Agent

https://learn.shareai.run/

需要回答的问题

agent 做了什么？ ≈ harness 是什么？

与 LLM交互典型的数据结构

1
2
3
4


msg = {
    "role": "user",       # 谁说的？(通常只有 user 和 assistant 两种)
    "content": [...]      # 说了啥？
}

content，是一个 list，每个元素称作 block

block 是一个 dict，包含 type \in {“text”, “tool_use”, “tool_result”} 等属性；

Tools & Execution

The agent loop

LLM 决定是否调用工具

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


The entire secret of an AI coding agent in one pattern:
    while stop_reason == "tool_use":
        response = LLM(messages, tools)
        execute tools
        append results
    +----------+      +-------+      +---------+
    |   User   | ---> |  LLM  | ---> |  Tool   |
    |  prompt  |      |       |      | execute |
    +----------+      +---+---+      +----+----+
                          ^               |
                          |   tool_result |
                          +---------------+
                          (loop continues)

Tool Use

更多的工具定义，更好的工具封装 TOOL_HANDLERS, dispatch

permission

问题： Safety can’t rely on trusting the model — it needs code: a check before every tool execution.

三类级别：

safe read, Risky local change, Forbidden pattern

allow, ask, and deny decisions

层级式的校验

hooks

问题：可扩展性，优雅的在各个阶段添加更多的行为。比如 UserPromptSubmit、PreToolUse、PostToolUse、Stop

CC 有超过 27 个 hook 事件，hookresult 14 个，在交互的各个生命周期都可以插入，实现对调用的每一步的细粒度控制。

Planning & Coordination

问题：给一个复杂任务，agent 上下文注意力容易被分散。在各种工具输出中，忘记了原来的任务目标。

TodoWrite

todo列表是一个方式，规划 — 让 Agent 在动手之前先想清楚。

Subagent

Break Large Tasks into Small Ones with Clean Context

通过一个新的 task 工具形式，spawn 一个子 agent，拥有全新的 message[]，只回传结论给主agent。

CC 实际会存在

Fork 模式：共享 Prompt Cache, 和之前上下文完全一样，包括 system prompt、 tools、 model、 messages 前缀、 thinking config，必须字节级一致。
递归Fork保护
Permission Bubbling
Async vs Sync, 也可以异步开 subagent 等通知

Skils

Inject specialized knowledge only when the task actually needs it.

按需加载，特化领域知识

层级式加载。

system prompt 启动注入只加 name/description。
判断需要用，以某个工具调用，加载对应skill全部内容。以 tool_result 注入到 messages 中

按需加载解决了"不该提前带的不要带"

CC：

skill 来源众多：managed/policy skills、user skills（~/.claude/skills/）、project skills（.claude/skills/）、–add-dir skills、legacy commands、dynamic skills、conditional skills（带 paths frontmatter，按文件路径激活）、bundled skills、plugin skills、MCP skills。
多个 Frontmatter 字段

记忆管理

Context Compact

Compression keeps the conversation usable when the context window gets crowded.

usr的 (prompt 和 tool result) 和 assistant

按照重要程度， 1、tool_result_budget：排序优先处理大结果，将完整内容落盘写文件系统； 2、snip，裁剪掉中间的message: 消息超50条，保留头部3条，和尾部47条，中间裁剪掉；注意保留成对的 tool_call 和 tool_result； 3、MICRO，旧工具结果替换占位: 比如最近10个工具结果，只保留在最近3条，更旧的 result 替换成占位的 4、发起一次 LLM 调用来做摘要；

设计原则：便宜的先跑

结束语

LLM 擅长文本处理, 可以在广阔的人类语料、知识库中做模仿生成

agent 需要做到更好的利用上下文, context manage , 去做特定任务下的应用。

你的任务的边界是否拆解的合适；
具体的任务是否 well-defined；
是否具备一套检验机制可以评估某一环或者整体的输出；

本质人和 agent 需要做的事情一样，信号的过滤与放大。

多数时候需要你总结，给出精炼浓缩的陈述。有时候又需要你足以给出更多的细节。