MCP 与 API 调用：Python LLM 应用该选哪个？

Stanford CS146S：现代软件开发者

Stanford CS146S：The Modern Software Developer

斯坦福大学 CS146S 课程网站，主题是 AI 原生软件开发。课程描述说明 LLM 使软件开发从以手工编码为主转为开发者与编码智能体协作，内容涵盖 MCP、agent skills、规格驱动开发（spec-driven development）、循环工程和“软件工厂”等实践与技术，以及为智能体提供上下文与能力、把产品需求转成可执行规格、设计人机共同规划构建评估改进的迭代流程。课程为 3 学分，先修要求为相当于 CS111/CS161 的编程经验，建议具备 CS221/229 背景，包含动手作业、项目和业界从业者讲座。

Harness 工程入门 101：LLM 是大脑，harness 是身体

Harness Engineering 101: The LLM is the brain, the harness is the body

一个 GitHub 仓库，内容是一部以书籍形式发布的博客系列（版本 1.1，2026 年 10 月），讲从第一性原理构建 AI 智能体。核心观点是 LLM API 本身无状态，harness 是负责构建、维护和保护对话数组的程序，领域内所谓的“智能体”都是对这一循环的补丁；系列共 16 章，逐步把一个约 300 行的纯 Python 简易智能体生长出来。README 中包含作者的 AI 使用声明，说明各章由其本人撰写，并用 Claude Code 和 One Code 调整章节顺序、润色英文、生成图表和绘图代码。

深入理解 AI Agent

一本以中文为主、采用 Apache 2.0 许可证在 GitHub 上开源并持续更新的 AI Agent 技术书，可下载中文 PDF 与 EPUB，并提供英文、西班牙文、日文等多语种（含社区翻译）阅读入口。全书以“Agent = LLM + 上下文 + 工具”为主线，共 10 章：Agent 基础知识与 Harness 工程、上下文工程（含 KV Cache 友好的上下文设计）、用户记忆与知识库（RAG）、工具（含 MCP 与 Skill Hub）、Coding Agent 与通用 Agent、观察与动作空间扩展（异步事件驱动、语音）、Agent 评估（含 τ²-bench 案例与评估指标）、模型后训练、Agent 持续进化、多 Agent 协作，另附后记与思考题参考答案。适合想系统了解 Agent 设计原理与工程实践的开发者阅读。

datawhalechina/mini-workbuddy

一个 GitHub 项目，自述为用 AgentScope 从零搭建本地智能体工作台。内容以产品为主线组织的教程，共五篇 15 章，讲解模型接入、消息结构、工具注册、循环、权限拦截、状态存储等概念；运行环境为 Python 3.11 及以上、AgentScope 2.x 和兼容 OpenAI 接口的模型服务，并提供 GitHub Pages 在线阅读。材料说明其面向会写 Python 函数与类、了解 async/await、有大模型 API 使用经验的读者，如高校学生、想把脚本做成产品的开发者和需要向团队讲解智能体运转的工程师。

franzenzenhofer/big-arrow-on-the-screen

一个 macOS 命令行工具兼 Claude Code、Codex 的 Skill，可让 AI Agent 在所有窗口之上绘制大箭头、方框和文字。鼠标点击可穿透，键盘焦点不受影响，箭头会自动消失，采用 MIT 许可证。

如何（以及为什么）用 Python 从零构建 AI Agent

How (and Why) to Build an AI Agent from Scratch in Python

MachineLearningMastery.com 上由 Bala Priya C 撰写的教程文章。文章介绍什么是 AI Agent，并演示如何只用纯 Python 和 Anthropic API、不借助任何编排框架从零实现一个 Agent；内容涵盖为什么需要工具调用、如何定义模型可用的工具、如何实现“请求—执行—响应”循环，以及如何加入持久记忆让 Agent 在多轮对话中保持上下文。适合想理解 Agent 底层机制并动手实现的开发者阅读。