阿里开源的 Agent 教程：AI Agent Handbook 从模型能力，到可靠的 Agent 系统，这是一本面向企…

使用 LangChain Deep Agents 进行循环工程

Loop Engineering with LangChain Deep Agents

DeepLearning.AI 上的一门中级课程，讲师为 Sydney Runkle 和 Esmaeil Gargari，时长约 1 小时 16 分钟，含 8 个视频课、4 个代码示例和 2 个评分作业，需 PRO 会员。内容介绍围绕智能体的四种循环（智能体循环、验证循环、事件驱动循环、爬山式改进循环），并动手构建智能体循环、加入由评估器按明确标准检查输出并反馈重试的验证循环、由 Slack 消息或 Jira 工单等事件自动触发，以及分析多次运行的追踪记录来改进执行框架。

面向反洗钱的记忆感知智能体框架——Nacho Martinez（Oracle）

Memory-Aware Agent Harnesses for Anti-Money Laundering — Nacho Martinez, Oracle

一个工作坊视频。演讲者以“模型是你改不了的部分，外围框架才是能取得实际收益的地方”为主线，讲解完整智能体栈：智能体循环、短期与长期记忆、上下文工程、toolbox 与 skillbox 模式、技能蒸馏和持续学习，并将其应用于一个全天候标记可疑银行交易的自主反洗钱智能体案例。时间轴显示内容还包括代理式系统即自动化加自主性、文件与数据库之别、记忆类型（短期、情景、程序、语义）、上下文摘要与压缩、指令层级、冻结模型如何通过持续学习提升、混合检索（语义加关键词），以及问答中的记忆层简化、预建 SQL 与动态查询等话题。

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。

英国 AISI 与 EvalEval 如何让基准结果可复现

How UK AISI and EvalEval Are Making Benchmark Results Reproducible

Hugging Face 博客文章（2026 年 9 月 22 日），介绍英国 AI 安全研究所（AISI）使用 EvalEval 联盟的基础设施公开分享评测结果，以支持更可复现、可验证的评测研究。文中提到双方此前在 NeurIPS 2025 期间的联合工作坊上开展合作，AISI 的反馈参与塑造了 Every Eval Ever（EEE）schema，此次合作是把该基础设施投入实际使用。文章还说明了可复现评测报告的重要性，指出重复运行评测本身可能成本高昂。适合关注 AI 评测方法与基准复现的读者。

AI 把我们的调研时间从 7 天缩短到 15 分钟——Vanguard 的 Gareth Yoder

AI Cut Our Research Time From 7 Days to 15 Minutes — Gareth Yoder, Vanguard

演讲者负责 Vanguard 的现金项目，介绍如何现代化一个每天最多承载 3000 万次调用的现金账本，并并行推进数据、生产者和消费者三类迁移。转折点是通过 MCP 服务器把遗留代码库开放给 AI 工具，使原本需大型机工程师花 7 天的调研缩短到 15 分钟。最后给出五条经验：让遗留代码可被 AI 查询、把迁移文档当产品、重构而非直接搬迁、渐进式引入 AI、不跳过可观测性。

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。