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。
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。
面向后端开发场景，系统拆解 AI Coding 的协作方式：如何用 Markdown 管理外部上下文，如何判断 AI 生成代码是否可靠，以及如何把它用于需求分析、代码开发、数据脚本、Agent 设计和技术文档输出。
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。
多 Agent 系统不是简单地把任务拆成多个步骤，而是用不同角色、工具、模型和上下文处理异构任务。内容覆盖 Supervisor、Swarm、Handoff、上下文迁移、状态同步、框架选型和稳定性设计。
Agentic AI 不是简单地让大模型回答一次问题，而是让模型能规划任务、调用工具、检查结果并迭代完成复杂工作。这里用 Python 讲清反思、工具使用、规划、多智能体四种核心模式，以及落地时的测试和生产注意事项。
LLMLingua 是微软研究院提出的 Prompt 压缩技术，用小模型或专用分类器在请求进入大模型前删掉冗余 token。它适合 RAG、长对话和长文档问答场景，可降低推理成本、减少延迟，并缓解长上下文中的信息丢失问题。
Agent Skills 用一个包含说明、脚本和资源的文件夹封装 AI Agent 能力，让能力可以被发现、按需加载并跨平台复用。内容会讲清它的目录结构、渐进式披露机制、与 MCP 的区别，以及企业落地时需要注意的安全和治理问题。
