华为首届天才少年,把AIAgent的 10 章原理、109 个实验全开源了

你大概已经看过太多「AI Agent 入门」了。

教你怎么写 prompt、怎么串一个 workflow、怎么接几个工具，demo 跑通，文章结束。

但真做过生产级 Agent 的人都知道：跑通 demo 和做好一个 Agent 之间，隔着一整个工程体系的距离。

最近 GitHub 上有一本书，就是来补这段距离的。

《深入理解 AI Agent：设计原理与工程实践》，作者李博杰。上线两周就冲到 2.8 万 star，到今天已经 4.6 万 star、5145 fork。全书 10 章正文、109 个配套实验、15 种语言翻译，全部开源，Apache-2.0，PDF / EPUB 免费下载。

先看作者是谁

李博杰，中科大 2010 级。2014—2019 年在中科大和微软亚洲研究院读联合培养博士，博士论文做的是《基于可编程网卡的高性能数据中心系统》。

2019 年毕业加入华为，是华为首届「天才少年」之一，在 2012 实验室做 Unified Bus 万卡集群网络互联的架构师。2023 年出来创业，现在是 Pine AI 的首席科学家。

Pine 干的是什么？让 Agent 代表用户和真人打交道——账单协商、退款投诉、订阅取消。这些任务动辄持续数小时甚至数周，要跨多轮沟通，而且一个数字错了，就是真金白银的损失。

这本书的很多原则，就是从这种「错一步就赔钱」的场景里长出来的。

一个公式，十章

全书的骨架，是一句话：

Agent = LLM + 上下文 + 工具。

更直白地说，是大脑 + 眼睛 + 手脚。LLM 负责思考和决策，上下文决定它「看到」什么，工具决定它「能做」什么。三者缺一不可。

对熟悉强化学习的读者，这三者也能一一对应：LLM 是 Policy（策略），上下文是 Observation Space（观察空间），工具是 Action Space（动作空间）。三种说法，说的是同一个对象，只是表达层次不同。

全书分两部分：

• 第一至六章，讲「怎么构建 Agent」：入门、上下文工程、用户记忆与知识库、工具、Coding Agent、交互。
• 第七至十章，讲「怎么提升能力」：评估、模型后训练、持续进化、多 Agent 协作。

这本书最不一样的地方：实践在前，命名在后

行业里最流行的几个词——Skill、harness、loop engineering——在书里有一个共同的处理方式：先讲实践，再讲命名。

作者的观点是：这些概念，是对大量工程实践的归纳，而不是实践的起点。用他的话说，实践在前，命名在后。

举个书里的例子。在「Skill」这个词流行之前，Pine 的团队就已经在用动态加载提示词解决 prompt 无限膨胀的问题，用命令行执行工具解决工具列表无限膨胀的问题。在「harness」这个词流行之前，他们已经在用类似 Claude Code 的方法，解决模型工具调用不稳定、产生幻觉、执行越权操作的问题。

所以这本书讲的不是「某个概念怎么用」，而是这些概念背后、那些更早出现的真实约束。

三个值得记住的判断

一、模型会吃掉 Harness，但永远吃不完。

这是我读完全书印象最深的一个判断。

Harness 里那些层层叠叠的兜底逻辑——多级上下文压缩、失败几千次才熔断的重试、悲观地默认「不安全」的权限判断——看起来像「屎山」。但每一段，记录的都是模型此刻还做不稳的地方。

当下一代模型把这些约束内化，对应的代码就可以删掉。所以模型确实会「吃掉」Harness。但这个过程是一层一层吃的，而且没有吃完的那一天：训练以月计，业务等不起；模型无法内化真实业务里的所有约束与偏好；每一代模型都会打开新的能力前沿，而前沿处恰恰是模型最做不稳的地方。

书里引用了一个实验：不换模型、只改 harness，任务准确率从 52.8% 跳到 66.5%。

这既说明 harness 今天的杠杆有多大，也提醒你：它之所以有这么大杠杆，恰恰是因为模型还没走到那一步。

二、Agent 的天空上，还有两朵乌云。

作者借开尔文「两朵乌云」的比喻，指出 Agent 面前的两个大难题。

第一朵，是流式、实时地与环境交互。今天的 Agent 大多是「你问一句、它想一整段、再一次性吐出来」的回合制。但真实世界不会停下来等它想完——话会被打断，画面在持续变化，邮件在不断到达。

第二朵，是如何从与环境的交互中，持续积累经验。今天的模型像一个记性极好、却学不会新东西的天才：上岗后几乎不再成长，每次任务踩过的坑，大多随着上下文一起被丢掉。而属于某个具体用户、某家具体公司的知识，不在任何训练语料里，还时时在变。

这两个问题，都不是靠某一次模型升级就能解决的。

三、模型和 Agent，不是上下游，而是一起往前走。

作者回答了一个很尖锐的问题：模型会不会最终吃掉 Harness？

答案是：会，但不是一次性吃掉。用户提出真实难题，应用层用 harness 把模型暂时做不好的事补上，这些补救再反过来变成模型下一轮迭代的训练信号。这是一个自我强化的飞轮。而飞轮转得最快的地方，是同时握住模型和 harness 两端的人。

仓库里到底有什么

• 10 章正文，从原理到生产，markdown 源码全部开放
• 109 个配套实验，按章节组织在 chapter1/ ~ chapter10/，多数可直接运行
• 15 种语言：中、英、西、印尼、阿、繁中、俄、泰米尔、越、日、土、韩、匈、希伯来、葡（巴西）
• PDF / EPUB 免费下载，也可在线阅读，支持多语言切换、章节折叠、全文搜索
• Apache-2.0，欢迎提 issue 和 PR

运行实验很直接，装好依赖就能跑：

uv sync --locked --extra ch1 uv run python chapter1/context/main.py 

怎么读最划算

作者自己给了三条路径：

• Agent 开发者：按顺序读。第一至六章建立完整的构建方法，第七至十章看能力提升。
• 时间有限：优先读第一章（建立全局认知）和第二章（上下文工程，全书最关键的一章）。
• 关注模型训练：直接读第八章（模型后训练），但要先读第七章（评估）和第一、二章。

而且他强烈建议：把实验亲手跑一遍。 AI Agent 是实践性极强的领域，很多设计上的直觉，只有在动手调试里才能真正建立起来。

写在最后

作者在后记里写了一段话，我觉得是这本书最想传达的东西：

不必焦虑手里的框架会不会过时。模型每几个月迭代一次，具体的 API、产品和榜单都会翻篇，但「看到什么、能做什么、如何验证做得对不对」这三个问题不会过时——它们描述的不是某个模型的用法，而是一个智能系统与世界交互的基本方式。

模型会变，框架会变，榜单会变。但 Agent = LLM + 上下文 + 工具 这个公式，短时间内不会变。

这本书最值得带走的，不是某个 API 的具体用法，而是一套能在技术浪潮里保持清醒的判断力。

在线阅读：https://bojieli.github.io/ai-agent-book/

GitHub 仓库：https://github.com/bojieli/ai-agent-book

去仓库把实验亲手跑一遍吧。