这门课一开始，甚至连名字都是记错的。
Tomz 说，他记得 GitHub 上好像有一个项目叫：
“一起来学智能体。”
后来我们找到的其实是 Datawhale 的开源项目 Hello-Agents《从零开始构建智能体》。
名字记错了，但这个名字最后留了下来。
因为我们真正想做的，本来就不是把一本教材从第一章刷到最后一章。
我们想做的是：
一起把智能体真正弄懂。
不是背 ReAct、Planner、Memory、MCP、Skill、Multi-Agent 这些词分别是什么意思，而是等它们真的出现在一个 Agent 的运行轨迹、一场架构讨论、一次死循环、一个 Bug 里面时，能够知道：
它为什么会这样。
课程状态#
| 项目 | 当前状态 |
|---|---|
| 课程状态 | 进行中 |
| 主学习材料 | Datawhale《Hello-Agents》 |
| 学习方式 | 教材主线 + Mira 真实工程 + 问题触发插课 |
| 主线进度 | Agent Framework 基础边界已完成：Agent / Harness / Runtime / Memory / Context / Tool / Protocol |
| 当前停点 | Framework ownership、Capability Exposure、Protocol、Completion Contract |
| 下一步 | 进入 Harness Engineering：Context、Tool disclosure、Hooks / Middleware、Feedback Loop 与 Environment |
| 下次开始 | 从“为什么同一个模型换一套 Harness，实际能力会差一个档次”开始 |
| 最近更新 | 2026年9月8日 |
以后重新开始这门课，先看这一节。
这里是课程进度的唯一检查点。
每次真正推进主线以后，都回来更新“主线进度 / 当前停点 / 下一步 / 下次开始”。
课程进度以实际学习记录为准，不以官网已发表篇数为准。
为什么文章数量不等于课程进度#
《一起学智能体》从一开始就不是严格按照教材目录出版的。
真实工程不会等我们把教材读到那一章。
Mira 遇到 Planner 提前结束，我们就先讨论 ReAct、Goal Coverage 和 Planning。
开始认真做 Context，我们就讨论为什么 Context 不是最近几条聊天记录。
做 Skill，我们就去拆程序性知识、渐进式加载和完成条件。
接 MCP，我们就讨论 Host、Client、Server，以及 Agent 怎样接触外部世界。
当 Skill 开始互相调用，我们甚至会提前碰到多 Agent 系统里的证据血缘、回声室、权限传播和上下文污染。
所以这门课一直有两条同时存在的线：
教材主线
理解 Agent 的完整知识结构
↓
按实际学习进度持续推进
真实工程
哪里正在疼，就先研究哪里
↓
Planner / Context / Skill / MCP / Multi-Agent / Evaluation / ...它们最终会汇合。
但我们不会为了让编号漂亮，把“写过一篇文章”假装成“这一章已经学完”。
Mira 是这门课最重要的练习册#
如果只是学概念，网上已经有很多比这里完整得多的教材。
我们继续写这门课，是因为身边恰好有一个正在生长的 Agent 系统。
Mira 有 Planner，有 Tool，有 Evidence，有 Context，有权限，有 RAG，也会失败。
它会连续读几十个文件。
会拿到足够回答问题的证据，却忘了用户其实要求了 A、B、C 三件事。
会调用成功，却并没有真正完成任务。
会拥有越来越多工具，也会因为工具太多而更难做决定。
于是教材里的句子会不断变成真实问题：
ReAct
↓
为什么 Observation 回来以后还要重新决策？
Planner
↓
Plan 和 Goal 到底谁应该稳定？
Reflection
↓
什么时候应该怀疑当前策略？
Context
↓
模型这一轮真正应该知道什么？
Memory
↓
什么值得跨线程继续存在？
Skill
↓
哪些经验不应该每次重新猜？
MCP
↓
Agent 怎样获得一个可连接的外部世界？
Multi-Agent
↓
多个智能单元开始互相信任以后，会发生什么？我们不只是找答案。
我们还会反过来问：
Mira 现在是怎么做的？它为什么这样设计？有没有更好的边界？
这才是这门课真正有价值的地方。
不赶着“学完”#
Agent 这个领域变化太快。
今天大家在讨论 Tool Calling，明天是 MCP，后天又出现新的 Agent Runtime、Computer Use、Skills、Subagents 和新的协议。
所以这门课没有一个值得追求的“毕业日期”。
我们更在意另一件事：
每学一个概念，它有没有进入自己的判断体系。
第一次听到：
Evidence Answerable ≠ Goal Complete可能只是觉得有道理。
等下一次真的看到 Agent 拿到一份漂亮的搜索结果就提前交卷，还能立刻意识到：
“这不是 Evidence 的问题，是 Goal Coverage 没守住。”
这个知识才开始属于我们。
一课怎么学#
- 先找一个真正的问题。 不为了凑课时学概念。
- 再回教材。 看经典方法到底怎样定义这个问题。
- 一定映射到真实系统。 问它在 Mira 里对应哪一层、哪个职责。
- 允许质疑教材。 教材是地图，不是法律。
- 允许插课。 工作里先撞到 MCP，就先研究 MCP。
- 最后留下判断，不只留下名词。
我们希望几年以后再回来，这里留下的不只是：
ReAct 是……
MCP 是……
Skill 是……而是一条能够看见理解怎样形成的轨迹。
当前已经留下的专题#
目前官网已经围绕这些问题留下了学习记录：
- ReAct 与 Agent Loop
- Plan、Goal 与滚动规划
- Reflection 与结果校准
- 经典范式的决策权、Evidence、Replan 与终止语义
- Agent Framework 的 ownership、Harness / Runtime / Protocol 与 Capability Exposure
- Agent 的历史脉络
- LLM 怎样“看、想、说”
- Context Engineering
- Skill 与程序性知识
- MCP 与可连接世界
- Skill / Multi-Agent 的组合与治理问题
这些文章并不完全按照教材顺序出现。
没关系。
专题文章是学习留下的切片，不是课程进度条。
下一站：Harness Engineering#
Agent Framework 的基础边界已经完成第一轮。
这一轮我们把 Agent、Harness、Runtime、Memory、Context、Tool、Policy 与 Protocol 放进同一张责任图里，也第一次明确质疑了 Mira 当前以 semantic rerank 直接决定 Tool Exposure 的做法：Ranking 可以继续存在，但更适合作为渐进式披露里的检索实现，而不是天然拥有构造 Agent 行动世界的最高权力。
下一课不再继续画组件图，而是进入 Harness Engineering。
我们会问：
为什么同一个模型，
换一套 Harness，
实际 Agent 能力会差一个档次？
Context 怎样影响判断？
Tool 怎样渐进式披露？
Skill / MCP 怎样按需装载？
Hooks / Middleware 应该拦在哪里？
Feedback Loop 怎样把真实 Evidence 带回来？
Environment 怎样改变模型可以完成的任务？这一次会继续参考 Hello-Agents 的框架开发实践，也会对照 LangChain、Anthropic 等当前 Harness 工程思路，再放回 Mira 验证。
下一次从这里开始：
Harness 到底怎样把一个“会想的模型”，变成一个真正好用的 Agent？
这就是《一起学智能体》。
没有讲台。
一边是教材，一边是一台还在生长的 Mira。
我们站在中间。
碰到什么，就一起拆开看看。
然后继续往前。