Agentic AI Engineering：从第一性原理构建 AI Agent

背景：为什么每个工程师都要懂 Agent？

2026 年，AI Agent（人工智能代理）已从技术前沿走向工程主流。Claude Code、GitHub Copilot、OpenCode 等工具正重新定义"程序员"这个职业的边界。然而，当面试官问你"能否在白板上画出推理循环（inferencing loop）"时，有多少人能答得出来？

Agentic AI Engineering 的创始人 Geoffrey Huntley 在一次访谈中直言："如果你不知道什么是 tool call、什么是推理循环，你的职业生涯将面临风险。" 这个断言背后，是一个正在发生的现实——AI Agent 基础能力正在成为软件工程师招聘的"新数据结构"。

Agentic AI Engineering 正是在这个背景下诞生的。它不是又一篇博客教程，而是一套从第一性原理出发、手把手带你构建 Agent 的完整课程。

是什么：一个不用框架的 Agent 构建指南

该项目的核心理念是"先造轮子，再谈框架"。在介绍任何第三方库之前，项目要求你从零开始亲手实现 Agent 循环（Agent Loop）、工具执行器（Tool Executor）、记忆层（Memory Layer）和评估框架（Eval Harness）。

项目定位非常明确：面向希望真正理解 Agent 内部运作机制的工程师。不需要任何 AI/ML 背景，只需要 Python 基础和好奇心。

教程的起点极低：安装 uv 包管理器、克隆仓库、填入 API Key，即可运行第一个 LLM 调用脚本。整个过程不超过 5 分钟。

核心内容：7 个模块的完整学习路径

项目按难度递进划分为 7 个模块，共 40+ 个独立教程：

模块一：基础（01-foundations）
从最简单的单次 LLM API 调用开始，逐步引入对话历史管理、工具调用（Function Calling），最终构建出完整的 Agent 循环。以 Codebase Navigator 为顶点项目，整合 RAG、工具和记忆模块。

模块二：有效 Agent 模式（02-effective-agents）
基于 Anthropic 的《Building Effective Agents》论文，系统讲解 Prompt Chaining（链式提示）、Routing（路由）、Parallelization（并行化）、Orchestrator-Workers（编排器-工作者）、Evaluator-Optimizer（评估-优化器）以及 Human-in-the-Loop（人在回路）六大架构模式。

模块三：高级工程技巧（03-advanced-techniques）
解决 Agent 走出实验室后面临的实际问题：结构化输出（JSON Mode）、流式响应（SSE）、上下文窗口管理、成本优化（Prompt Caching）、记忆系统、RAG 增强、多模态（视觉/音频）以及安全护栏（Guardrails）。

模块四：测试与评估（04-testing-evaluation）
Agent 的非确定性特性让传统测试方法失效。本模块涵盖单元测试（Mock LLM）、Evals 体系构建、Trace 追踪与调试、红队安全测试、基准对比以及 Promptfoo/Braintrust/Langfuse 评估框架集成。

模块五：循环工程（05-loop-engineering）
将原始 Agent 循环打磨为可扩展系统：Skill 技能系统、Hook 生命周期钩子、沙箱隔离、MCP（Model Context Protocol）集成、子 Agent 委托以及上下文压缩。

模块六：框架对比（06-frameworks）
同一个 Agent 系统，用 9 种不同框架实现：LangGraph、Pydantic AI、Google ADK、AWS Strands、CrewAI、AutoGen、LlamaIndex 和 Semantic Kernel。亲自对比才能理解各框架的设计取舍。

模块七：生产环境（07-production）
从"笔记本上能跑"到"生产环境可靠运行"：12-Factor Agent 原则、容器化部署、监控与可观测性、成本控制、安全防护以及容错与降级策略。

技术实现：纯 SDK，无框架黑箱

项目采用纯 Python 实现，核心技术栈极为轻量：

• 运行时：Python 3.11+，通过 uv 统一管理依赖
• LLM 接口：Anthropic API（Claude）、OpenAI API（GPT-4o）、Google Gemini API
• 基础库：仅 rich（终端交互）和 readchar（键盘导航）两个外部依赖
• 无框架：所有 Agent 逻辑均为手写代码，零 LangChain/Semantic Kernel 等框架依赖

代码组织上，每个教程是一个独立文件夹，包含自包含的 Python 脚本和 README 说明文档。模块结构如下：

• 01-foundations/ 至 07-production/：按主题划分的教程模块
• cli/：交互式菜单命令行工具
• common/：跨教程共享的通用代码
• .docs/：文档图片资源

部署体验：极简但有门槛

作为纯教学代码库，项目不提供容器化配置（无 Dockerfile 或 docker-compose），也无 Web 界面。部署方式只有两种：

1. 本地运行：安装 uv，配置 API Key，执行 uv run --directory <lesson> python <script>.py
2. 云端运行：通过 GitHub Codespaces 在浏览器中直接打开，无需本地环境配置

项目对硬件要求极低——无需 GPU，普通 CPU 即可运行。但核心门槛在于 LLM API Key 的获取，对国内用户存在一定障碍（Anthropic/OpenAI 服务在部分地区不可达）。

争议与局限

值得注意的局限：

模块五、六、七的大部分内容标注为"coming soon"，截至分析时仅模块一至四为完整内容。对于期望学习完整生产级方案的开发者，可能需要等待更新。

国内用户使用体验受限于 API Key 获取门槛，Anthropic 和 OpenAI 服务在国内访问存在网络障碍，需借助代理或其他方案。

作为教学项目，代码未经过生产环境验证，直接将教程代码投入生产存在风险。

行业意义：Agent 教育的破局者

2026 年初，GitHub 上"agentic-ai"相关项目数量呈爆发式增长，但绝大多数是框架包装或应用层代码，对底层原理的讲解极为匮乏。Agentic AI Engineering 的出现填补了这一空白——它不教你"怎么用 Agent"，而是教你"怎么造 Agent"。

项目作者同时运营 Substack 系列"Disassembling AI Agents"，对 Claude Code、GitHub Copilot 等主流产品进行逆向拆解。教程与博客形成"先学原理、再看实现"的闭环学习路径。

从增长曲线看，项目自 2026 年 1 月创建以来，仅用 7 个月便积累 233 Stars 和 56 Forks，在 AI Agent 教学类资源中属于快速增长的优质项目。