正在加载内容…
AI · 学习方向
从理论、模型到 Agent、Skill、Tool 与 MCP，建立带来源、权限和安全边界的完整人工智能知识体系。
分层知识地图
分组来自真实概念数据，收藏、已学习、排序和搜索状态继续生效。
Agent 以目标为导向，在状态和约束下循环理解、规划、行动、观察与判断完成。
Python 示例
用环境、可观察状态、候选动作和完成条件描述 Agent 任务。
Python 示例
把模型、指令、上下文、状态、工具、运行器、护栏和追踪组织成可测试结构。
Python 示例
模型负责推断和生成，Agent 系统负责上下文、工具、循环、状态和结果控制。
Python 示例
区分任务输入、持久行为规则和运行时上下文，并建立优先级与注入边界。
Python 示例
区分当前运行状态、会话历史、长期记忆与外部事实源。
Python 示例
用“理解—计划—行动—观察—判断”循环推进任务，并受停止条件约束。
Python 示例
比较一个 Agent 统一处理与多个专业 Agent 分工的收益、成本和控制方式。
Python 示例
把可重试、需修正、需审批和不可恢复错误分类处理。
Python 示例
同时评估最终答案、过程轨迹、工具选择、安全边界和资源消耗。
Python 示例
用最小权限、信任分层、审批和结果校验限制 Agent 的可行动范围。
Python 示例
选择确定性代码、Manager、Handoff、Agents as Tools 或并行方式组织多个能力。
Python 示例
把当前对话控制权从分流 Agent 转交给专业 Agent。
Python 示例
把专业 Agent 包装成主管 Agent 可调用的工具，主管保持对话控制并汇总结果。
Python 示例
由一个主管 Agent 持有会话、调用专业 Agent 工具并组合最终输出。
Python 示例
记录任务、Agent、轮次、模型生成、工具、Handoff、护栏和错误的因果轨迹。
Python 示例
通过契约、限制、幂等、评测、追踪和人工升级提高端到端任务成功率。
Python 示例
Model Context Protocol 用标准消息和能力协商连接宿主、Client 与提供 Tool、Resource、Prompt 的 Server。
Python 示例
拆分 MCP 各角色及发现、请求、响应和控制权。
Python 示例
按本地进程与远程 HTTP 场景选择当前传输，并明确旧 HTTP+SSE 的弃用状态。
Python 示例
把 Server、能力发现、工具调用、资源内容和远程认证分别置于明确的信任边界。
Python 示例
通过 stdio 或本机 Streamable HTTP 暴露受限的本地工具与资源。
Python 示例