AI应用实战经验 AI App Practical Experience
Cursor、Claude Code、Codex、Hermes agent 4 家 harness 对比 Cursor, Claude Code, Codex & Hermes Agent: Four Harnesses Compared
四家 harness 对照，以及灵犀（Lumina）产品结构与落地
Four harnesses compared, plus Lumina (灵犀) product structure
AI产品经理笔记 AI PM Notes
暂无笔记，敬请期待。 No notes yet. Stay tuned.
AI在金融业务中的运用 AI in Finance
Complex Task DAG — 复杂任务调度 Complex Task DAG
用有向无环图（DAG）表示和调度复杂任务里的子任务和依赖关系
Using Directed Acyclic Graphs to represent and orchestrate complex task dependencies
LLMOps 与 RAI — 大模型全生命周期管理 LLMOps & Responsible AI
LLMOps管大模型从开发到上线的全生命周期，RAI确保安全、公平、可信、合规
LLMOps for full LLM lifecycle management, RAI for safety, fairness, transparency and compliance
RAG + RAI + LLMOps 深度解析 RAG + RAI + LLMOps Deep Dive
基于渣打银行 RAI 框架和 LLMOps 生产栈的 RAG 项目深度分析
Deep dive into RAG project mapped to SCB RAI framework and LLMOps production stack
Text-to-SQL 图搜索与树搜索替代 RAG Text-to-SQL Graph Search vs RAG
在复杂 Text-to-SQL 场景下，图搜索或树搜索比 RAG 效果更好、更精准
Graph and tree search outperform RAG in complex Text-to-SQL scenarios
Text-to-SQL 攻略 Text-to-SQL Guide
从基础原理到企业级架构的 Text-to-SQL 深度拆解
Deep analysis of Text-to-SQL from fundamentals to enterprise architecture