学习智能体循环、执行框架和长任务恢复，适合搭建可靠智能体的开发者。
47 条精选 · 入门 8 · 按推荐学习顺序：越基础、直观越靠前，越系统、深入越靠后
Learn Claude Code
该仓库提供一个类似 Claude Code 的“agent harness”最小实现，按“从 0 到 1”的思路构建，README 提供英文、中文、日文版本。内容主张 agent 的“能动性”（感知、推理、行动能力）来自模型训练，而 agent 产品等于模型加 harness，仓库重点讲解如何搭建 harness 这一部分。适合想从工程角度理解 Claude Code 类工具内部结构、打算自己动手实现 agent 框架的开发者阅读。
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。
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。
Human-in-the-loop over MCP - Docs by LangChain
LangChain 官方文档的一页，说明当通过 MCP 端点暴露的 agent 调用 interrupt 时，Agent Server 如何用 elicitation 向 MCP 客户端索取答案并在收到回答后恢复 agent。文档描述了工具调用暂停与恢复的往返流程（resultType 为 input_required、elicit/create 请求、requestState、inputResponses 等），并注明需要 langgraph-api>=0.18.0 及支持协议修订版 2026-07-28、声明 elicitation 能力的 MCP 客户端。适合用 LangSmith/LangGraph 部署 agent 并接入 MCP 的开发者查阅。
Why One AI Agent Isn’t Enough (And How to Run 1,000) - CJ Avilla & Harrison Stall, Anthropic
一个 Anthropic 人员主讲的工作坊视频。开场以 Ken Thompson 一个月写出 Unix、IBM 用 1000 名工程师开发 OS/360、Linus Torvalds 在 1998 年遇到瓶颈作类比，引出管理 AI 智能体时的规模问题，随后介绍 Claude Managed Agents 中的 Flows：向 Claude 给出目标，它通过 API 自行规划并运行最多 1000 个智能体的多智能体拓扑。演示包括股票自选股扫描器、在关键阶段投入更多算力的方法、Bug Hunter 与 Explainer Studio 模板，并说明单智能体因惰性、自我偏好偏差和目标漂移而失灵。结尾讨论大规模安全运行：预算、中断、自动模式、凭据保险库和网络锁定。视频含时间轴。
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。