agenticloops-ai/agentic-ai-engineering

解决的问题

阅读关于 AI Agent 的博客文章只会让你停留在理论层面，而无法获得实际技能。本仓库的存在是因为构建 Agent 是工程问题，而非魔法。它为工程师提供了一条实践路径，通过亲手构建核心组件（Agent 循环、工具执行器、内存层和评估工具），让你理解 Claude Code、Codex 和 GitHub Copilot 等流行 Agent 的底层原理，且在引入任何框架之前均从第一性原理出发。

工作原理

本仓库是一系列结构化的自包含教程，按模块组织，从基础到进阶循序渐进。你将从单个 LLM 调用开始，逐步构建：提示工程、聊天、工具使用、Agent 循环，然后是更复杂的模式，如路由、并行化、编排器-工作者以及评估器-优化器。后续模块涵盖高级技术（结构化输出、流式传输、上下文工程、成本优化、内存、RAG、多模态、护栏）、测试与评估（单元测试、评估、追踪、红队测试、基准测试、评估工具）、循环工程（技能、钩子、沙箱、MCP、子 Agent、压缩）、框架（通过九种不同方式构建同一个 Agent 以比较权衡）以及生产环境考量（12 要素 Agent、部署、监控、安全）。每个教程都是一个可以使用单个命令（使用 uv）运行的 Python 脚本，许多模块以一个将所有内容整合为生产级 Agent 的终极项目结束。

适用人群

具备基础 Python 知识且充满好奇心的工程师——无需 AI/ML 经验。如果你想真正理解 Agent 的底层工作原理，回答关于工具调用和推理循环的白板面试题，或者为 2026 年 Agent 流畅度成为基本要求的软件工程面试做准备，那么这个仓库非常适合你。对于那些想在本周末就构建出自己的 Agent 而不是阅读 100 篇博客文章的人来说，它也同样有用。

亮点

• 从零开始构建 Agent 循环、工具执行器、内存层和评估工具——没有黑盒，一切清晰可见
• 使用单个命令即可运行：uv run --directory <tutorial> python <script>.py——告别 conda 或 Jupyter 的烦恼
• 配套 Substack 系列 “Disassembling AI Agents” 对真实的生产级 Agent（Claude Code、GitHub Copilot、OpenCode）进行逆向工程，并与教程相辅相成
• 涵盖从首次 LLM 调用到生产级评估工具的全路径，包括高级模式、安全性和部署
• 计划包含六个模块（部分标记为“即将推出”），涵盖基础、有效的 Agent 模式、高级技术、测试与评估、循环工程、框架和生产环境
• MIT 许可，并有社区讨论和问题追踪支持