写了一年 Agent，我做了个教程站

发表于 分类于 ， Disqus： 本文字数： 2.4k 阅读时长 ≈ 2 分钟

过去一年我写了四篇跟 AI Agent 有关的文章。

洗脑 Copilot 讲怎么用指令让 agent 按你的方式工作。

Agent 陷阱 讲构建 agent 时那些看起来对实际上坑的模式。

AI 育儿博主 讲怎么把大量领域知识喂给 AI。

MCP 启动优化 讲逆向工程 Claude Code 的 MCP 初始化流程。

四个完全不同的话题，写的时候也没想过它们之间有什么关系。

但写完 MCP 那篇之后，我发现它们在讲同一件事。

都是上下文

上下文（Context）。

不是什么玄学概念。就是你的 agent 发给 LLM API 的那个 HTTP request body 里的 JSON：

1
2
3
4
5
6
7
8
9
{
  "messages": [
    {"role": "system", "content": "你是一个...（系统指令）"},
    {"role": "user", "content": "帮我重构这个函数"},
    {"role": "assistant", "content": "好的，我先看看...", "tool_calls": [...]},
    {"role": "tool", "content": "（文件内容、命令输出、搜索结果...）"},
    {"role": "assistant", "content": "根据代码结构，我建议..."}
  ]
}

每一轮对话，agent 都把完整的历史重新发送一遍。LLM 没有记忆——它每次都是从头读这个 JSON，然后生成下一条回复。

回头看那四篇文章：

洗脑 Copilot？你操纵的是 system 里的指令。它被注入到每个 request 的最前面，是 LLM 看到的第一样东西。

Agent 陷阱？你搭的工具链每调用一次就往 messages 里塞一条 tool 结果。塞太多，窗口满了，模型就开始丢信息。

育儿博主？你喂的知识在占用 context window。窗口就那么大，选什么喂、不选什么喂，是个决策问题。

MCP 优化？每个 MCP server 启动时注册的 tool definitions 会被塞进 system prompt。工具越多，留给实际对话的空间越少。

全是上下文。

所以做了个站

想明白这条线之后，我把它写成了一个教程站。

Adopt Agentic — 采用 Agentic AI 工作流

15 个概念节点，从”上下文是什么”一直讲到”多 Agent 协作”。中英双语。

每个概念都用 HTTP request/response 拆解——因为 agent 和 LLM 之间的交互，归根到底就是 HTTP 调用，没什么神秘的。

但有意思的不是产出。是过程。

这个站本身就是用 agentic workflow 做的。

Agent 写内容，agent 爬了 62 篇社区文章做覆盖度分析，agent 生成 38 个 SVG 动画插图，agent 做五轮交叉审校（甚至用了不同模型交叉校验彼此的盲区）。

人做什么？人写规则。人审结果。人拍板。

过程中最大的收获：项目的规则文件从零长到了几百行，每一条都是踩坑长出来的。

举个例子。最开始 agent 写出来的内容充斥着”本质上”、”从根本上说”、”essentially”——这些是 AI 生成文本的高频指纹。我们花了五轮审校才把这些清干净，然后把”AI filler 词密度控制”写成了一条显式规则：同一篇文档里”本质上”不超过两处，超了就删。

再比如。Agent 写技术教程时爱用文艺比喻——“给 Agent 请家教”、”把你的大脑装进 Agent”。读者看标题猜不到这节在讲什么。于是加了一条：标题禁止文艺化，用直白有信息量的表述。

规则不是一开始就有的。它们是在反复的”agent 写 → 人审 → 发现问题 → 加规则 → agent 重写”循环里长出来的。最后发现，人花在”改流程”上的时间远超”改内容”。

用 agentic workflow 来写教 agentic workflow 的教程——这事本身就挺 meta 的。

Agent 是胶水代码，不是 AI

你每天用的那些 coding agent，不管是哪家的，90% 的代码在做这些事：拼 HTTP request、解析 LLM response、管理 tool calls、读写文件、跑 shell 命令。LLM 只是其中一个 API 调用。

理解这个，你对 agent 的期待会回到地面。它不是”更聪明的 AI”，是一个围绕 LLM API 构建的自动化流程。聪明与否取决于这个流程怎么编排上下文。

上下文像牛奶，会过期

长对话里的早期信息会被后续内容稀释。这不是 bug，是 attention 机制的物理限制——模型对最近的内容关注度更高，早期内容的影响力会衰减。

所以高手会主动切新会话。不是因为强迫症，是因为一个干净的新会话比一个拖了几十轮的旧会话更可控。上下文不是越多越好，是越相关越好。

认知债务

你让 agent 自动化的每个决策，如果你不理解它为什么这样决策，就欠下一笔认知债。短期看效率很高——agent 帮你做了一堆事。长期看，债积累到一定程度，你连 agent 出错都发现不了。

这跟技术债务一个道理。区别是技术债务在代码里，你至少看得见；认知债务在你脑子里，你甚至不知道自己欠了多少。

这三个点，加上更多一篇博客展开不了的内容，都在这里：

Adopt Agentic — 采用 Agentic AI 工作流

中文版直接进，英文版点右上角切换。

如果你每天在用 AI coding agent，但偶尔会想”这东西到底是怎么工作的”——这个站试图回答这个问题。