Agent开发笔记（4）Code Agent 的 Sandbox 和 Tool Permission
在 Eval Harness 之后，我继续给 Mini Agent Harness 加上工具风险等级、命令策略、项目目录沙箱、approval 中断点和安全 eval，让 Code Agent 的行动变得可控、可审计、可评测。
归档
Agent开发中的常见问题
从 Agent 应用开发角度看，最需要优先考虑的几类安全和工程问题：过度代理能力、提示注入、不当输出处理和敏感信息泄露。
Agent开发笔记（3）从Agent Eval看为什么llm和harness是共同优化的整体
在 Mini Agent Harness 基础上，我做了一个最小 Agent Eval Harness，用任务集、trace、规则评测和失败归因来判断 Agent 改动之后到底有没有变好。
Agent开发笔记（2）从 Agent Loop 到 Mini Agent Harness
在最小 Agent Loop 基础上，我继续加入了结构化 trace、trace 回放、统一工具错误、错误恢复提示和初版上下文压缩，开始理解 Agent Harness 真正要解决的问题。
Agent Tracing：理解 Agent 执行过程的可观测性
Agent workflow 不再只是一次模型调用，而是一条由模型生成、工具调用、上下文更新、guardrail 和 handoff 组成的执行链路。Tracing 可以把这条链路记录成可观察、可调试的执行轨迹。
Function Calling
学习 Function calling 时整理的一些笔记，包括函数定义、namespace、最佳实践、tool choice、并行调用、严格模式和 streaming。
Agent开发笔记（1）我第一次手写 Agent Loop 遇到的问题
不用 LangChain，手写了一个最小 Agent Loop。目标并不复杂，只支持 3 个工具： read_file(path) write_file(path, content) run_shell(command) 然后让模型自己决定什么时候调用工具，什么时候直接回答用户。 真正写起来之后，我发现 Agent Loop 和普通 Chatbot 的区别，比我原来想得更大。普通 Chatbot 更像是“一问一答”，而 Agent Loop 更像是“模型决策一次，程序执行一次，再把结果反馈回去继续决策”的循环。 ...
MCP Server
MCP Server 是通过标准化的协议接口，向 AI 应用提供特定功能的程序，常见的包括文件系统服务器、GitHub 服务器等。 核心功能主要包含三类 Tools：AI 应用可以根据用户请求主动决定调用这些功能，实现类似于向数据库写数据、调用外部 API、修改文件等操作。 Resources：被动型的数据源，提供只读的访问权限，用来获取文件内容等。 Prompts：预先构建好的指令模板，用来指导 AI 使用特定工具和资源来完成任务（MCP Server 官方说明书）。 MCP 使用 JSON Schema 来进行验证，每个工具只执行一项操作，输入和输出都是明确定义的。 ...