KEEL · 龙骨 · A CURRICULUM FOR THE AI ERA
Advanced Agent Systems — keel 龙骨
Advanced Agent Systems 的参考信息：Advanced Agent Systems
这里是基于前面课程的拔高路线。重点不是再做一个“能调用工具的聊天机器人”，而是处理市场上真正需要工程判断、系统边界和运营结果的能力：长周期运行、可靠唤醒、知识库 grounding、上下文编排、协议任务和可量化评估。
为什么要有这条路线
前面的课程已经分别讲了 Harness、Tool Calling、Context Compaction、Persistent Memory、Real-world Execution 和 Safety Controls。它们在单进程、确定性实验中建立了正确对象，但生产系统还要回答：
- worker 挂掉后，运行怎样从事件和 checkpoint 恢复，而不是重新猜下一步；
- 延迟数小时或等待人工输入的 Agent，怎样被可靠唤醒，且不被重复投递执行两次；
- 知识库检索结果怎样继承租户 ACL、支持混合检索和重排，并能对回答中的引用做验证；
- 压缩、检索、工具调用和模型输出怎样共享一条可追踪 trace，并在质量、成本、延迟不达标时阻止发布。
如果目标是 AI 全栈或 FDE 岗位，还要补上客户发现、企业系统集成、前后端垂直切片、云部署、线上支持、采用率和交接。对应内容见 FDE Customer Delivery。
学习路线
| 章节 | 专业能力 | 结果 |
|---|---|---|
| 01. Durable Execution 到底持久化什么？ | 区分聊天历史、事件历史、状态投影和副作用 | 可回放的运行状态 |
| 02. Wake-up、Signal、Timer 和 Task 有什么区别？ | 把等待变成可投递、可取消、可重放的输入 | 唤醒契约 |
| 03. 租约、幂等和重复投递怎样一起工作？ | 处理 worker 崩溃、at-least-once 和迟到结果 | 租约/去重状态机 |
| 04. 知识库怎样从“能搜到”走向可引用？ | ACL、chunk、混合检索、重排和证据 | 带 citation 的检索结果 |
| 05. Context Engineering 怎样连接检索和压缩？ | JIT retrieval、预算、来源和 context assembly | 可审计上下文 |
| 06. MCP Tasks 扩展和异步工具怎样接回 Harness？ | 长任务、扩展协商、轮询、取消和结果回收 | 异步工具适配器 |
| 07. 怎样建立 Agent 的质量门禁？ | Recall、citation、成本、延迟、恢复和回归 | 发布门禁报告 |
| 08. 完成一个可恢复的知识驱动诊断 Agent | 贯通唤醒、检索、上下文、工具和评估 | 结课系统 |
先读审计，再开始高阶课
既有课程实践审计明确了哪些代码可以复用、哪些只是教学替身，以及从“示例通过”到“可承担生产责任”还缺什么。审计不否定已有课程的价值，而是为每个边界指定下一步证据。
配套项目
项目使用 Python 标准库实现一个小型、可回放、可测量的系统：SQLite 事件存储、纯函数状态投影、唤醒表、租约、幂等事件、ACL 过滤后的混合检索、citation 校验和质量门禁。它不伪装成 Temporal、向量数据库或 MCP SDK；每个适配点都在课程中标注替换位置。
python -m pip install -r courses/advanced/advanced-agent-systems/course/project/requirements.txt
python courses/advanced/advanced-agent-systems/course/project/examples/01_durable_run.py
python courses/advanced/advanced-agent-systems/course/project/examples/04_hybrid_retrieval.py
python courses/advanced/advanced-agent-systems/course/project/examples/06_evaluation_gate.py
python -m unittest discover -s courses/advanced/advanced-agent-systems/course/project/tests -v
课程的资料依据见research-and-course-basis.md。