DeepSeek Harness 源码解析（一）：从代码补全到仓库级 Agent
从一个取消导出的修复任务出发，比较代码补全、对话助手与 Coding Agent，解释 Harness 如何组织仓库上下文、工具执行和会话记录，再对照 DeepSeek Harness 固定源码建立阅读入口。
Agent
系统整理我对 AI Agent 的学习、实践与思考，涵盖概念理解、系统设计、工具调用、记忆机制、规划能力、多 Agent 协作与真实案例。
筛选与排序
共 26 个阅读入口
Agent Spec：如何用自然语言定义一个可执行系统
用文档整理任务解释 Agent Spec：如何写清目标、步骤、循环、约束、任务拆分和输出格式，以及何时停止执行。
Human-in-the-Loop：Agent 什么时候应该停下来问你
解释 Agent 何时需要人工介入，并用可运行的 SQLite 示例保存待审批请求，核对请求 ID、审批人、操作内容和期限，验证重启、并发与一次性认领。
持久记忆实战：让 Agent 跨会话记住用户
用真实 SQLite 按用户保存已确认的偏好和事件，跨进程检索，执行更新删除，并在每次模型调用前强制检查字符预算。
Skill 实战：教 Agent 写你风格的博客
用可运行的 Python 示例扫描和匹配 Skill，限制工作区读写，授权后保存新规则，并重新读取实际文章检查结构；默认离线运行，可选接入真实模型。
MCP 集成实战：让 Agent 连接真实服务
用官方 Python MCP SDK 连接两个真实本地 FastMCP 服务，完成初始化、工具发现、命名空间映射和调用，并验证错误处理、超时与取消清理。
Multi-Agent 实战：用 Supervisor 模式构建代码审查系统
运行一个完整的本地 diff 审查程序：以并发上限调度三个 Reviewer，校验 JSON 意见、文件行号与引用证据，并显式保留失败、取消和部分结果。
调试 Agent：当你不知道它为什么做了那件事
用可运行 CLI Coding Agent 的真实 JSONL 记录，解释如何关联模型调用、工具分发与进程结果，并定位超时、拒绝和未完成任务。
文件管理 Agent 实战：当操作不可逆时，Guardrails 怎么落地
运行一个带显式审批和持久撤销日志的文件管理 Agent：限制工作区、预览提案、备份删除内容，并通过真实临时文件测试验证跨进程恢复与冲突拒绝。
Research Agent 实战：从 RAG 到自主研究
用可运行的 Python 示例实现研究规划、本地语料搜索与读取、带来源笔记、报告检查和有上限的修订循环，区分固定响应验收与真实模型研究质量。
Guardrails：如何约束 Agent 不做错事
用可运行的文件工具边界解释输入、执行与输出检查：校验操作和参数，限制工作区路径，按完整内容授权写入，并以拒绝后无写入的测试说明范围。
记忆的四种形态：Agent 如何在不同时间尺度上保住它知道的事
从「Agent 为什么会忘事」出发，系统梳理短期、情景、语义与程序四种记忆的定义、适用场景与工程实现，并厘清与 RAG、上下文管理的边界。
什么是 RAG：让大模型用上你自己的知识库
从检索增强生成的基本流程出发，说明索引、向量化、混合检索与重排序等关键环节，以及 RAG 与微调、Agent 的关系。
从零构建 CLI Coding Agent：ReAct 驱动的实战实现
运行一个完整的 Python CLI Coding Agent：默认用固定模型响应驱动真实文件操作和测试命令，支持逐次批准、超时清理与 JSONL 追踪。
Skill：不改模型、不写代码，教会 Agent 做专家级别的事
用博客写作示例解释 Skill 如何提供项目规范、操作步骤和验收标准，以及发现、读取和按需加载参考资料的过程与限制。
MCP：让 Agent 的工具生态不再各自为战
从工具集成的 N×M 问题出发，系统解析 MCP 的架构设计、核心原语、传输机制与安全模型，说明它为什么可能成为 Agent 工具层的基础协议。
多 Agent 协作：当一个 Agent 不够用时，如何让多个 Agent 分工合作
解释多 Agent 的四种分工方式，并用可运行的 SQLite 任务板实现原子认领、版本检查和独立消息游标，验证并发工作者不会相互覆盖。
Reflection：Agent 如何审视自己的输出并纠正错误
解释 Reflection 为什么是 Agent 的质量保证层，以及如何用输出后审查、执行中自我纠错和多 Agent 交叉审查发现并修正隐性错误。
Prompt 设计：Agent 的系统提示词怎么写
系统解释 Agent 的 system prompt 应该包含哪些部分、为什么这些部分重要，以及常见 prompt 设计错误该如何避免。
工具接口设计：让 Agent 用得好，比让 Agent 用得上更难
解释为什么 Agent 时代的工具接口不能只追求人类可用，并从粒度、返回值、错误处理与状态管理四个维度给出可落地的设计原则。
如何评测一个 Agent：不只是看它回答得好不好
解释 Agent 评测为什么不能只看最终答案，并给出覆盖任务完成率、过程合理性、错误恢复与稳定性的评测框架。
Planning：当 ReAct 不够用时，Agent 如何提前分解目标
用可运行的异步 Plan-and-Execute 说明任务分解、结果验收、结构化状态，以及总截止时间、步骤和重规划上限如何共同约束执行。
ReAct：模型如何让推理与行动交替运转
解释 ReAct 如何让模型在推理与行动之间交替运转，以及它为什么是 Agent 推理机制的基础范式。
上下文与记忆：Agent 为什么会在长任务中失去方向，以及如何设计状态管理
解释模型本轮输入与长期记录的区别，用可运行的字符预算包装器保护当前任务、完整工具交换和结构化计划状态。
Tool Use：为什么它是 Agent 的核心能力
从模型的封闭性出发，解释 Tool Use 为什么是 Agent 与外部世界连接的关键接口，以及工程上如何把工具系统设计到真正可用。
什么是 Agent：从聊天助手到可执行系统
从目标、工具、状态与执行闭环几个角度理解 Agent，说明它和普通聊天机器人、固定工作流之间的区别。
没有符合条件的文章，试试调整或重置筛选。