教程中心
从零基础配置到多智能体复杂工作流，手把手掌握主流 Agent 的工程落地实践
学习路径
新手起步
装好第一个 AI 助手，从「装不上」到「用起来」
进阶提效
把 Agent 接进日常工作流，而不是当玩具
企业落地
从部门试点走到生产可用，一步都不省
工具调用失败别急着重试：给 Harness 加一层上下文注入式错误恢复
多数 harness 只把裸报错丢回模型，模型因此原地重试并陷入循环。上下文注入式错误恢复把错误原文、本会话历史尝试与定向恢复建议拼成结构化错误块注入下一次推理，再配合循环检测兜底。本教程给出可复现的 Python 实现，并说明四类适得其反的场景。
给 MCP 工具配一块界面：用 MCP Apps 扩展把结果渲染成可交互面板
MCP Apps（SEP-1865）让工具通过 _meta.ui.resourceUri 指向一份 ui:// HTML 资源，宿主在带 CSP 的沙箱 iframe 中渲染，界面再用 postMessage 走 JSON-RPC 回调工具。本教程用官方 ext-apps 与 mcp-ui SDK 走通工具、界面、回写模型上下文的全链路。
用 Webagent 起一个对外营业的智能体：一份 JSON 配置加九个可插拔槽位
Webagent 是 Agent-net 开源的 Go 编写 harness：填一份声明式 JSON spec、为九个槽位各选一个 provider，webagent serve 就能起一个能接 Slack、WhatsApp 与 HTTP 的业务智能体，并让每次工具调用先过 action.Guard。本教程把它在本地跑通，并说明代码层安全的边界。
把 MCP Server 迁到无状态规范：2026-07-28 版的破坏性变更与逐项改法
MCP 2026-07-28 规范取消了 initialize 握手与 Mcp-Session-Id 会话，改用显式状态句柄与 Multi Round-Trip Requests。本教程按破坏性变更清单，把已有 MCP Server 逐项迁到无状态版本，并指出两处会静默出错的改动与双向验证方法。
用 Temporal 给 Agent 长任务加持久化与可恢复（崩溃不丢进度）
用 Temporal Python SDK 把多步 Agent 任务拆成 Workflow 与 Activity，借助内建重试、状态持久化与信号机制，让长时间运行的智能体在进程崩溃、API 超时后从断点续跑。
用 Haystack 2.x 搭一套可调试的 RAG 检索增强流水线
用 Haystack 2.x 的 Pipeline 把文档切分、向量化、Chroma 检索、Prompt 拼装与大模型生成串成可复用组件，做出能翻资料回答的 RAG 智能体。
用 Twilio + LLM 把 AI 客服接进 WhatsApp（半小时跑通沙箱）
用 Twilio WhatsApp Sandbox、Flask 与大模型，搭一个能收消息、查知识库、自动回复的 WhatsApp 智能体，含人审兜底与上线注意事项。
用 LiteLLM 给 Agent 做统一模型网关与故障回退（一处配置接百家模型）
用 LiteLLM Proxy 把 OpenAI、Anthropic、Google 与本地模型收敛成同一个 OpenAI 兼容接口，配置路由、限流、重试与故障回退，让 Agent 切换模型零改码。
用 Open WebUI 搭一个本地多模型 AI 工作台（私有化、可接 Ollama）
一步步用 Docker 部署 Open WebUI，接上本机 Ollama 模型，配置知识库、工具与 Agent 模式，把开源大模型变成可多人协作的本地 ChatGPT。
给 Agent 接上长期记忆：用 Mem0 做跨会话记忆层
用 Mem0 给 Agent 加一层跨会话、跨用户的持久记忆：Memory().add 存事实、Memory().search 检索、在 Agent 循环里注入系统提示，并支持更新/删除与平台版 MemoryClient。
用 BAML 把 LLM 工具调用变成类型安全的函数
用 BAML（BoundaryML）把“让模型选哪个工具”做成可靠的结构化输出：定义工具类 + function、baml-cli generate 生成客户端、像调普通函数一样用，避免 JSON 解析翻车。
用 Vercel AI SDK 做工具调用 Agent：tool() 与多步循环
用 Vercel AI SDK（ai 包）搭会调用工具的 Agent：tool() + Zod 定义函数、generateText 单步调用、streamText + stepCountIs 多步循环、Next.js Route Handler 暴露接口、useChat 接前端聊天。
用 smolagents 写一个会写代码的 Code Agent（@tool + CodeAgent）
用 Hugging Face smolagents 跑通能自己写 Python 并执行的 Code Agent：@tool 定义工具、InferenceClientModel 接模型、CodeAgent.run 多步编排，并升级多 Agent 协作与 Gradio 可视化。
用 Cloudflare Agents SDK 搭有状态 Agent：Durable Objects 持久化会话与记忆
用 Cloudflare Agents SDK（agents 包）把 Agent 变成自带 SQLite 的 Durable Object：状态自动持久化、可定时任务、可流式聊天，并接 React 前端。
给 Agent 一条只读且限域的数据通道：只读角色、行级权限与语义层
让 Agent 安全查数的三步走：PostgreSQL 只读角色与行级安全、用视图固化业务口径、有界词表上下文，以及 Cube 与 dbt Semantic Layer 选型与上线后要盯的五个指标。
用 Ollama 跑本地工具调用 Agent：Qwen3 8B + OpenAI 兼容接口，数据不出本机
本地工具调用 Agent 实操：Ollama 安装与模型选择、OpenAI 兼容端点验证、手写 function calling 循环、三条护栏、ollama launch 接入编码 Agent 与性能调优。
把臃肿的 CLAUDE.md 拆成可移植 Agent Skills：SKILL.md 规范与跨工具复用
把 400 行 CLAUDE.md 拆成多个 Agent Skills 的完整流程：事实与流程分拣、description 触发器写法、渐进式披露分层、六字段可移植规范、两条路径测试与对抗式评审技能。
n8n 2.39.0 自托管升级实操：先补两个安全漏洞，再打开 Instance AI 记忆
n8n 2.39.0 自托管升级全流程：版本与漏洞对照、备份清单、升级与冒烟检查，以及 Instance AI 持久记忆、子代理沙箱共享与 source control API 三项新能力实操。
用 GitHub Copilot CLI 的 HydraFusion 做多模型编排：单模型、级联、互评三种模式怎么选
HydraFusion 研究预览实操：开启实验开关、三种执行模式对比、五指标对照测法、五类失败模式，以及把路由思想复刻进自己 Agent 的最小骨架。
用 OpenViking 统一 Agent 的记忆、知识与技能：上下文数据库接入实操
火山引擎开源 OpenViking 接入实操：安装部署、peer 工作区归属、写入与按预算召回、技能分发、MCP 接入现有客户端，以及必须提前知道的五条边界。