学习现场

AI Agent

先判断工作流是否足够,再跑通读工具、具体提案、可信审批、条件写入和持久回执;职业准备是选读。

打开主线案例

先修知识

  • Python函数、字典、异常与assert
  • 原版有界循环实验额外需要基本async/await

学完能做什么

  • 说明模型选择与代码执行的边界
  • 把提案连接到参数绑定审批与真实回执
  • 通过未知结果、状态变化和恢复反例
  • 把控制边界迁移到陌生业务规则

六阶段约6–10小时;贯通实验约90–120分钟。固定选择替身不代表真实LLM质量,SQLite不代表分布式API。

学习路径

先判断是否需要选择

区分确定工作流与由观察决定下一步的Agent

产出:任务边界与最小动作集

记录阅读、练习与自检
先练习,再逐项自检

消费真实观察

白名单、范围、冲突与无进展停止

产出:正常/冲突/无进展trace

记录阅读、练习与自检
先练习,再逐项自检

从提案到获准动作

绑定参数、版本、操作号与有效期

产出:proposal与可信审批信封

记录阅读、练习与自检
先练习,再逐项自检

未知结果先核对

服务端去重与条件更新共同保护副作用

产出:响应丢失前后回执对照

记录阅读、练习与自检
先练习,再逐项自检

恢复后保留事实

用持久回执恢复,不从聊天猜结果

产出:新进程同回执与故障回归

记录阅读、练习与自检
先练习,再逐项自检

迁移到陌生业务

按库存语义重建不变量而非只改名

产出:库存预留trace与可运行负例

记录阅读、练习与自检
先练习,再逐项自检

记录不代替练习结果

阅读、练习和自检分别由你确认。代码与数据保留实际输出;情境任务对照原则和参考。勾选条件不是自动能力认证。

查看全站记录与备份