agent/docs/00-knowledge-map.md

Knowledge Map

Agent 知识可以按“问题层级”整理，而不是按资料来源堆放。

Core Questions

Area	Question	Output
原理	Agent 是什么，为什么需要它	定义、能力边界、心智模型
架构	一个 Agent 系统由哪些模块组成	架构图、模块职责、数据流
实践	如何把 Agent 做成可用产品	工程清单、接口契约、运行策略
项目	我们做过什么，学到了什么	项目档案、复盘、可复用组件
实验	哪些假设被验证或推翻	实验记录、指标、结论
评估	怎么判断 Agent 是否可靠	测试集、指标、观测和回归
岗位	市场正在要求什么 Agent 能力	JD 笔记、技能趋势、能力缺口
论文	研究里哪些方法和证据值得吸收	阅读队列、论文笔记、研究洞察
行业	大公司正在怎么落地 Agent	技术报告、工程博客、产品实践、公司趋势
资料	外部知识如何沉淀为判断	文章摘要、项目阅读、课程和文档笔记

Taxonomy

1. Foundations

• LLM basics: 模型能力、上下文窗口、采样、指令遵循
• Reasoning: 分解、规划、反思、验证
• Tool use: 工具描述、参数约束、错误处理、权限边界
• Memory: 短期上下文、长期记忆、检索、遗忘策略
• Environment: 文件系统、浏览器、终端、API、业务系统
• Evaluation: 正确性、鲁棒性、成本、延迟、可解释性

2. Agent Patterns

• Single-loop agent
• Planner-executor
• ReAct style tool agent
• Workflow plus agent hybrid
• Retrieval-augmented agent
• Code agent
• Browser agent
• Multi-agent collaboration
• Human-in-the-loop agent

3. Product and Engineering

• Task design and scoping
• Prompt and instruction design
• Tool and API contracts
• State management
• Safety and permissions
• Observability and traces
• Regression tests and release gates
• Cost and latency control

4. Evidence

每个稳定结论最好至少关联一种证据：

• project: 来自真实项目
• experiment: 来自可复现实验
• reference: 来自论文、文档或优秀开源实现
• incident: 来自失败案例或线上问题
• job: 来自岗位要求和市场信号
• paper: 来自研究论文和 benchmark
• industry: 来自大公司技术报告、工程博客、产品发布和代码仓库

Maturity Model

Level	Name	Meaning
0	idea	只是直觉或问题
1	note	有初步解释和例子
2	tried	在小实验或项目中试过
3	repeatable	有复现步骤和稳定结论
4	operational	能进入工程实践和团队规范

Placement Rules

• 长期稳定的知识放进 docs/。
• 具体项目放进 projects/。
• 假设验证放进 experiments/。
• 外部资料先放进 references/，再提炼进 docs/。
• 不确定内容保留 status 和 open_questions，不要伪装成结论。