AI Agent 設計原理與工程實踐

1

資料來源概覽

YouTube 影片

5 Terms You Need to Know About Agentic AI

概念入門 · 5 個核心術語 · 英文

Apple Books 書籍

深入理解 AI Agent：設計原理與工程實踐

作者：李博杰 · 正體中文 · 10 章

2

YouTube 影片重點：5 個必知術語

來源一

術語 01

AGENTS.md

放在專案根目錄、專為 Agent 設計的 README。告知 Agent 測試指令、程式碼規範等，可多層嵌套，越近越優先。

術語 02

Agent Skill（代理技能）

含 SKILL.md 的資料夾，描述「何時應載入此技能」。按需載入，不相關時完全不佔用 context window。

術語 03

MCP — Model Context Protocol

開放協定，讓 Agent 透過標準化 MCP Server 連接任意外部工具或資料源。由 Anthropic 提出，現由 Linux 基金會治理。

術語 04

A2A — Agent-to-Agent

由 Google 提出的開放協定。每個 Agent 發布 Agent Card，其他 Agent 讀取後進行任務委派（如採購 → 財務審批）。

術語 05

Subagents（子代理）

主 Agent 生成子 Agent 來處理特定子任務，各自擁有獨立的 context window，完成後回傳結果。適用於任務過大（超出單一 context）或可並行處理的情境（如同時執行 20 項獨立檢查，速度提升 20 倍）。

3

書籍重點：各章設計原理

來源二

第 1 章

AI Agent 入門

核心公式 Agent = LLM + 上下文 + 工具；運作機制為 ReAct 迴圈（思考 → 行動 → 觀察）；編排模式從固定工作流到自主 Agent 是一個設計光譜。

第 2 章

上下文工程（全書最關鍵）

上下文決定能力上限；KV Cache 快取友好設計；Agent Skills 按需動態載入；Agent 狀態列；分層上下文壓縮策略。

第 3 章

使用者記憶與知識庫

個人化記憶（懂你的助手）vs 共享知識庫（領域專家）；RAG 完整技術棧；Agentic RAG：讓 Agent 自主決定何時檢索。

第 4 章

工具

五類工具：感知、執行、協作、事件觸發、使用者溝通；MCP 互操作標準；執行安全機制；事件驅動非同步 Agent 架構。

第 5 章

Coding Agent 與程式碼生成

通用 Agent 核心架構：Coding Agent + 檔案系統（Manus、OpenClaw 均遵循）；程式碼是元能力；Agent 自舉（程式碼創造程式碼）。

第 6–8 章

評估、後訓練與持續進化

沒有評估就沒有進步；LLM-as-a-Judge；SFT 記憶、RL 泛化；資料比演算法重要；四種更新載體（知識 / Prompt / 程式碼 / 模型參數）。

第 9–10 章

多模態互動與多 Agent 協作

語音三種正規化（級聯 → Omni → Full-Duplex）；Computer Use；A2A 協定與 Agent Card；多 Agent 群體智慧可能超越個體。

4

影片術語 × 書籍章節對照

影片術語	對應書籍章節	延伸深度
AGENTS.md	引言 + 第 2 章（系統提示詞設計）	流程驅動 vs 規則堆砌、提示注入防禦
Agent Skill	第 2 章（Agent Skills 按需載入）	KV Cache 代價、Skills 與工具的關係
MCP	第 4 章（工具生態與 MCP 標準）	五類工具設計、執行安全機制
A2A	第 10 章（多 Agent 協作）	Agent Card、對等 / 管理者 / 去中心化拓撲
Subagents	第 2 章（上下文隔離）+ 第 10 章	隔離優於壓縮、並行任務設計

5

綜合結論與建議

核心共識：兩個資料來源的交叉驗證

統一框架：影片與書籍均以 Agent = LLM + 上下文 + 工具為核心公式，概念高度吻合。

實踐先於命名：書籍作者親身驗證——harness、Skills、loop engineering 等術語，均是業界早已實踐後才被命名的。

開放標準是趨勢：AGENTS.md、Agent Skills、MCP、A2A 均已成為 Linux 基金會下的開放標準，跨平台互操作是方向。

評估是核心競爭力：沒有評估機制，Agent 改進只能依賴直覺；科學評估是工程落地的地基。

尚待解決的兩朵烏雲

即時互動 Agent 如何流式、即時地與環境互動，徹底擺脫「按輪次請求—應答」模式。

持續學習 Agent 如何像人一樣從成功與失敗中積累經驗，而非每次任務結束後歸零。