Agent Knowledge Base

这个项目用来系统整理 Agent 相关知识：原理、架构、实践、项目、实验、评估和资料。

它的目标不是把所有内容一次写满，而是建立一个稳定的知识容器：新概念能放得进来，项目经验能沉淀下来，实验结论能被复现，资料阅读能转化为可执行判断。

Continue This Project

新的 AI 或维护者先阅读：

• AI Continuation Guide: 接手顺序、运行约束和工作契约
• Project Status: 当前数据、产物、服务和验证方式
• Exploration History: 已尝试、已失败和保留的判断
• Next Work: 下一阶段优先级和明确非目标

当前最重要的边界：这里已经有大规模资料库和可运行的 Atlas，但还没有完成“从论文到个人知识内化”的状态化学习系统。旧的 12 篇 Agent Memory 学习模块已判定失败；当前研究基线是 Memory findings 和 evidence ledger。

Navigation

• Knowledge Map: 知识版图、分类方式、成熟度标签
• Agent Principles: 核心定义、循环模型、能力边界、设计原则
• Architecture Patterns: 常见 Agent 架构与选型判断
• Practice Playbook: 从需求到上线的实践清单
• Evaluation and Observability: 评估体系、指标、日志和回归
• Collection Workflow: JD、论文和行业实践的持续收集流程
• Project Status: 当前数据、产物、运行状态和交接说明
• Exploration History: 关键探索路径、失败和决策
• Next Work: 延续工作、优先级和验收标准
• Glossary: 统一术语表
• Jobs: 北京大厂 Agent / LLM 相关岗位要求
• Papers: Agent 相关论文、阅读队列和研究洞察
• Research: 跨论文时间对照、受控证据和领域判断
• Learning: 从论文编译出的认知地图、讲义、证据和主动回忆模块
• Industry: 大公司 Agent 工作、技术报告和工程博客
• Projects: 项目目录、项目记录和复盘
• Experiments: 实验台账、假设、结果和决策
• References: 文章、开源项目、课程和产品文档
• Templates: 概念笔记、项目记录、实验记录、论文笔记模板

Operating Rules

1. 每条知识都要回答一个明确问题。
2. 区分事实、经验判断和待验证假设。
3. 项目记录要保留上下文、架构、失败点、评估结果和复盘。
4. 实验记录要能复现：假设、变量、数据、步骤、指标、结果都要写清楚。
5. 资料阅读要转化为可执行结论：什么时候适用，什么时候不要用。
6. 术语新增或改名时，同步更新 Glossary。

Suggested Workflow

1. 看到一个新概念：用 concept-note 写成一页短笔记。
2. 做一个新项目：从 project-brief 开始。
3. 验证一个想法：用 experiment-note 记录假设和结果。
4. 收集一条岗位：用 jd-note 提取岗位要求和能力信号。
5. 读一篇论文：用 paper-note 提炼可迁移结论。
6. 看到大公司 Agent 实践：用 industry-note 提取技术和产品信号。
7. 有稳定结论后，把它合并到 docs/ 的对应主题页。

Status Labels

• seed: 初始想法或待整理材料
• wip: 正在验证或补充
• validated: 有项目、实验或可靠资料支撑
• completed: 约定范围内的工作已经完成，但不等于结论永久有效
• failed: 假设或路径未通过验证，保留证据和替代方向
• deprecated: 已不推荐使用，但保留原因和替代方案

Validate

python3 tools/check_project.py
git diff --check
web/manage.sh status