AI Engineering 知识库

这套知识库围绕 Agent / Harness / AI Backend Engineering 组织。建议第一次学习按模块顺序推进；查阅时可直接进入对应主题。

核心 Agent / Harness

01. Agent 与 Harness 基础

建立 Agent、Workflow、Harness 与 Runtime 的统一心智模型，先分清决策、执行、状态和控制边界，再进入具体组件。

02. 模型层与结构化交互

理解 Harness 如何与模型交互：输入如何表示、输出如何结构化、不同 Provider 如何抽象，以及一次调用如何被测试和复现。

03. Context Engineering

把 Context 当作有限的运行时工作集，学习如何组装、筛选、压缩、缓存，并在长任务中维持信息连续性。

04. Retrieval 与 RAG

从数据摄取到检索评估，建立完整 RAG 管线，并理解 Retrieval 在 Agent 中何时应预取、何时应作为 Tool。

05. Tool 工程

把 Tool 视为确定性系统与非确定性模型之间的契约，覆盖设计、发现、执行、可靠性与评估。

06. Planning 与 Orchestration

理解任务如何从自然语言目标变成结构化 Plan、Graph 和可执行调度，同时控制 Replanning 与 Multi-Agent 复杂度。

07. Execution Runtime

进入 Harness 的执行内核：状态机、DAG 调度、取消、失败传播、Checkpoint、Replay 与长任务终止。

08. State、Session 与 Memory

分清 Run State、Session、Checkpoint、Short/Long-Term Memory 与 RAG，并建立可恢复、可解释的状态模型。

09. MCP

以 2026-07-28 规范为基线理解 MCP 的无状态核心、发现、授权、MRTR、Extensions、兼容性与安全边界。

10. Reliability 与 Human Control

把 Timeout、Retry、Idempotency、限流、降级、HITL 与 Guardrails 组织成统一的运行时可靠性控制面。

11. Observability、Testing 与 Evaluation

区分 Observability、Testing 与 Evaluation：前者解释系统发生了什么，中者验证契约，后者衡量 Agent 做得好不好。

12. Workspace 与 Coding Agent

理解 Coding Agent 如何把文件系统、Shell、Git、测试、Artifact、Sandbox 和 Skills 组织成可持续工作的 Workspace。

13. Security 与 Sandbox

从 Threat Model 出发，建立 Tool、文件、网络、凭证、租户和用户授权之间真正可执行的安全边界。

14. Performance、Cost 与 Capacity

把延迟、Token、成本、并发、缓存、队列和容量视为同一个系统问题，而不是上线后的补丁。

AI Backend Engineering

15. Python 工程

补齐构建 Shadow Harness 所需的 Python 工程基础，重点放在接口边界、类型、测试、异常和依赖管理。

16. Async 与 Concurrency

掌握 Agent Runtime 的 I/O 并发底座，理解 Structured Concurrency、Cancellation、Backpressure 与并发模型选择。

17. HTTP 与 Streaming

理解 Agent 服务中的连接生命周期、超时层次、SSE/WebSocket 事件流以及断连后的取消和背压。

18. Database 与 Durable Storage

把数据库用于保存 Runtime 事实和恢复状态，并正确处理事务边界与外部 Tool 副作用之间的一致性。

19. Cache、Redis 与 Queue

理解缓存、Redis 原子能力和消息队列在限流、任务分发、重试、幂等与背压中的工程角色。

20. Docker、Linux 与 Deployment

掌握 Harness 部署需要的 Linux 进程模型、容器、网络、Secret、健康检查和优雅退出。

21. Shadow Harness 架构

把前 20 个模块收束成一套可实现的 Shadow Harness 架构，明确组件边界、数据流、Trace 与开发者控制台。