《AI Agent 开发入门》13.3 协作模式对照
把同一批假模型 worker 组织成顺序（pipeline）、辩论（debate）、投票（voting）三种协作拓扑，完成同一个质数判断任务，真跑并量化对比步数、模型调用次数、总耗时与结果一致性，给出实测表格。再给一张决策表，说明什么任务适合哪种拓扑，以及为什么「能用顺序解决的就别上辩论与投票」。
category
Agent
共 150 篇文章。
《AI Agent 开发入门》13.2 消息总线与共享状态
用进程内消息总线连接多个 Agent：MessageBus 提供 publish/subscribe/history，SharedState 是带 asyncio.Lock 的共享字典。讨论「消息传递」与「共享内存」两种协作范式的取舍与坑（竞态、顺序、可观测性），并用 asyncio 真跑两个 worker 通过总线交换消息协作完成一件事，以及共享计数器在无锁下丢更新、加锁后正确的对照实验。
《AI Agent 开发入门》13.1 角色与分工
把单个 Agent 拆成 supervisor 与 worker：Worker 是一个带专用 system 提示与工具子集的 Agent（检索员、计算员），Supervisor 负责把目标拆成子任务、派给合适的 worker 并汇总结果。用假模型脚本化一次路由决策，真跑「拆成子任务、各自执行、汇总」的完整流程并打印派发与回收，给出单 Agent 与 supervisor-worker 的取舍表。
《AI Agent 高级编程》5.3 读 Claude Agent SDK：subagent 与 hook 调度（含 TS SDK 对照）
打开本机 claude-agent-sdk 0.2.165 源码读 subagent 与 hook 调度：subagent 是 asdict 后的 AgentDefinition 随 initialize 送到 CLI，hook 注册成 callback_id，由 CLI 反向发 control_request 回调 Python。附 inspect 核对与 TS SDK 对照。
《AI Agent 高级编程》5.2 读 PydanticAI：run 循环与重试调用链
打开本机 pydantic-ai 2.55.0 源码读 run 循环：Agent 不是 while，而是 GraphBuilder 拼出的状态机（UserPromptNode→ModelRequestNode→CallToolsNode）。结构化输出校验失败抛 ModelRetry，_build_retry_node 造一个带 RetryPromptPart 的新请求节点。附真实重试调用链。
《AI Agent 高级编程》5.1 读 LangGraph：图执行器与检查点机制
打开本机 langgraph 1.2.14 的源码读图执行器：StateGraph.compile 产出 CompiledStateGraph，PregelLoop 的 tick/after_tick 一轮就是一次超步，超步之间只做通道合并；每个超步结束调用 _put_checkpoint，检查点按 thread_id 落进 Checkpointer。
《AI Agent 工程实战》12.3 CI 质量门：分数下降即拦截
评测跑完只打印一张表，不会拦住任何东西。本节把评测变成质量门：与基线比对，总体指标掉超阈值、或某条样本由 PASS 变 FAIL，就让流水线 exit 1。真跑先验证「与基线持平」退出码 0，再注入「关掉引用产出」的退化使质量门失败退出码 1，打印逐样本差异，最后给出 GitHub Actions 接入形态（注明未在本机执行）。
《AI Agent 工程实战》12.2 离线回放与夹具：假模型 + 录制样本确定性回归
CI 里调真模型不确定、要钱、要网络、会限流。本节把一次模型交互的请求与响应存成夹具，回放时按请求指纹匹配取响应：本机按 Anthropic Messages API 结构手工构造三条夹具真跑一遍完整 run，连跑两次逐字一致；再改问题制造夹具失配，验证回放器报错而非静默给错响应，最后给出夹具的存放与更新流程。
《AI Agent 工程实战》12.1 评测集与评分器：成功率/引用准确率/成本
本节给 ResearchCopilot 建一个可版本化的评测集：JSON 存问题、期望要点与必须引用的来源，配套「加样本写理由、改期望留痕」的维护纪律；实现成功率、引用准确率、成本三个评分器，对 10 条样本真跑并打印逐条得分与汇总，最后给出自动打分与人工评审的分界表。
《AI Agent 开发入门》12.3 人类在环
有些节点不能全自动——发送邮件、扣款、删数据这类高风险且不可逆的操作，必须停下来等人点头。本节给图引擎加上人在环：用 interrupt_before 标记「执行前必须暂停」的节点，run 返回暂停点与待决策 state，人用 approve/reject/modify 决策后经 resume 继续。用假模型真跑「敏感工具调用前暂停→人批准→继续」，并给出哪些节点该设人工审批的判据。
《AI Agent 开发入门》12.2 分支、合并与循环
12.1 的图是一条直线，每步只有一个后继。真实流程有分叉、汇合与回炉。本节把单后继引擎升级为波次执行：一批节点同波运行，各自触发下游再去重汇合。讲清条件边（按 state 字段走不同分支）、fan-out/fan-in（一个节点触发多个下游再合并）与带退出条件的循环边，并用假模型真跑「生成→校验→不合格回炉」的循环，打印每轮迭代、收敛与撞上限两种结局。
《AI Agent 开发入门》12.1 状态机式编排
循环式 Agent 适合开放式任务，但固定流程需要显式结构。本节手写 minagent 的最小图引擎：Node（名字加一个函数）、Edge（源到目标、可带条件）、Graph（add_node/add_edge/set_entry/run），节点间用 dict 状态传递数据。用假模型真跑一条分类→检索→综合的三节点线性链，打印每个节点的进出 state，并给出图编排与循环式 Agent 的取舍表。
《AI Agent 高级编程》4.3 三框架同题对照：同评测集比分数与成本
同一道检索任务、同一份确定性假模型，把 PydanticAI、smolagents 与卷一 minagent 拉到一起真跑横向对照：量出步数、工具调用次数、代码行数与可测性，并给出 token 与延迟的成本估算口径，最后落成一张可复用的选型决策表。
《AI Agent 高级编程》4.2 smolagents：CodeAgent「代码即行动」重写子任务
smolagents 的 CodeAgent 让模型直接写 Python 代码来行动，而不是吐结构化工具调用。本节现场核对 1.26.0 的 API，用本地假模型驱动 CodeAgent 离线真跑，并实测 CodeAgent 与 ToolCallingAgent 在工具可见性上的差别。
《AI Agent 高级编程》4.1 OpenAI Agents SDK：handoff/guardrails/tracing 实现委派
OpenAI Agents SDK 用三个原语组织 Agent：handoff 委派、guardrails 护栏、tracing 追踪。本节现场核对 0.23.1 的 API 表面，离线跑通护栏函数与 span 捕获，并和卷一 minagent 的 supervisor/worker 模式逐一对照。
《AI Agent 工程实战》11.3 记忆治理：TTL、隐私与按用户删除
记忆是用户数据，写进来容易，管起来难。本节讲三件治理：用 TTL 让该过期的记忆自动清掉，用隐私分级和写入侧拒绝清单把密钥、卡号、证件号、健康信息挡在库外，用按用户级联删除让「删除我的数据」真的删干净并留下审计。真连本机 Postgres 跑一次完整的删除流程。
《AI Agent 工程实战》11.2 检索注入：长期记忆接入 run 并量化收益
记忆写进来不等于用得上。本节把长期记忆接进一次 run：检索、排序、按 token 预算截断、再注入，并讲清 system、首条 user、工具返回三种注入位置对模型注意力的影响。最后用一个 10 题的评测小集真跑对照，量化「不注入」与「注入」的得分差。
《AI Agent 工程实战》11.1 写入流水线：抽取、去重、冲突消解
卷一讲了记忆「怎么读」，本节讲记忆「怎么存」做成一条服务：从对话里抽取候选记忆，用文本归一化和向量相似度两档去重，再用时间戳加保留历史加标记取代来消解冲突。我们真连本机 Postgres 把 5 条候选走完整条流水线，验证同一条对话重放两次不产生重复记忆。
《AI Agent 开发入门》11.3 重规划
执行中某步失败或结果不满足预期时，把「已完成的子任务 + 失败点 + 观察」喂回模型产出新计划：可复用已完成的、替换失败的、追加补救的。给出 replan 实现与 seed 复用机制，用假模型脚本化「原计划第 2 步失败→重规划出替代路径→完成」，真跑打印两版计划对比，并给出何时重规划、何时直接失败上报的决策清单。
《AI Agent 开发入门》11.2 计划执行器
计划执行器按分层拓扑序执行 DAG：同一层的无依赖任务用 ThreadPoolExecutor 并行、层间串行，每个 Task 调一次 Agent 或直接调工具，前序产物作为后序输入；某任务失败时依赖它的任务标为 skipped。真跑对比并行 0.92s 与串行 1.32s，并打印每个任务的状态与产物。