文章目录
- 一.概述
- 二.核心术语
- 2.1 [AgentLoop](https://code.claude.com/docs/en/how-claude-code-works)
- 2.2 [Prompt-Engineeing与Context-Engineering](https://www.anthropic.com/research/effective-context-engineering-for-ai-agents)
- 2.3 [Workflow](https://docs.langchain.com/oss/python/langgraph/workflows-agents)
- 2.4 [MCP](https://modelcontextprotocol.io/docs/2026-07-28/learn/architecture)
- 2.5 [RAG](https://www.anthropic.com/research/contextual-retrieval)
- 2.5 [Skills](https://www.anthropic.com/research/equipping-agents-for-the-real-world-with-agent-skills)
- 2.6 [Memory](https://www.anthropic.com/research/effective-harnesses-for-long-running-agents)
- 2.7 [Function Calling](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview)
- 2.8 [任务规划](https://www.anthropic.com/research/harness-design-long-running-apps)
- 2.9 [Harness Engineering](https://www.anthropic.com/research/effective-harnesses-for-long-running-agents)
- 三.总结
一.概述
Agent的本质就是一个AgentLoop：循环调用LLM API，并给LLM配备各种工具，帮用户把活干完
通俗点讲：你给Agent一个目标，它会在授权范围内选择行动，调用工具，观察结果，再决定如何继续
二.核心术语
2.1AgentLoop
你给Agent一个目标，它会在授权范围内选择行动，调用工具，观察结果，再决定如何继续
用户也是这个循环的一部分，你可以你可以随时打断，引导Agent转向不同方向、提供更多背景信息，或让它尝试不同的方法
ReAct就是reasoning+action，核心是让推理和行动交替发生：通过行动获取环境信息，再利用这些信息更新判断和行动计划，ReAct可以看作是一个很简单的AgentLoop
2.2Prompt-Engineeing与Context-Engineering
在Anthropic，我们将上下文工程视为提示工程的自然发展。提示工程指的是编写和组织大型语言模型指令以实现最佳效果的方法。上下文工程指的是在LLM推断过程中策划和维护最优标记集（信息）的一套策略，包括所有可能落在提示之外的信息
上下文（Context）是指大语言模型（LLM）在采样生成时所接收的全部 token。这里的工程问题是：在模型固有的限制下，尽可能提高这些 token 的效用，从而稳定地获得预期结果
要有效地驾驭大语言模型，往往需要从上下文的整体角度思考——也就是说，考虑模型在任意时刻能够获取的全部信息，以及这些信息可能引导它产生什么行为
2.3Workflow
LangChain是线性的，LangGraph更加灵活
LangGraph框架在构建多智能体工作流时提供了多种方案，包括串行，并行，循环分支等
2.4MCP
MCP采用客户端-服务器架构,MCP主机通过为每个连接的MCP服务器创建一个MCP客户端来实现这一点
数据层:
定义基于 JSON-RPC 的客户端与服务器通信协议，包括能力与版本发现，以及工具、资源、提示模板和通知等核心原语
连接层:
定义客户端与服务器之间交换数据所需的通信机制和通道，包括特定传输方式下的连接建立、消息分帧和授权
2.5RAG
为了让AI在特定情境下发挥作用，通常需要获取背景知识。例如：客户聊天机器人需要了解其所服务的具体业务，法律分析机器人需要大量过去案件
开发者通常通过检索增强生成（RAG）来增强AI模型的知识。RAG是一种从知识库中提取相关信息并将其附加到用户提示词中的方法，显著提升模型的响应能力
RAG的基本流程：
- 将知识库（文档的“语料库”）拆分成更小的文本块，通常不超过几百个标记
- 使用嵌入模型将这些块转换为编码意义的向量嵌入
- 将这些嵌入存储在一个矢量数据库中，允许通过语义相似性进行搜索
(Obsidian有插件可以将本地笔记库构建为RAG知识库)
2.5Skills
Skill是用来拓展智能体技能的.md文件
ClaudeCode触发技能时上下文窗口的变化:
1.开始时，上下文窗口包含核心系统提示词、每个已安装技能的元数据，以及用户的初始消息
2.Claude 调用 Bash 工具读取 pdf/SKILL.md 的内容，从而触发 PDF 技能
3.Claude 选择读取该技能附带的 forms.md 文件
4.加载 PDF 技能中的相关指令后，Claude 开始执行用户的任务
Skill里还可以包括代码，供Cluade需要提供工具(例如：PDF技能中包含一个预写的Python脚本，可以读取 PDF 并提取所有表单字段)
2.6Memory
记忆分为短期记忆和长期记忆
短期记忆：服务于当前会话，维护消息历史和任务状态
长期记忆：跨会话保留信息，例如用户偏好和历史经验
记忆的生命周期为：保存，更新，检索，遗忘
记忆有很多实现方式，包括：摘要压缩，文件笔记，结构化存储等
2.7Function Calling
Function Calling与Tool Calling基本同义
工具使用（也称为函数调用）让 Claude 能够调用你定义的函数或 Anthropic 提供的函数。Claude 根据用户的请求和工具描述，判断何时调用工具，随后返回结构化的调用请求，由你的应用程序执行（客户端工具），或由 Anthropic 执行（服务端工具）
AnthropicClientclient=new();varparameters=newMessageCreateParams{Model=Model.ClaudeOpus5_5,MaxTokens=1024,Tools=[newToolUnion(newWebSearchTool20260209())],Messages=[newUserMessageParam{Content="What's the latest on the Mars rover?"}]};varmessage=awaitclient.Messages.Create(parameters);Console.WriteLine(message.Content);2.8任务规划
claude--permission-mode plan 然后输入具体需求： 请为这个项目增加用户登录功能，先制定实施计划。 请先阅读相关代码，再说明： 当前项目的相关结构和已有能力。 需要拆分哪些子任务，以及执行顺序和依赖关系。 预计修改哪些文件。 如何验证功能完成。 暂时不要修改代码，先把计划给我审阅。CluadeCode就会执行:
1.拆分任务：将复杂目标拆成若干子任务
2.安排执行：确定步骤顺序、依赖关系，以及可并行处理的部分
3.选择方法：确定需要使用的工具、资料或其他智能体
4.设定完成标准：明确每一步及整体任务如何验证完成
5.动态调整：根据执行反馈修改计划，处理错误或补充缺失步骤
2.9Harness Engineering
Harness 可以理解为模型外围的运行支撑系统。相关工程设计通常涉及：
1.驱动 Agent Loop，执行工具并回传结果
2.管理上下文、记忆和任务状态
3.处理权限、执行限制、错误和恢复
4.检查成果，判断继续执行还是结束任务
三.总结
这些概念可以按照各自解决的问题来理解：
| 概念 | 核心问题 |
|---|---|
| Agent Loop | 如何持续决策、行动并接收反馈？ |
| ReAct | 如何让推理与行动相互配合？ |
| Prompt Engineering | 如何清晰表达任务与要求？ |
| Context Engineering | 每次调用应该提供哪些信息？ |
| Workflow | 如何组织执行路径和状态流转？ |
| MCP | 如何统一接入外部能力？ |
| RAG | 如何检索并利用外部知识？ |
| Skills | 如何复用任务方法与配套资源？ |
| Memory | 如何保存并取回有用信息？ |
| Function Calling | 如何生成并处理结构化工具调用？ |
| 任务规划 | 如何确定步骤、依赖和验收标准？ |
| Harness Engineering | 如何支撑整个系统可靠运行？ |
构建 Agent 时，可以先实现一个具备明确停止条件的最小循环，再根据任务需求加入检索、记忆、技能和工作流。每增加一种机制，都应能说明它解决了什么问题，以及如何验证效果。
