课程简介

课程以 Loop Engineering（循环工程） 与 Graph Engineering（图工程） 为主轴，深度融合 Agent 开发全部核心技术组件（上下文管理、评估飞轮、工具沙箱、Harness工程）与前沿趋势（Claude Code、Codex、ACE、推理设计模式）。解决"单个智能体如何思考得深、迭代得稳"，以及"多智能体如何组织得清、协作得可靠"。通过 理论精讲 + 大厂 Case Study + Workshop 实战​ 三元融合，帮助学员掌握 2026 年最前沿的智能体架构方法论

目标收益

1. 完整性：融合六大核心组件（大脑、上下文、评估、工具、沙箱、落地）与第二版课纲的前沿双引擎（Loop & Graph）。
2. 深度聚焦：
◦ Loop Engineering：重点深化了 Plan-Resolve + ReAct 融合架构、意图理解 Loop、Coding Agent 的 Read-Plan-Edit-Test-Review 闭环。
◦ Graph Engineering：涵盖了 Org Graph 与 Work Graph 的双层设计，以及 LangGraph/CrewAI 的工业级实战。
3. 大厂实践：密集注入 Anthropic (Claude Code)、OpenAI (Codex)、Google (ADK)、Microsoft (GraphRAG)、IBM 的最新架构细节。

培训对象

面向中高级 AI 工程师、架构师与技术负责人

课程内容

模块一：范式革命 —— AI Agent 行业演进与架构总览
1.1 AI 智能体行业演进趋势分析
• 行业发展演进脉络解析和落地案例剖析
• 构建与工作模式发展解析
• 核心范式剖析：
◦ Agent 核心推理范式——顺序、层次、动态重规划、反思修正等和 Loop 结合协同。
◦ 技术栈选型：LangGraph (State Machine) vs. CrewAI (Role Playing) vs. LlamaIndex (Data-centric) vs. 自研框架的深度权衡。
◦ 转型实战：传统 CRUD 开发思维向 Agentic Loop 开发思维的转型痛点。

1.2 五次范式迁移的产业逻辑
• 演进脉络：Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering → Graph Engineering。
• 企业通用智能体的诞生：基于 Loop 和 Graph 的大脑架构设计实践。
Workshop 1【互动演示】：构建你的第一个“反思循环 (Reflexion Loop)”
• 任务：不使用高阶封装，手写一个简单的 ReAct 循环。
• 实操：引入 Reflection 节点，观察模型如何通过 Loop 修正错误。
• 产出：理解 Loop 的停止条件（Stopping Criteria）与异常捕获。

模块二：Graph Engineering —— Agent 大脑与多智能体编排
2.1 从工作流编排到多 Agent 协同（Graph 的大脑进化）
• 核心概念：State（状态）、Node（节点）、Edge（边）、Condition（条件）。
• LangGraph 或其他框架（可定制）实战：
◦ 案例拆解：Multi-Agent 架构的核心范式。
◦ 状态机编排：处理复杂业务流中的 Cycles（循环） 与 Reflection（反射）。
◦ 工业级源码参考：解析 LangGraph 如何处理消息传递与状态持久化。
• 角色驱动模式：
◦ 案例解析：基于 Role 的图节点设计。
◦ 互动研讨：智能体重构实践案例——幻觉抑制实践（利用 Graph 的校验节点拦截幻觉）。
2.2 意图识别与大脑架构设计
• 实践：意图识别理论和案例看架构设计。
• 意图 Loop：意图识别作为 Loop 的"第 0 步"，动态意图澄清与漂移检测。
2.3 多智能体协同的“设计模式”与拓扑结构
• 拓扑结构：星型、网状、层级结构（Org Graph vs. Work Graph）。
• 群体智能和循环工程结合案例。
• 前沿趋势：传统智能体开发的致命缺陷（Goodhart 定律、向上盲视等）与应对策略。
Workshop 2【互动演示】：LangGraph 复杂业务流程建模
• 场景：设计一个包含“计划-执行-检查-行动”循环的 XX Agent（可定制）。
• 挑战：处理用户的打断、异常流程的回滚（Rollback）以及 Human-in-the-loop 的介入。
• 产出：一个具备自我纠错能力的 StateGraph 应用。

模块三：Loop Engineering —— 上下文管理与自进化训练
3.1 上下文管理系统综述与工程挑战
• 业界实践：
◦ [案例] LangChain/LangGraph 上下文处理哲学：Messages 的拼接与管理。
◦ [案例] Claude Code 最佳实践：上下文压缩与“梦境整理”。
◦ [案例] OpenClaw 基于文件系统的上下文管理：异步强化学习训练范式。
• Agentic Context Engineering (ACE)：分层/结构化的动态上下文注入技术。
3.2 推理设计模式与 Loop 的结合（深化内容）
• 三大经典范式：
◦ ReAct (Reason+Act)：实时决策与工具调用。
◦ Plan-and-Execute：全局规划与局部执行。
◦ Reflection (反思)：自我修正机制。
◦ 更多模式解析和落地实践。
• 融合架构：Plan-Resolve + ReAct 驱动经典 Loop 循环：
Plan (Planner生成DAG) -> Resolve (每步内部跑ReAct Loop) -> Reflection (Critic审查) -> Replan (失败回滚)
• Agent x Memory：超越上下文，迈向真正的自主进化。
◦ 记忆系统的架构思考与主流设计。
◦ 短期记忆（对话上下文）与长期记忆（向量数据库+图数据库）的融合架构。
3.3 智能体训练与自进化循环方案
• 学习 Hermes：基于轨迹/记忆的 SFT 冷启动与持续微调。
• 行业实践：上下文学习和技能反馈优化。
• 自进化智能体：环境交互 + 奖励信号的 RL 闭环。
• 互动研讨：从 RAG 到 Deep Research 智能体——全链路优化策略落地。
• 案例：从 Hermes 智能体看记忆架构、DSPy 驱动的技能自进化演进。
Workshop 3【互动演示】：构建具备长短期记忆的“ACE”系统
• 任务：实现一个 Agent，它能在一次对话（Short-term Loop）中解决问题，并将经验沉淀到长期记忆（Long-term Loop）中。
• 实操：模拟 Agent 的夜间“自我训练”过程。
• 产出：一个具备“睡眠-学习-醒来-工作”循环能力的智能体原型。

模块四：Coding Agent 深度实战 —— Loop Engineering 重塑研发效能
4.1 Coding Agent 的 Loop 解剖
• Claude Code 内置循环：Read → Plan → Edit → Test → Review。
• Codex 云端异步 Loop：适合“提交任务 → 等待 PR”的自动化模式。
• 六大架构原语：Automations、Worktrees、Skills、Connectors、Sub-agents、Memory/State。
4.2 需求交付闭环设计
• 全流程 Loop：需求工单 → Explore → Plan → Code (Edit Loop) → Review (Sub-agent Critic) → Commit/PR → CI Gates → 验证/回滚。
• Maker/Checker 分离：写代码的模型与审查的模型必须分离，停止条件由独立模型判断（/goal 机制）。
4.3 大厂实践数据与工程化
• 效率数据：Anthropic 内部 Coding Agent 效率提升参考（行业分享数据）。
• CLAUDE.md 工程化：哪些该写，哪些不该写，核心原则与规模控制。
• Harness 架构：Agent Harness + Skill 技能改造在代码场景的应用。
Workshop 4【互动演示】：构建需求交付 Coding Loop
• 任务：为一个真实代码仓库配置完整的 Loop Engineering 工作流。
• 实操：编写 CLAUDE.md、定义 Sub-agents（Explorer/Implementer/Reviewer）、配置 Hooks 与 Automations。
• 演练：投放一个真实 Bug Issue，观察 Loop 自主运行至 PR 创建的全过程。

模块五：基础设施与工程化 —— 工具、沙箱与 Harness
5.1 Harness Engineering 深度解析
• 新架构趋势：通用智能体 + Skills。
• 实践对比：Anthropic / OpenAI / LangChain Harness 实践对比。
• 组件标准化：从散装 Agent 到标准化的 Harness 组件。
• 技能集成新范式：技能与工具 * Agent 集成的最佳实践。
5.2 技能设计与工具调用稳定性
• Skill 设计：规划、设计、创建与编写技巧。
• 验证与迭代：Skill 技能的测试、验证、评估。
• 稳定性提升：如何提升模型对技能/工具调用的准确性与执行稳定性。
5.3 沙箱技术深度解析和应用
• 选型对比和执行环境中的优劣分析。
• 安全隔离：确保 Agent 在执行 Loop 过程中不破坏宿主环境。
Workshop 5【互动演示】：Agent Harness + Skill 技能改造
• 任务：将一个普通的 Python 脚本封装为标准化的 Agent Skill。
• 实操：定义 Skill 的元数据、输入输出 Schema，并将其挂载到 LangGraph 的 Agent 节点上运行。
• 产出：一个高可用的工具调用模块。

模块六：评估飞轮与全链路可观测性
6.1 智能体系统评估和优化指南
• 重点：可观测性循环深度集成——全链路 Trace 追踪（可视化 Graph 执行路径）、数据集管理与回归测试。
• 实践：开源可观测性和可评估性实践——成本监控、Prompt 版本管理与用户反馈闭环。
6.2 企业级评估体系构建
• 案例：构建企业级 Agent 通用评估体系。
• 大厂落地分析：从某大厂评估体系落地与自进化分析看平台化建设和架构效率。
• 评估 Loop 自身：定期审计 Loop 的指标是否失真（应对测量衰减）。
Workshop 6【互动演示】：构建企业级 Agent 评估飞轮
• 任务：为 Workshop 2 的 PDCA 多 Agent 系统配置评估和优化循环。
• 实操：模拟用户提问，追踪 Graph 中哪个节点导致了延迟或错误；设置回归测试，确保代码更新不破坏原有 Loop。
• 产出：一套完整的 Agent 监控与评估能力架构。

模块七：综合实战 —— 行业专家 Agent 构建
1. 需求分析：定义专家 Agent 的职责边界与验收标准。
2. Graph 设计：绘制 Org Graph（角色分工）+ Work Graph（任务编排），融入 Coding Agent 子系统。
3. Loop 植入：顶层 Plan-and-Execute + 执行层 ReAct + 反思层 Reflection + 评估层 Eval Loop。
4. 记忆系统：基于 ACE 的分层上下文注入 + 长期记忆（Vector+Graph）。
5. 工具集成：标准化 Harness + Skill + Sandbox 环境。
6. 部署与监控：LangSmith 全链路追踪与 Langfuse 成本管控。