第 1 周：Agent 与最小循环

本周成果与 10-14 小时安排

本周结束时，你要交付一个能显示每轮模型、工具、结果和停止原因的 CLI Agent，而不是只交一张架构图。

时段	用时	可见产物
Day 1	1.5 小时	读全景与Agent 边界，手画 LLM / Harness / Tool 边界
Day 2	2 小时	看视频 01 全片、视频 02 [00:00:00-00:04:05]，跑 step01-step04
Day 3	2.5 小时	读百行 Agent Loop，对 step04-step05 做 diff
Day 4	2 小时	跑 chapter1/context 的测试或最小消融，保存一条完整轨迹
Day 5	2.5 小时	在 Mini Emperor 增加一个工具与事件测试，主动制造未知工具失败
Day 6	1.5 小时	完成 Completion Gate 和无资料复述

总计约 12 小时。时间紧时保留 Day 1、3、5、6。

这项功能有什么用

Agent Loop 把「生成文本」变成「观察—决定—执行—读取结果—再决定」的循环，完整原理见 百行 Agent Loop：开场。

运行时观察清单

完整的 Tool Call 往返流程图见 百行 Agent Loop：让每一轮被看见。跑起来后不要只看聊天文本，每一轮至少观察：

• iteration
• 当前消息数量
• 模型是否返回 Tool Call
• Tool 名称、参数、结果与错误
• Token/耗时
• 最终停止原因

学习顺序

1. 看视频 01 [00:00:00-00:04:36]；视频 02 重点看 [00:00:00-00:06:43]。
2. 阅读 claude-agent-examples step01-step05。按 step01 → step02 → step03 → step04 → step05 做 diff，不要先读最终大文件。
3. 跑 ai-agent-book/chapter1/context 的完整上下文与消融模式。
4. 阅读 mini-emperor/backend/src/mini_emperor/agent.py。
5. 运行 test_agent.py，再故意把 max_iterations 改成 1 观察失败。

运行书中消融实验：

cd references/repos/ai-agent-book/chapter1/context
python main.py --provider deepseek --mode ablation

它需要模型环境变量。暂时没有 Key 时，先运行该目录的确定性测试并读 python main.py --help，但要在学习记录中注明“完整消融尚未执行”。

精确入口：

• 视频 01 笔记
• 视频 02 笔记
• CAE：build-agent-example/code/step01_single_call.py 到 step05_tool_use.py
• 书中实验：references/repos/ai-agent-book/chapter1/context
• 工程：mini-emperor/backend/src/mini_emperor/agent.py 与 mini-emperor/backend/tests/test_agent.py

代码迭代

• V0：单次模型调用。
• V1：保存消息历史。
• V2：注册一个 add 工具。
• V3：模型返回 Tool Call 后执行并回填结果。
• V4：加入结构化 AgentEvent。
• V5：加入迭代上限和工具错误事件。

Completion Gate

不看代码完成：

• 画出 Tool Call 往返流程。
• 解释 assistant tool call 与 tool result 为什么都要写入历史。
• 演示正常完成、未知工具和超过迭代上限。
• 新增一个真实工具，并为它写失败优先的测试。

复习节奏

• 24 小时后：不看资料画出 tool call 和 tool result 的消息顺序。
• 7 天后：解释为什么“有 while True”仍可能不是一个有记忆的 Agent。
• 复习证据：一张手画流程、一段失败日志、一个通过的新增测试。