整门课的开篇。在写任何 agent 之前,先问要不要 agent:同一个修 bug 任务,一条轨道由代码决定每一步(workflow),一条由模型决定每一步(agent)。本课项目用本机 Qwen3-8B 把 4 个任务各跑了一遍两条轨道:workflow 修好 2 个、agent 修好 3 个,可在 workflow 已经够用的任务上,agent 花了 4.5 到 5.3 倍的 token,还有一个没修好。这一章从这些真实数字出发,讲清两条轨道的分野、它们之间的光谱,和先判别再选轨道的三条标准。
- 1 已完成
- 2 已完成
- 岔路 已完成
- 3 已完成
- 岔路 已完成
- 实验 已完成
语言模型只会生成文字。这一章从「让它把命令写进回复、程序抠出来执行」出发,被真实数字一步步逼到工具调用协议、循环、双重校验的停止条件和轮数上限。全部数据来自本课项目 miniagent 用本机 Qwen3-8B 的 26 次真实运行;6 个开源 harness 的终止判定被搬进浏览器,与原实现逐格比对。
- 1 已完成
- 2 已完成
- 岔路 已完成
- 岔路 已完成
- 3 已完成
- 4 已完成
- 岔路 已完成
- 实验 已完成
循环转起来之后,模型得把「改哪里」说清楚。这一章从「报行号」出发,被真实数字一步步逼到唯一片段替换、容错匹配、语法约束的 patch,再看外部工具经 MCP 接进来时每一轮要付多少上下文。五个真实 edit 引擎被搬进浏览器,跑的是本课项目 trace 里的真实 edit。
- 1 已完成
- 岔路 已完成
- 2 已完成
- 3 已完成
- 4 已完成
- 岔路 已完成
- 实验 已完成
模型已经能改文件、跑命令了。这一章从最朴素的黑名单出发,一路被真数字逼到规则求值语义、分层放行和模型审批:同一份规则换一种语义就换一个答案,问多了人就不看,审批者必须比被审者权限更小。规则和审批都管不到的部分,交给下一章的沙箱。
- 1 已完成
- 2 已完成
- 岔路 已完成
- 3 已完成
- 岔路 已完成
- 4 已完成
- 实验 已完成
上一章的权限规则和模型审批,看的都是「命令长什么样」。一个 python -c 脚本在运行时才决定写哪个文件,它们看不见。这一章交给操作系统:不管命令怎么写,越界的系统调用都会被内核拒绝。我们在本机用 sandbox-exec 加载 Codex 的真策略,把 14 条命令逐条真跑,看沙箱拦在哪、拦了什么、又拦不住什么;再看五家在沙箱、容器、不做之间怎么选。
- 1 已完成
- 2 已完成
- 3 已完成
- 岔路 已完成
- 岔路 已完成
- 实验 已完成
循环每转一轮,整段历史就要重发一次。这一章先把一轮请求拆开看清楚,再被真数字一步步逼着走:截掉最早的会丢掉读过的文件,裁工具输出会裁掉唯一关键的那一行,让模型写摘要会编出不存在的东西。最后落到现代做法:什么时候触发靠预留和真实 usage,压缩本身是给接手者写交接文档。全部数字来自本课项目的真实运行重放,四家的触发规则从 pin 源码移植进浏览器现算。
- 1 已完成
- 岔路 已完成
- 2 已完成
- 3 已完成
- 岔路 已完成
- 4 已完成
- 实验 已完成
A5 让一个会话能接着干;可明天开一个新会话,messages 从空列表开始。这一章被真数字逼着走:规矩写在第一条消息里,压缩和新会话都会把它弄丢;记忆一写就刷新 system,前缀缓存在记忆块处断开;几十份技能全文塞进 prompt,比窗口还大;会话存成列表,换条路就得删掉原路径。现代做法落在四件事上:指令文件每个请求重注入、记忆冻结到下一个会话、技能索引常驻正文按需、会话存成树。全部数字来自本课项目的 T10 两天会话录制与 pin 源码。
- 1 已完成
- 2 已完成
- 岔路 已完成
- 3 已完成
- 4 已完成
- 实验 已完成
A5 讲满了怎么压缩;这一章换个方向:有些东西一开始就不进主窗口。把搜索交给一个新开上下文的子 agent,主窗口只收一段报告——本课项目的真实对照里,主上下文峰值 4 组有 3 组更低。随后被真数字一步步逼出三个新问题:交接只写一句任务会丢掉约束和已做过的判断;子 agent 的轮数和递归深度要按层管;干活的 agent(包括子 agent)说「做完了」不能算数。6 次真实运行没有一次通过验收,本章如实讲清这些结论的边界。
- 1 已完成
- 岔路 已完成
- 岔路 已完成
- 2 已完成
- 3 已完成
- 4 已完成
- 实验 已完成
harness 和模型之间隔着一层线格式:请求怎么写、回复怎么一帧帧流回来、账单按哪几段 token 算。这一章从「写死一家的格式」出发,被真数字逼着走:同一段对话换一家,9 个语义位置全换了路径;并行的两个工具调用共用一个缓冲,拼出来不是合法 JSON;按全价估账,比按缓存四段算高出 2.6 倍,而开思考时输出才是大头。线缆数据来自本课项目在本机 mlx_lm.server 上的真实流式录制;两家云端的事件流按官方文档构造,标明不是录制;价格取 2026-09-26 的官方价格页快照。
- 1 已完成
- 岔路 已完成
- 2 已完成
- 岔路 已完成
- 3 已完成
- 实验 已完成
全课终点章。前八章搭出了一个能跑、能停、能改文件、有权限与沙箱、会压缩上下文、记得住规矩、能分工、能算账的 agent;这一章问它到底好不好。朴素做法一路被真数字逼着改:跑一次看成败,同一配置换 seed 就一次 ✗ 两次 ✓;拿平均成功率套 pass@k 公式,TB 4.0 榜首行算出 98.7%、实测 71.2%;直接比厂商榜单,同一个模型换 harness 能差 16 个点;只看分数,15 次失败只剩一个 0。最后把本课的 agent 经 Harbor 接上 Terminal-Bench 2.0:先用参考解确认环境(第一次 0 / 5 是 DNS),再跑 5 个任务 × 3 次,0 / 15;同一个 harness 在贯穿任务上 3 / 3。每次失败都落到带步号的标签上,然后回到 A0 复盘:哪些任务值得用 agent。
- 1 已完成
- 2 已完成
- 岔路 已完成
- 岔路 已完成
- 3 已完成
- 4 已完成
- 实验 已完成