商品描述
本書系統闡述從上下文工程到Harness工程的技術演進路徑，深入揭示了AI Agent從工具調用到自主思考與協作的核心原理及工程落地方法。全書共7章，以從單Agent到多Agent為主線，幫助讀者系統掌握構建具備理解、計劃、反思與行動能力的Agent系統的完整方法論。
第1章、第2章系統介紹上下文工程的理論基礎，涵蓋意圖識別、計劃模式、反思模式、CodeAct行動及人機協作五大核心能力的工程化實戰；第3章、第4章以DeepResearch 和記憶工程為典型案例，提供從搜索到研究的完整代碼實現及分布式記憶系統部署方案；第5章闡述Agent Skills上下文卸載技術，並給出使用扣子編程開發運維巡檢Skills及基於OpenClaw測試運維巡檢Skills兩個實戰案例；第6章、第7章走向Harness工程，通過兩個實踐案例介紹如何覆現Claude Code核心特性，以及如何構建OpenClaw類產品，實現技術整合與工程落地。每章均配有可落地的代碼示例與真實場景案例。
本書既適合具備開發背景的工程師、架構師閱讀，也適合希望提升AI Agent實戰能力的技術人員參考。
作者簡介
邢雲陽，聯通雲AI與容器技術專家、架構師，深耕雲原生、AI應用及傳統應用上雲領域。主導雲原生Serverless、AI Agent、RAG等相關產品研發，帶領團隊自研容器化大數據平台、Serverless Kubernetes及AI MaaS平台等產品。圖書《扣子（Coze）Skills+OpenClaw實戰：零基礎玩轉AI智能體》《AI Agent開發實戰：MCP+A2A+LangGraph驅動的智能體全流程開發》作者。在極客時間開設“DeepSeek應用開發實戰”“AI重塑雲原生應用開發實戰”專欄，分別講解AI Agent開發、AI大模型與雲原生融合，備受認可。
目錄大綱
第1章 從提示詞到上下文工程 1
1.1 上下文工程的核心思想 1
1.1.1 從購車決策看上下文的構建 2
1.1.2 上下文工程與Agent的關系 5
1.2 上下文工程的系統結構 6
1.2.1 上下文構建的四大模塊 6
1.2.2 上下文管理的核心策略 7
1.3 簡單工具調用到覆雜Agent：Agent技術發展路線圖 8
1.3.1 簡單工具調用Agent的原理與特點 8
1.3.2 深度思考型Agent的原理與特點 11
1.3.3 新型Agent：Code Agent的原理與特點 13
1.3.4 多Agent的原理與特點 14
第2章 上下文的“元驅動”：意圖識別、規劃等模塊的工程化實戰 16
2.1 意圖識別：讓AI精準理解人類需求 16
2.1.1 意圖識別的作用與意義 16
2.1.2 基於Arch-Router實現意圖識別 18
2.1.3 小模型微調+大模型兜底實現意圖識別 24
2.2 計劃模式：讓AI有計劃地解決問題 30
2.2.1 簡單計劃模式實現旅遊攻略撰寫 30
2.2.2 覆雜計劃模式實現通用計劃執行 39
2.3 反思模式：讓AI具備“思考自己的思考”能力 47
2.3.1 反思模式的架構 47
2.3.2 以運維場景為例實現反思模式工作流 48
2.4 行動：代碼即工具的CodeAct模式 53
2.4.1 CodeAct模式的架構 53
2.4.2 以圖表生成助手為例實現CodeAct Agent 54
2.5 人機協作：實現Human-in-the-loop模式 60
2.5.1 Human-in-the-loop模式的原理 60
2.5.2 以報告大綱審核為例實現強制人類介入 61
2.5.3 以商品咨詢為例實現自主觸發人類介入 66
第3章 DeepResearch：基於深度思考Agent構建上下文的典型案例 70
3.1 深度解析DeepResearch核心演進 70
3.1.1 RAG的原理與局限 70
3.1.2 DeepSearch的機制與不足 71
3.1.3 DeepResearch的核心架構：從搜索轉向研究 72
3.2 實戰：構建DeepSearch核心引擎 73
3.2.1 選型博查（Bocha）：適配中文生態的AI搜索引擎 73
3.2.2 SearXNG：開源聚合搜索引擎的深度應用 79
3.3 實戰：Sequential Thinking方案的DeepResearch代碼實現 84
3.3.1 知名MCP廣場：Smithery.ai簡介 84
3.3.2 深度思考MCP：Sequential Thinking原理介紹 85
3.3.3 私有化方式部署Sequential Thinking 89
3.3.4 構建DeepResearch深度研究系統 92
第4章 記憶工程：Agent系統的 長短期上下文管理 101
4.1 深入理解Agent記憶 101
4.1.1 短期記憶：突破LLM的無狀態局限 101
4.1.2 長期記憶：構建Agent的持久化存儲層 104
4.2 Mem0：Agent記憶層的標準化實現 105
4.2.1 Mem0核心架構：多層級記憶管理 105
4.2.2 記憶生命周期：從信息提取到持久化存儲 106
4.2.3 Mem0實戰：基於混合存儲架構實現歷史對話覆用 107
4.3 容器化的高可用分布式記憶系統部署方案 115
4.3.1 部署架構設計與腳本編寫 115
4.3.2 基於分布式記憶系統的歷史對話覆用 118
第5章 Agent Skills：上下文卸載的藝術 123
5.1 Agent Skills概述 123
5.1.1 Agent Skills是什麼 123
5.1.2 Agent Skills的結構定義 124
5.1.3 Agent Skills的漸進式加載機制 125
5.1.4 如何設計支持Skills的Agent 126
5.2 實戰：零代碼開發運維巡檢Skills 127
5.2.1 使用扣子編程開發運維巡檢Skills 127
5.2.2 基於OpenClaw測試運維巡檢Skills 132
第6章 Harness 工程實踐：覆現Claude Code 核心設計模式 135
6.1 Agent Loop：Agent可以長時間工作的核心 136
6.1.1 一個Agent=一個Loop+一個Bash工具 136
6.1.2 增加更多的基礎工具 141
6.2 上下文工程：解析Claude Code如何進行上下文管理 146
6.2.1 SubAgent：分離上下文窗口 147
6.2.2 Skills：讓Agent實現漸進式加載 152
6.2.3 Compact：多級上下文壓縮機制 157
6.3 持久化與異步：跨會話的任務管理 162
6.3.1 Todo：Claude Code的計劃模式 163
6.3.2 Task System：持久化的任務系統 166
6.3.3 後台任務：慢操作交給後台運行 173
6.4 多Agent系統：Agent Teams 178
6.4.1 團隊管理類實現 179
6.4.2 通信總線的實現 181
6.4.3 為隊友的Agent Loop增加工具調用 183
6.4.4 修改主Agent的Agent Loop邏輯 183
6.4.5 測試效果 184
第7章 Harness工程實踐：Claw類產品的設計模式解析與實踐 188
7.1 Claw類產品的核心架構 188
7.1.1 學習路徑：從NanoClaw開啟探索 188
7.1.2 NanoClaw的架構 189
7.2 開發與使用NanoClaw 192
7.2.1 為NanoClaw開發飛書Channel 192
7.2.2 部署NanoClaw 194
