用 75 分钟，搭起 AI Agents 的知识骨架

15 讲详细讲义，压缩成 15 张速读卡。每讲保留一个核心判断、一条机制链、两三个易错点；先建立骨架，再按需回到详细讲义填细节。

从 1a 开始先看 15 讲目录

三条学习路径

路径	时间	读什么
考前速通	15 分钟	只读下面的六个判断与每讲的一句话，先建立索引。
主线通读	75 分钟	按模块顺序读完 15 张速读卡，每张 4–6 分钟。
深入补齐	3 小时	速读卡 → 对应详细讲义 → 自测题，重点补推导、实验数字与论文出处。

一张图：Agent 是系统

模型与循环

策略在历史上下一步动作

观察 → 推理 → 动作 → 新观察。循环可以很短，终止条件必须显式设计。

ReAct · Plan Mode · workflow

上下文

模型这一次能看见什么

系统提示、任务、工具描述、历史与观测。长了要压，压了可能忘。

KV cache · compaction · memory

Harness 与工具

把 token 变成真实动作

解析调用、校验 schema、执行、把结果配回调用，并处理错误与权限。

schema · call ID · retry · approval

环境与沙箱

动作在哪里发生、能碰到什么

仓库、浏览器、桌面、API；文件、网络、算力与时间的边界。

Docker · VM · browser · MCP

评测与训练

怎么知道它行，怎么让它更行

验证器、judge、rubric；SFT 写进权重，RL 用自己的尝试继续磨。

verifier · rubric · SFT · RL

六个判断

Agent 是系统，不是模型。

同一个模型换 harness、沙箱与评测，表现可以差一个量级；长程任务里，错误几乎总是多层同时失效。

工具调用是 token，能力是训练出来的。

模型生成“工具名 + 参数”的 token 序列，harness 负责执行。格式、选择与参数都来自训练数据与约束解码，不是天生会。

上下文的成本由循环决定，不由单次调用决定。

每轮都要重新处理历史，累计输入随轮数二次增长。容量（用得上）与效率（付得起）必须分开优化。

不训练也能学习，但代价是数据管理。

skill、memory、文件与数据库都能改变行为；它们可检查、可移植，但写入、检索、冲突与过期都得自己管。

SFT 获得能力，RL 锐化能力，奖励决定上限。

SFT 从录制的轨迹学，RL 从自己的 rollout 学。没有 SFT 的 RL 几乎推不动基座，奖励写错则会精准地优化错误目标。

安全与评测都是系统设计。

安全不是拒答，而是最小权限、可重置环境与执行前检查；评测不是跑分，而是用对的验证器回答“它到底能不能用”。

15 讲速读

导论与 Agent 能力

5 讲 · 约 25 分钟

1a课程概览：什么是 Agent？Agent = 模型在循环里；能力上限由模型、harness、环境与评测共同决定。5 分钟1bTool Use：把语言变成动作模型只提议调用，harness 负责执行；工具调用在实现上就是 token。5 分钟2a长上下文：容量与成本上下文成本随轮数二次增长；容量与效率要分开优化，缓存和压缩各管一半。5 分钟2bSkills & Memory：不从头开始不把经验写进权重，也能让 agent 变强；skill 与 memory 是可检查的外部工件。5 分钟3aPlanning 与多 Agent计划是对未来行为的显式表示；多 agent 的收益来自更好的分解与重规划。5 分钟

应用领域

3 讲 · 约 15 分钟

3bCoding Agent核心循环是 localize → edit → verify；评测靠执行，工具设计直接影响成绩。5 分钟4aComputer Use AgentCUA 在人类界面上工作；动作、结果、过程三层评测不能混成一个分数。5 分钟5bDeep Research Agent多轮检索与综合；长答案要用 rubric 与引用支撑来评，不能靠相似度。5 分钟

训练方法

4 讲 · 约 20 分钟

4bSFT：把轨迹写进权重模板、掩码与数据选择比超参数更关键；SFT 是 RL 的冷启动，不是终点。5 分钟5aRL 基础：从 REINFORCE 到 GRPORL 只做三件事：采样、打分、按权重更新；各算法只差一个权重 w_t。5 分钟6aRL 高级：信用、异步与奖励agentic RL 的难点是信用分配、陈旧 rollout 与奖励可靠性，不是公式本身。5 分钟6bRL 系统：两个引擎RL 系统 = 推理引擎 + 训练引擎 + 两者之间的接缝；轨迹要以 token 传输。5 分钟

安全与框架

3 讲 · 约 15 分钟

7aAgent 安全：权限、沙箱与监控安全是权限与边界设计；不可逆动作必须有人工闸门，检查要发生在执行前。5 分钟7bOpenHands：harness 的工程学产品能不能用，往往取决于工具集、上下文、隔离与界面；默认先试单 agent。5 分钟9a编排与监控：把行为写进图工作流把决策写进代码；trace 与监控让“应该发生什么”变成“实际发生了什么”。5 分钟

一张对照表

容易混淆	关键区别
模型 / Harness / 系统	模型给概率，harness 给循环与约束，系统给环境与评测；三者不可互相替代。
容量 / 效率	容量问“远处的证据用不用得上”，效率问“每轮历史付不付得起”。
SFT / RL	SFT 从录制的轨迹学，RL 从自己的 rollout 学；一个给先验，一个给改进方向。
单 Agent / 多 Agent	单 agent 共享上下文；多 agent 用并行、独立评审或成本控制换协调成本。
结果评测 / 过程评测	前者看终态对不对，后者看有没有违规、绕路或不可逆操作。
静态评测 / 端到端	前者在固定观测上测单步动作，后者让 agent 真跑一遍再检查环境终态。

怎么继续

• 每张速读卡末尾有两道自测；先答，再展开对照。
• 需要推导、实验数字和论文出处，点每页顶部的「详细讲义」。
• 顶部导航随时在「课程笔记」与「精华版」之间切换；读某一讲时，两边的页面一一对应。