MCP 是连接大语言模型与外部工具、数据源的开放协议。围绕 MCP 的设计理念、Client/Server 架构、JSON-RPC 通信机制、Stdio/SSE/Streamable HTTP 传输方式,以及数据库智能查询场景中的 Server 设计、安全控制和工程化实现展开讲解。
Deep Research 是一种面向复杂研究任务的 AI Agent 范式,它把任务规划、多轮检索、网页探索、证据整合和报告生成串成闭环。围绕 RAG 到 Deep Research 的演进、四大核心模块、评测方法、主流系统局限,以及结构化私域数据与公域信息融合的方案展开讲解。
上下文工程关注的不再是单条提示词怎么写,而是如何为大语言模型动态组织指令、记忆、工具、检索结果和输出格式。围绕 LangChain、Claude Code、Manus 和 Kiro 的实践,可以看到 Agent 系统从 Prompt 驱动走向 Context 驱动的工程化路径。
Claude Skills 将 Agent 完成特定任务所需的指令、脚本、参考资料和素材打包成标准文件夹。内容围绕目录结构、分层加载机制、与 MCP 的关系,以及开发者如何用同样模式管理自研 Agent 能力库展开。
LLM 不是确定性的开发者,而是基于上下文预测 Token 的概率模型。围绕 p^n 成功率衰减、上下文舒适区、Unknown Unknown 错误和责任边界,讲清如何设计更可靠的人机协同开发流程。
多智能体框架的差异主要体现在协作抽象、工具调用、状态管理、可观测性和部署能力上。围绕 Swarm、OpenAI Agents SDK、Qwen-Agent、Dify、CrewAI、AutoGen 等 10 个框架,梳理学习、开发、生产三个阶段的选型思路。
后台定时 Agent 能按计划自动采集数据、调用大语言模型分析结果,并在风险场景中触发人工确认。围绕 Spring AI Alibaba 的 StateGraph、CompiledGraph 和 schedule 机制,讲清定时 Agent 的设计方式、代码实现和落地注意事项。
大模型 Agentic 推理框架把 LLM 组织成能规划、执行、调用工具、反思和协作的智能体系统。围绕单智能体、工具增强智能体、多智能体三层结构,讲清核心机制、典型架构、应用场景、评测方法和落地风险。
Deep Research 是一种面向开放研究任务的智能体系统,核心能力是自主规划、生成检索问题、探索网页并产出带证据的报告。围绕系统架构、数据构造、奖励设计和强化学习训练流程,梳理从原型实现到可靠性优化的关键技术。