Agent-Handbook

Agent学习笔记。

• pocketflow-handbook：使用Pocketflow的官方仓库及示例，构建基础的学习课程。基本上如果对pocketflow比较了解了，后续再去学习langchain或者langgraph等其它的框架就会更简单。

• pocketflow-adp：基于google的书籍《agentic-design-patterns》，使用pocketflow实现书中不同章节的代码。

  • Chapter 1: 提示词链 - 学习如何将复杂任务分解为多个顺序执行的子任务，每个子任务通过专门的提示词处理，前一个任务的输出作为后一个任务的输入。实现技术规格提取、JSON转换和格式验证等功能。
  • Chapter 2: 路由 - 掌握路由模式，使Agent能够根据输入内容动态决定执行路径。包含基于LLM、嵌入相似度和混合路由三种策略，实现预订处理、信息查询等功能。
  • Chapter 3: 并行化 - 学习如何通过并发执行独立任务来提高效率。使用AsyncParallelBatchNode实现并行处理，适用于多个LLM调用或外部API请求的场景。
  • Chapter 4: 反思 - 实现反思模式，让AI系统能够自我评估和改进其输出。通过生成、评估和优化的迭代过程逐步提升最终结果质量。
  • Chapter 5: 工具调用 - 学习工具使用模式，允许Agent调用外部工具来获取信息或执行操作。包含信息搜索、股票价格查询、财务分析等实际应用场景。
  • Chapter 6: 规划 - 实现规划模式，将复杂任务分解为多个步骤并按顺序执行。包含规划节点、执行节点和响应生成节点，支持动态规划和工具集成。
  • Chapter 7: 多智能体协作 - 学习多智能体协作模式，通过设计多个专门智能体的协作集合解决复杂、多领域任务。包含顺序协作、并行协作、层级协作和协作决策四种模式。
  • Chapter 8: 记忆管理 - 实现Agent的记忆管理功能，包括短期记忆（上下文记忆）和长期记忆（持久记忆）。使用SessionService和MemoryService管理会话和记忆存储。
  • Chapter 9: 学习和适应 - 学习多种学习和适应模式，包括强化学习、监督学习、自我进化和自适应智能体。使用PocketFlow框架实现模块化的学习节点。
  • Chapter 10: MCP - 实现模型上下文协议(MCP)，允许AI模型与外部工具和服务进行交互。包含文件系统交互、Web搜索和文件内容分析功能。
  • Chapter 11: 目标设定和监控 - 实现目标设定和监控模式，通过迭代式代码生成、评估和改进来满足用户定义的目标。包含目标设定、代码生成、代码评估和代码改进节点。
  • Chapter 12: 异常处理和恢复 - 学习异常处理和恢复模式，构建能够优雅处理错误并从失败中恢复的智能系统。包含主要处理器、回退处理器和响应代理三个组件。
  • Chapter 13: 人机协同 - 实现人机协同模式，将人类智能与人工智能相结合。系统在处理复杂任务时自动决策，并在需要时寻求人类干预。
  • Chapter 14: RAG - 实现检索增强生成(RAG)系统，结合文档检索和LLM生成能力。支持基于Web搜索和向量相似度的文档检索，包含基础RAG和智能RAG两种流程。
  • Chapter 15: Agent间通信 - 学习Agent间通信(A2A)协议，使多个Agent能够相互发现、通信和协作。包含AgentCard、A2A通信节点、Agent注册表等核心组件。
  • Chapter 16: 资源感知优化 - 实现资源感知优化系统，根据任务复杂性和资源约束动态选择合适的模型和策略。包含任务分类、资源监控和优化建议功能。
  • Chapter 17: 推理技术 - 学习多种高级推理技术，包括思维链(CoT)、自我纠正、ReAct、辩论链(CoD)和Deep Research。每种技术都有其适用的场景和优势。
  • Chapter 18: 防护栏安全模式 - 实现AI Agent的防护栏和安全模式，确保AI系统安全、可靠且符合道德规范地运行。包含输入验证、输出过滤、工具调用防护栏和错误处理等功能。
  • Chapter 19: 评估与监控 - 评估与监控模块（代码存在但README文件缺失）
  • Chapter 20: 优先级排序 - 实现任务优先级排序系统，根据任务的重要性和紧急性自动分配优先级，并将任务分配给合适的工作人员。支持自然语言命令和多种查询方式。
  • Chapter 21: 探索和发现 - 探索和发现模式，通过Agent实验室进行实验和研究，生成优化建议、模型架构、数据解决方案和文献综述。

• pocketflow-leetcode：构建一个可以自动写leetcode和测试i的智能体。

  • 构建一个自动编写leecode的智能体

• anthropic-article：学习anthropic发布的有关智能体的文章。

• pocketflow-law-tag-agent：一个基础的RAG框架，后续优化方法可以基于这个框架进行尝试。

  • 构建一个能够进行检索增强生成的法律问答智能体

• mini-agents：对Minimax的Mini-Agents进行拆解，包括工具的使用、mcp的使用、skills的使用以及构建一个可以执行工具、mcp和skills的agent。

  • 构建一个LLM客户端
  • 构建一个可以使用工具的LLM客户端
  • 构建一个可以使用mcp工具的LLM客户端
  • 构建一个可以使用skills工具的LLM客户端

• langchain_v1+：主要是对langchain1.+的学习。

  • 如何自定义中间件
  • 使用langchain1.x+vllm+Qwen3-30B-A3B结合MCP构建一个自动搜索回答的智能体
  • 使用langchain1.x+Qwen3-30B-A3B构建一个自动写SQL的智能体

• openclaw：针对openclaw的架构拆解

  • 总体架构分析 - 深入分析OpenClaw的整体架构设计，包括Gateway网关层、Channels渠道层、Plugins插件层、Browser浏览器层、Media媒体层等核心模块的详细说明。
  • 安全管理机制 - 全面介绍OpenClaw的安全管理机制，包括安全审计工具、认证机制、访问控制、沙箱隔离、工具策略、环境变量安全等多层次安全防护体系。
  • 智能体交互机制 - 详细讲解OpenClaw的智能体交互系统，包括子智能体生成、智能体间消息传递、通告机制、嵌套协作模式和线程绑定会话等功能。
  • 技能加载与使用机制 - 介绍OpenClaw的技能系统，包括技能文件结构、元数据解析、技能发现与加载、技能使用机制和配置管理等核心功能。
  • 智能体持续运行机制 - 阐述OpenClaw确保智能体持续运行的各种机制，包括心跳检测、自动回复、后台进程、消息监听、定时任务、连接保持和重连等。
  • 使用MCP指南 - 完整的MCP（Model Context Protocol）使用指南，涵盖MCP服务器配置、会话管理、工具调用、权限管理、调试和性能优化等内容。
  • 心跳机制详解 - 深入解析OpenClaw的心跳机制，包括心跳配置、HEARTBEAT.md检查清单、响应约定、可见性控制、活动时段控制和成本优化等核心功能。
  • 反思和规划机制 - 介绍OpenClaw的多层次反思和规划机制，包括Thinking/Reasoning推理系统、Heartbeat定期检查、Memory记忆管理、Compaction上下文压缩和Cron定时任务等组件。
  • 系统提示词加载机制 - 详细说明OpenClaw的System Prompt加载机制，包括提示模式、加载流程、Bootstrap文件机制、插件扩展、技能加载和记忆召回等核心内容。

• skills：skills基础学习与前沿研究

  • 技能基础介绍和使用 - 全面介绍Skills系统的核心概念、设计原则、文件结构、编写技巧和最佳实践，帮助理解如何构建和使用可复用的Agent技能。
  • SoK：Agentic Skills——超越工具调用，重新定义LLM智能体的能力范式 - 首次以智能体技能为核心视角，系统性梳理LLM智能体的能力封装、生命周期、设计范式与安全治理，为智能体从"临时规划"走向"持久技能化"提供完整理论框架。
  • Memento‑Skills：让AI智能体自己设计自己，无需微调也能持续进化 - 提出基于记忆强化学习的通用智能体系统，通过"读写反思学习"闭环，让智能体以可执行技能为外部记忆，自主设计、优化、迭代专属任务智能体，全程不更新底层LLM参数实现持续性能跃升。
  • SkillsBench：首次系统性评测Agent技能，揭开大模型外挂的真实效用 - 打造行业首个以技能为核心评估对象的基准测试平台，覆盖11大领域、84项真实任务，完成超7300次实验，量化揭示Agent技能的真实价值与边界。
  • KernelSkill：GPU内核优化的多智能体框架 - 介绍基于双层记忆架构的多智能体框架，通过协调具备长期记忆（可复用专家技能）和短期记忆（防止重复回溯）的智能体，实现高效的GPU内核优化。
  • EvoSkill：自动化技能发现框架 - 提出一种自我进化框架，通过迭代式的失败分析自动发现并优化智能体的技能。该框架在更高的"技能"抽象层级上进行操作，生成的技能具有结构化、可复用和可迁移的特点，显著提升多智能体系统能力。
  • AutoSkill：经验驱动的终身学习框架 - 介绍一种经验驱动的终身学习框架，使LLM代理能够从对话和交互痕迹中自动提取技能、持续维护技能库、动态重用技能，在不重新训练基础模型的情况下实现个性化能力的积累。
  • SCALAR：符号规划与强化学习的技能学习框架 - 提出一种创新框架，通过构建双向反馈闭环，将LLM的符号规划能力与强化学习的低层执行能力紧密结合，利用学到的技能库来实现复杂长程任务的自主学习和组合。
  • XSKILL：多模态智能体的持续学习框架 - 介绍一种双流框架，通过从过去的执行轨迹中持续学习两种互补的可重用知识——经验和技能，使多模态智能体无需更新参数即可不断提升性能，解决工具使用效率低和编排灵活性差的问题。
  • Skill-Creator：构建智能体技能的元技能系统 - 深度解析Skill-Creator的完整架构，包括三大核心智能体（Grader、Comparator、Analyzer）、工具脚本链、完整工作流程和关键设计模式，提供从技能创建、测试评估到持续优化的系统化方法论。
  • SkillRouter：大规模LLM智能体技能路由的新范式 - 提出两阶段"检索-重排序"流水线，通过实证研究揭示技能实现代码(Body)才是决定性信号，在8万技能池中实现74.0%的Top-1路由准确率，为大规模技能路由提供高效、紧凑的解决方案。

• agent-papers：智能体相关论文深度解析

  • ProRL Agent：Rollout-as-a-Service for RL Training of Multi-Turn LLM Agents - 提出一种名为ProRL Agent的新型基础设施，通过"轨迹生成即服务"(RaaS)的设计理念，将多轮LLM智能体的轨迹生成从RL训练器中完全解耦，解决I/O密集型轨迹生成与GPU密集型策略训练之间的系统需求冲突，显著提升训练效率、系统可维护性和可移植性。
  • 自进化智能体综述：迈向ASI的关键一步 - 该领域首篇系统性综述，围绕"进化什么、何时进化、如何进化、在哪里进化"四个维度构建自进化智能体的分类体系，为从静态模型到动态进化的智能体研究提供统一理论框架和路线图，最终指向人工超级智能(ASI)的实现。
  • Claude Code 源码深度架构分析

配套文章

• 一份全面的Agent学习资料，看完了我不信你还不会
• 从零开始构建一个会写leetcode的Agent
• 终于弄懂了提示词，提示工程和上下文工程
• 25种LLM部署框架你知道多少？
• Agent评测之使用opencompass评测大模型的基础能力
• Agent评测之使用大海捞针评估大模型的上下文长度
• 基于大语言模型的智能体优化综述
• 基于大语言模型的智能体评估综述
• 【search-o1】大模型的推理
• 【search-o1】利用RAG进行检索问答
• 【search-o1】利用Agent结合搜索引擎进行问答
• 【search-o1】使用search-o1方法进行智能检索问答
• mini-langchain-chatglm：五分钟实现基于知识的问答

Agent框架对比

主流 AI Agent 框架优缺点对比（截至 2025 年 11 月）

具体使用：

• 企业级复杂系统推荐：Microsoft Agent Framework、LangGraph、DeepAgents、Semantic Kernel。
• 研究与快速原型推荐：AutoGen、CrewAI、LangChain、smolagents。
• 极简/教学用途推荐：PocketFlow、HelloAgents。
• 特定能力突出：Crawl4AI（数据抓取）、Claude SDK（编码代理）、Haystack（RAG 智能体）。
  实际选型应结合模型生态、团队技能栈、部署环境与可维护性综合评估。