基础能力
Tool Calling
让模型能改变外部状态
连接 → react / mcpAI LEARNING LAB · 学习路径
首页负责「对比 + 亲手跑」；基础馆把同一条控制半径拆成可通关章节（Tool → ReAct → Loop → MCP → Multi-Agent → Skill → A2A）。
前沿技术，亲手跑懂
并形成自己的知识网络
定期追踪一手来源，把最新 AI 工程知识沉淀成可操作、可比较、可验证的个性化课程；用 Harness / Loop / Graph 技术复现实验，再把 Skill 体系接进同一套学习台，帮助产品与工程人员高效熟悉最新能力。
一句总纲
AI Learning Lab = 一手来源沉淀 × 概念对比网络 × 可运行技术 Demo × Skill 分层能力手册。不是词汇表，是控制半径。
学习地图
01
发现核验
官方文档、论文、成熟度
02
建图对比
依赖、边界、反例
03
技术复现
Harness / Loop / Graph
04
Skill 整合
手册、资料、工具、素材
05
判断迁移
先观察，再形式化
1
知识网络：不是词汇表，是控制半径
从“模型能调用工具”一路走到“多个优化循环如何不互相欺骗”，并把 MCP、A2A、Agent Card、Skill 放进同一张控制半径图。
认知循环
ReAct
推理 → 行动 → 观察
连接 → loop工具协议
MCP
Agent ↔ 工具 / API / 数据源
对比 → a2a / card协作协议
A2A
独立 Agent 间发现、委托、长任务
依赖 → card · 对比 → mcp能力名片
Agent Card
公开身份、技能、端点与认证
服务 → a2a · 不同于 → skill能力模块
Skill
分层手册：路由、流程、资料、工具
连接 → harness / mcp单次运行
Harness Engineering
环境、工具、可见性、约束、完成证据
连接 → loop重复运行
Loop Engineering
状态、验证、预算、停止与升级
连接 → graph多循环治理
Graph Engineering
目标所有权、冲突、节奏与外部锚点
外部目标与治理锚点层级核心问题可运行产物典型误区
Harness一次运行能不能完成？工具、日志、约束、完成证明只改提示，不改环境
Loop重复运行能不能收敛？状态、验证器、预算、停止条件无限重试等于自动化
Graph多个循环会不会共同漂移？所有权、否决边、节奏、外部锚点局部指标全绿就是成功
Skill能力如何分层复用？手册、资料、脚本、素材、路由写成超长提示词一次塞满
MCP工具/数据如何标准化接入？tools/list、schema、结构化结果把 MCP 当成 Agent 社交协议
A2A / Card独立 Agent 如何发现与协作？Agent Card、Task、委托与推送用 A2A 替换掉一切 MCP 调用
协议层举一反三：MCP · A2A · Agent Card · Skill
先看“交互对象是什么”，再选协议。A2A 与 MCP 是互补，不是替代。
当前实践结论
外层 Agent 通过 MCP
knowledge_chat 调用知识能力时，应保留 MCP；先做上下文边界治理。等出现跨团队独立 Agent、长任务生命周期、Artifact 交付时，再加 A2A Adapter，而不是重写知识库。场景MCPA2A举一反三
外层调用知识查询适合过重角色像 Agent，协议仍是能力调用
工具 schema / 结构化结果核心不是重点像 function calling 的接入层
能力发现tools/listAgent Card菜单 vs 名片
Agent 间任务委托弱核心手 vs 社交
长任务取消/恢复/推送需另建原生支持短请求 vs 任务生命周期
跨团队/跨供应商 Agent有限更适合同进程工具 vs 对等协作
Agent ↔ 工具
MCP
连接工具、API、数据源；强调参数、schema、结构化结果。
类比：给 Agent 装上标准化的手Agent ↔ Agent
A2A
发现、协商、委托、共享任务与上下文；面向独立对等体。
类比：给 Agent 装上社交与协作协议公开身份
Agent Card
名片：名字、端点、skills、能力特性、认证方式。
类比：A2A 的发现入口，不是本地 SKILL.md推荐分层，而不是替换
外层 Agent ├─ MCP：短请求、确定性工具、knowledge_chat └─ A2A：长任务、异步协作、独立 Agent 委托 知识库 Agent └─ MCP：内部检索、HSCode、合规等业务工具 注意：A2A contextId → opaque knowledge_thread_id 不要继续直接暴露数据库整数 conversation_id
场景判断：该留 MCP 还是上 A2A？
当前得分 0/3
外层客服 Agent 调用内层知识库的 knowledge_chat：传入 message / conversation_id，返回答案。该用什么？
你需要让对方 Agent 通过公开名片发现“我会什么、端点在哪、怎么认证”。核心构件是？
出现跨团队独立部署、长任务取消/恢复、Artifact 交付时，更合理的演进是？
和相邻概念怎么挂
Tool Calling 是模型怎么开单；MCP 是工具从哪接进来；Skill 是宿主内如何分层复用流程；Agent Card / A2A 是独立 Agent 如何被发现并协作。换协议解决不了“鞋子和玻璃杯是否同一主题”这类上下文边界问题。
2
技术复现 Demo：亲手观察机制
Demo 复现的是技术机制本身。每个实验都改变可观察状态，并明确显示为什么成功、为什么失败、为什么停止。
01emerging
单次运行控制半径
Harness Lab
亲手拆掉或补回 Agent 的执行环境，观察它究竟卡在行动、观察、约束还是完成证明。
先切换开关，再运行。失败原因会停在第一个缺失能力。
02emerging
重复运行控制半径
Loop Lab
调整目标、迭代上限和预算，观察循环是真实收敛，还是在耗尽预算后诚实停下。
试着把预算设得比目标所需更小，看它如何报告预算耗尽。
03proposed
多循环治理控制半径
Graph Lab
复现“局部指标全绿但外部目标下跌”，再用外部锚点与否决边纠正互相冲突的循环。
默认状态会复现“局部仪表盘全绿、真实目标下跌”。再逐步接入锚点和否决边。
3
Skill：把能力做成可组合的分层手册
Skill 不是“很长的提示词”，而是一个节省上下文的分层执行系统：先路由，再加载流程，细节用到才读。
一句总纲
一个标准 Skill 真正必需的只有：一个独立目录 + `SKILL.md`。`references/`、`scripts/`、`assets/` 都是按需添加的可选资源，不是必需项。
最小形态 vs 推荐结构
最小 Skill
my-skill/ └── SKILL.md
完整推荐结构
my-skill/ ├── SKILL.md ├── agents/openai.yaml ├── scripts/ ├── references/ └── assets/
记忆口诀
`SKILL.md` 是操作手册，`references` 是资料库，`scripts` 是工具箱，`assets` 是原材料，Skill 仓库是把这些能力组合起来的工作系统。
三级加载：如何省上下文
第一级 · name + description
始终可见的轻量路由：这个 Skill 做什么、什么时候该触发。
第二级 · SKILL.md 正文
命中后才加载：执行顺序、判断分支、完成标准、何时读取其他文件。
第三级 · references / scripts / assets
某个任务分支需要时才读资料、跑脚本或使用模板，避免一次塞进全部知识。
内容该放哪里？动手分类
当前得分 0/4。先判断，再看解释。
“Agent 每次都必须先建立可复现的反馈循环，再提出假设。”
“只有用户问到 Stripe 退款时才需要阅读的退款政策细节。”
“把 JSONL 账本做 URL 规范化、内容指纹和 added/updated 判定。”
“生成课程时要复制并改写的单文件 HTML 模板。”
Skill 形态与触发方式
只有 SKILL.md
纯流程型
适合判断和文字流程
主流程稳定，分支查资料
流程 + Reference
如支付政策、术语表
判断 + 确定性自动化
流程 + Script
如诊断循环模板
Skill 定内容，模板给骨架
流程 + Asset
如向导、课件模板
不直接做工程，只指路
路由型 Skill
如 ask-matt / 总入口
多个 Skill 形成生产线
仓库级组合
grill → spec → tickets → implement
Matt 式工程生产线
想法
grill-with-docs
把模糊需求问透
规格
to-spec
写成可执行规格
拆分
to-tickets
变成可交付工单
实现
implement + tdd
按测试驱动推进
审查
code-review
对照标准验收
| 关系类型 | 例子 | 在 Lab 中的对应 |
|---|---|---|
| 调用关系 | implement 使用 tdd | 前沿追踪 Skill 调用账本脚本与课程渲染器 |
| 前后阶段 | to-spec → to-tickets | 发现核验 → 建图 → 技术复现 Demo → 学习反馈 |
| 共享知识 | 多个 Skill 共用 codebase-design | Harness / Loop / Graph 共用“控制半径”词汇 |
优秀 Skill 的标准
目标不是让每次输出完全相同，而是让 Agent 每次遵循相对可预测的过程。本 Lab 的 `track-ai-frontier` 正是按这个标准组织：入口流程在 `SKILL.md`，来源政策与课程规范按需读，账本与渲染脚本稳定执行。
4
判断手感：先训练注意力
不把直觉神秘化：先写下你看见的信号，再展开可观察的参考线索，把隐性判断桥接成显性知识。
先看失败落在哪一层
Agent 会写代码，却总要人类复制日志和截图才能继续。你先注意到什么？
先看问题是否跨轮出现
手动执行很顺，一到每周自动运行就重复修改、无限重试。你先注意到什么？
先看局部绿色是否背离真实目标
速度、质量分、成本指标都变绿，续费率却持续下降。你先注意到什么？
5
深入课程：同一路径的下一站
首页练「对比与复现」；基础馆把同一套控制半径拆成可通关章节。两边入口互通，章节也可直达。
6
一手来源
“Graph Engineering”当前标记为 proposed；来源支持定义，不等于证明行业已形成统一标准。
OpenAIemerging
Harness Engineering
Agent-first 团队如何设计可见环境、仓库知识、结构约束与反馈回路。
2026-02-11 · 打开原始来源 ↗IBMemerging
Loop Engineering
目标、行动、观察、调整，以及调度、状态、工具和人工门禁。
2026-07-17 · 打开原始来源 ↗Eigentproposed
Graph Engineering
多个反馈循环之间的权威、节奏、否决边与外部锚点；仍是单一组织提出的新标签。
2026-07-21 · 打开原始来源 ↗A2A Projectestablished
A2A and MCP
官方互补定位：MCP 连接工具与数据源，A2A 负责独立 Agent 间发现、任务协作与上下文交换。
持续更新 · 打开原始来源 ↗A2A Projectestablished
Agent Skills and Card
Agent Card 是公开能力名片；AgentSkill 描述可发现的具体能力、输入输出与示例。
持续更新 · 打开原始来源 ↗LangChainestablished
Workflows and agents
显式状态图、节点、边、条件路由和持久执行的 Work Graph。
持续更新 · 打开原始来源 ↗