Agent Engineering · 文章
Prompt Engineering：我会怎样把任务交给模型
沿着做事的顺序理解 Prompt Engineering：先把任务说明白，遇到复杂问题再组织处理过程，最后按需要检查结果。用十种常见方法和具体示例，讨论它们分别解决什么问题、怎样组合，以及什么时候不需要增加复杂流程。
·23 分钟阅读
学习与实践
学习笔记、项目实践，以及与 AI 共事时的思考。
Agent Engineering · 文章
沿着做事的顺序理解 Prompt Engineering：先把任务说明白，遇到复杂问题再组织处理过程，最后按需要检查结果。用十种常见方法和具体示例，讨论它们分别解决什么问题、怎样组合，以及什么时候不需要增加复杂流程。
Agent Engineering
刚开始使用大模型时，我最关心的是：怎么把话说清楚，让模型给出更好的回答？ 后来，我开始做 Agent，发现问题逐渐变了。模型不只是回答问题，它还要读取文件、调用工具、处理结果，甚至跨越多轮对话和多次运行，持续完成一项任务。 这时候，光把提示词写好已经不够了。我还需要考虑：模型每一步能看到什么？工具出了问题怎么办？
学习流程
最近，我在读一个 Python Agent 项目的源码。 鼠标放到 argparse、ArgumentParser 这些名字上，编辑器会弹出一大段英文说明。这个悬停提示通常叫 hover，本来是帮助理解代码的，但对我当时的学习阶段来说，它又增加了一层障碍：我得先理解英文，再理解 API，最后才能回到眼前这段代码。
Agent Engineering
做一个项目时，很容易先想到它最终应该拥有的样子：功能齐全、架构清晰、能够扩展，最好还能提前解决所有可能出现的问题。 于是，设计图越来越完整，模块越来越多。但有一个问题常常被推迟：这些东西连在一起，真的能完成一件有用的事吗？ Gall 定律提醒我们，把这个问题提前。
学习流程
一条经验 思考问题的时候，离开电脑 找个安静的地方边走路边思考 想到卡点，再拿手机跟 agent 咨询一下 反面教材：我过去长期坐在电脑前面，不知为何，在电脑前的思路明显会变窄 正面教材：我今天在外面来回转了 5 个小时，我发现大脑异常的活跃，思如泉涌，无论是跳跃性的灵感，还是思考的深度都比以往高了非常的多！
学习流程
几条教训 1. 不要依赖 agent 读论文或者高质量博文， 后果：思维深度大幅度下降，灵感触发时机大幅度减少，浪费大量的时间去理解 agent 的垃圾表达。 2. 不要把搞科研/技术学习 和 英语学习混在一起。
学习流程
读 Agent 项目源码，我很容易遇到一种情况：从一个函数跳进另一个函数，再追三四层，眼前这几行好像能看懂，却已经忘了最初为什么进来。 之前看到 session 的缓存与持久化策略时，我就觉得越学越模糊，只好让 Agent 重新串起来，自顶向下讲一遍。个人上下文太小，哈哈哈。
与 AI 共事 · 随笔分析 · 随笔
读 Sutton 的《苦涩的教训》：真正需要重新审视的，不是我们是否愿意推翻方案，而是我们怎样让新增计算变成发现，以及能否接受系统绕过自己最引以为傲的理解。
与 AI 共事 · Agent Engineering · 文章
从反复提醒走向可执行的工程约束 让 Agent 写代码，最让人不放心的往往不是它完全不会做，而是它能完成大部分工作，却在某些地方反复犯错：绕过已有接口、重复实现一套逻辑、忘记边界条件，或者把上次刚纠正的问题又写回来。于是，人不断补充提示词、修改规则文件，再逐条检查它的改动。
Agent Engineering · 实践复盘
命令行能启动，关联查询有结果，网页点击却失败。一次自定义协议排错，让我重新区分了注册状态、API 探针和真实使用链路。
与 AI 共事 · 随笔分析
当知识、方法和执行能力都能借助 AI 调动，我们是否仍在用过去的能力，限制现在的想象？从速度、高度、深度与广度，重新理解怎样提出值得尝试的目标。
与 AI 共事 · 随笔分析
当智能从童年陪到老年，事情做成之后，经验怎样留在我们身上？从一个鸟屋谈起，思考尝试、反馈、判断与一生的选择。
Agent Engineering
用同一个读文件例子，对照 Chat Completions、Responses 和 Anthropic Messages 的请求、工具调用与结果回传，再理解它们和 Qwen、聊天模板及微调的关系。
与 AI 共事 · 学习流程
从向 AI 要答案转向借 AI 学习，讨论怎样让讲解、追问和验证服务于理解。关注的不只是回答是否清楚，还有学习者能否真正参与和掌握。
与 AI 共事 · Agent Engineering
一次纠正之后，怎样留下以后还能使用的做法？讨论把反馈转成可复用规则与检查方法，避免同类问题反复出现。
Agent Engineering
从 AOP 的概念追问出发，区分技术是什么、用来做什么，以及中间目标与最终目的的关系。也讨论“手段与目的”这组视角能解释什么、不能包办什么。
Agent Engineering
从八个问题理解 Agent 为什么需要 Harness：把对模型能力的关注，推进到任务如何被组织与控制。本文以图解辅助概念梳理。
与 AI 共事 · Agent Engineering
模型能力是重要基础。人的价值，在于补充真实背景、偏好、约束和关键判断；把 AI 的方案照搬成指令，不一定增加信息，也可能限制它的发挥。 想不清就借助追问澄清，讲清楚就让它在边界内执行。流程按需要用，最后用实际结果验收。
与 AI 共事 · Agent Engineering
使用 Agent，既要检查它有没有漏做，也要检查它有没有擅自改掉你的要求。提高思考强度后，这项检查仍然不能省。 图中是两类失败的示例，不是发生概率的实测结论。
与 AI 共事 · 图解
用六张图梳理怎样让 AI 帮上具体的忙：先区分交付与学习，再选择澄清、练习、实验、排错或批量处理。检查真实结果与新证据，也为独立审查和停止投入设好边界。
围绕《深入理解 AI Agent》2.0 版，整理阅读顺序、概念难点与配套实验思路。先把概念放进一次任务，再对照版本变化和原始资料继续学习。
与 AI 共事 · 图解
先用语音自然表达，再让 AI 去重、梳理逻辑和整理文字，可以降低记录想法的负担。但整理也可能引入误解、补充或原意变化，最终仍要由表达者核对。
以 SQLAlchemy 2.x 为背景，串起 Model、Session、事务、关系、查询和并发边界。适合从 Python 对象开始理解数据库操作；文中简化片段不等于完整项目已经验证。
测试
很多开发者的认知停留在"写完代码跑通就算完成"。但项目真正上线前，需要一套完整的测试体系来保障质量。本文梳理项目上线前的完整测试体系，按测试目标、安全视角、自动化程度三个维度划分。
Agent Engineering
分析 18 条 Coding Agent 指令分别针对的协作缺口，包括需求澄清、代码库理解、根因修复、独立审查与长任务目标保持，并讨论各自的适用边界。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
围绕个人 Agent 早期版本学习中的工程问题，整理 Git、命令行、配置管理、浅拷贝与可变性、防御性编程等要点，配合速查与自检使用。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
从进程内事件走向跨进程通信，整理 JSON-RPC、TCP、请求响应配对、事件推送与客户端协程分工。项目阶段和实现细节需结合对应源码版本阅读。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
按 ReAct 循环、工具调用、错误处理、事件系统、消息流与任务系统整理 Agent 架构盲区。可先选一个数据流读，再回到速查表和自检题。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
围绕事件循环、协程与 Task、Future、队列和子进程，整理 asyncio 学习中的易混点。适合按问题速查；涉及平台与版本的行为需按实际环境核对。
测试自动化
比较 IME 自动化验证的不同层次：直接输入文字、模拟组合事件与真实输入法交互。帮助区分页面事件处理测试和系统输入法端到端测试，避免把模拟通过当成完整验证。
Agent Engineering
我在个人网站和科研项目中使用 Coding Agent，记录下表达意图、决策交互、环境排查、学习与审查、自动化交付中的具体问题。把这些经历连起来，也是在寻找两个答案：哪些地方需要我参与，以及做到什么程度就可以先停下来。
Agent Engineering
先理解 Agent 本质 → 再理解生产难点 → 再理解岗位方向 → 最后确定学习路线
Git
从 Git Hook 的触发时机和本地质量门开始，整理提交检查、推送前验证与常用 Git 工作流。适合按具体任务速查，执行改历史或清理命令前应先检查影响范围。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
对照静态检查与运行时行为，整理 Python 类型注解、Pydantic、dataclass、Protocol 和循环导入等问题。Java 类比用于辅助理解，具体行为需结合 Python 与依赖版本核对。
MiniClaude：个人 Agent 早期版本学习笔记 · MiniClaude
面向有 Java 基础、正在阅读 Python 项目的学习者，整理 Literal、关键字参数、闭包、可变默认值、导入和常用表达式等盲区，可配合速查表与自检题复习。