Agentic AI 把大语言模型放进可感知、可行动、可记忆、可验证的闭环系统中。围绕范式演进、Agent Transformer 五元组、单 Agent 与多 Agent 协作、三层学习策略和落地评估，系统拆解构建 AI Agent 时必须理解的关键机制。
Assistant Agent 是一个基于 Spring AI Alibaba 的企业级智能助手框架，核心思路是让智能体生成并执行代码来编排工具。它适合构建智能客服、运维诊断助手、业务助理和 AIOps 场景，并提供评估、动态 Prompt、经验学习、触发器、回复渠道和工具扩展能力。
Prompt 设计不只是把要求写清楚，还要处理上下文长度、状态传递、边界意图和输出格式稳定性。围绕四类常见错误，给出可落地的拆分、状态管理、示例构造和测试优化方法。
Cursor 的动态上下文发现把工具输出、聊天历史、MCP 工具描述、终端会话等长内容放进文件，只在任务需要时让代码 Agent 主动检索和读取。这样可以减少上下文窗口中的无关信息，降低 token 消耗，并缓解摘要丢失细节、工具描述膨胀、终端日志过长等问题。
Agent 系统的稳定性不只取决于提示词，更取决于上下文如何组织。围绕状态表达、工具调用、记忆管理、MCP 结构化协议和可靠性工程，系统讲清上下文工程在 Agent 架构中的设计方法。
从 LLM、规划、记忆、工具四个组件讲清 Agent 的基本架构，并展开 ReAct 执行循环、生产环境稳定性问题、框架选型和企业级智能助手的分层设计。
