图书目录:
第 1章 从提示词到上下文工程 1
1.1 上下文工程的核心思想 1
1.1.1 从购车决策看上下文的构建 2
1.1.2 上下文工程与Agent的关系 5
1.2 上下文工程的系统结构 6
1.2.1 上下文构建的四大模块 6
1.2.2 上下文管理的核心策略 7
1.3 简单工具调用到复杂Agent：Agent技术发展路线图 8
1.3.1 简单工具调用Agent的原理与特点 8
1.3.2 深度思考型Agent的原理与特点 11
1.3.3 以代码执行为主的Agent：Code Agent的原理与特点 13
1.3.4 多Agent的原理与特点 14
第 2章 上下文的“元驱动”：意图识别、 规划等模块的工程化实战 16
2.1 意图识别：让AI精准理解人类需求 16
2.1.1 意图识别的作用与意义 16
2.1.2 基于Arch-Router实现意图识别 18
2.1.3 小模型微调+大模型兜底实现意图识别 24
2.2 计划模式：让AI有计划地解决问题 30
2.2.1 简单计划模式实现旅游攻略撰写 30
2.2.2 复杂计划模式实现通用计划执行 39
2.3 反思模式：让AI具备“思考自己的思考”能力 47
2.3.1 反思模式的架构 47
2.3.2 以运维场景为例实现反思模式工作流 48
2.4 行动：代码即工具的CodeAct模式 53
2.4.1 CodeAct模式的架构 53
2.4.2 以图表生成助手为例实现CodeAct Agent 54
2.5 人机协作：实现Human-in-the-loop模式 60
2.5.1 Human-in-the-loop模式的原理 60
2.5.2 以报告大纲审核为例实现强制人类介入 61
2.5.3 以商品咨询为例实现自主触发人类介入 66
第3章 DeepResearch：基于深度思考Agent构建上下文的典型案例 70
3.1 深度解析DeepResearch核心演进 70
3.1.1 RAG的原理与局限 70
3.1.2 DeepSearch的机制与不足 71
3.1.3 DeepResearch的核心架构：从搜索转向研究 72
3.2 实战：构建DeepSearch核心引擎 73
3.2.1 选型博查（Bocha）：适配中文生态的AI搜索引擎 73
3.2.2 SearXNG：开源聚合搜索引擎的深度应用 79
3.3 实战：Sequential Thinking方案的DeepResearch代码实现 84
3.3.1 MCP广场：Smithery.ai简介 84
3.3.2 深度思考MCP：Sequential Thinking原理介绍 85
3.3.3 私有化方式部署Sequential Thinking 89
3.3.4 构建DeepResearch深度研究系统 92
第4章 记忆工程：Agent系统的长短期上下文管理 101
4.1 深入理解Agent记忆 101
4.1.1 短期记忆：突破LLM的无状态局限 101
4.1.2 长期记忆：构建Agent的持久化存储层 104
4.2 Mem0：Agent记忆层的标准化实现 105
4.2.1 Mem0核心架构：多层级记忆管理 105
4.2.2 记忆生命周期：从信息提取到持久化存储 106
4.2.3 Mem0实战：基于混合存储架构实现历史对话复用 107
4.3 容器化的高可用分布式记忆系统部署方案 115
4.3.1 部署架构设计与脚本编写 115
4.3.2 基于分布式记忆系统的历史对话复用 118
第5章 Skills：上下文卸载的艺术 123
5.1 Skills概述 123
5.1.1 Skills是什么 123
5.1.2 Skills的结构定义 124
5.1.3 Skills的渐进式加载机制 125
5.1.4 如何设计支持Skills的Agent 126
5.2 实战：零代码开发“运维巡检Skill” 127
5.2.1 使用扣子编程开发“运维巡检Skill” 127
5.2.2 基于OpenClaw测试“运维巡检Skill” 132
第6章 Harness工程实践：复现Claude Code核心设计模式 135
6.1 Agent Loop：Agent可以长时间工作的核心 136
6.1.1 一个Agent=一个Loop+一个Bash工具 136
6.1.2 增加更多的基础工具 141
6.2 上下文工程：解析Claude Code如何进行上下文管理 146
6.2.1 SubAgent：分离上下文窗口 147
6.2.2 Skills：让Agent实现渐进式加载 152
6.2.3 Compact：多级上下文压缩机制 157
6.3 持久化与异步：跨会话的任务管理 162
6.3.1 Todo：Claude Code的计划模式 163
6.3.2 Task System：持久化的任务系统 166
6.3.3 后台任务：慢操作交给后台运行 173
6.4 多Agent系统：Agent Teams 178
6.4.1 团队管理类实现 179
6.4.2 通信总线的实现 181
6.4.3 为队友的Agent Loop增加工具调用 183
6.4.4 修改主Agent的Agent Loop逻辑 183
6.4.5 测试效果 184
第7章 Harness工程实践：Claw类产品的设计模式解析与实践 188
7.1 Claw类产品的核心架构 188
7.1.1 学习路径：从NanoClaw开启探索 188
7.1.2 NanoClaw的架构 189
7.2 开发与使用NanoClaw 192
7.2.1 为NanoClaw开发飞书Channel 192
7.2.2 部署NanoClaw 194
详情
本书系统阐述从上下文工程到Harness工程（Harness Engineering）的技术演进路径，深入揭示AI Agent从工具调用到自主思考与协作的核心原理及工程落地方法。全书共7章，以通过Agent工程化的构建方式落地上下文与Harness相关技术为主线，帮助读者系统掌握构建具备理解、计划、反思与行动能力的Agent系统的完整方法论。
第1章、第2章系统介绍上下文工程的理论基础，涵盖意图识别、计划模式、反思模式、CodeAct行动及人机协作五大核心能力的工程化实战；第3章、第4章以DeepResearch 和记忆工程为典型案例，提供从搜索到研究的完整代码实现及分布式记忆系统部署方案；第5章阐述Skills上下文卸载技术，并给出使用扣子编程开发“运维巡检Skill”及基于OpenClaw测试“运维巡检Skill”两个实战案例；第6章、第7章走向Harness工程，通过两个实践案例介绍如何复现Claude Code核心特性，以及如何构建OpenClaw类产品，实现技术整合与工程落地。每章均配有可落地的代码示例与真实场景案例。
本书既适合具备开发背景的工程师、架构师阅读，也适合希望提升AI Agent实战能力的技术人员参考。
