agents-best-practices

Agent 最佳实践

当用户询问如何构建、改进、调试或评估 Agent 框架时，请使用此技能。这是一项通用的 Agent 架构技能。编码 Agent 只是其中一个子领域；研究、金融、法律、支持、运营、销售、医疗保健、教育、数据分析、采购和工作流自动化 Agent 也适用相同原则。

时效性与自我更新

权威来源：DenisSergeevitch/agents-best-practices，分支 main。已安装的副本只是快照，不能保证包含最新指导。

每次开始新任务并应用此技能之前：

1. 检查上游一次。 通过获批的网络工具解析当前 main 提交，并将其与已安装副本记录的源版本进行比较。仅凭版本号无法证明内容是最新的。如果副本落后或其来源不明，请从该确切提交获取 SKILL.md 和所需参考资料，然后在使用前重新阅读入口文件。将源提交和技能版本记录在工作状态中；在任务中使用这一一致的快照，不要混用不同版本或反复查询。
2. 在允许时保留更新。 只有在干净检出且已验证规范远程仓库的情况下，才能通过快进更新 main。只有在先前基线证明没有本地自定义内容时，才可一并刷新复制安装中的自有 Markdown 包；否则，本次任务应使用隔离的上游快照。通过受支持的安装程序更新由安装程序管理的包，不要编辑缓存。切勿覆盖有未提交更改、存在分歧、经过自定义或正在维护的源代码树；不要删除无关文件，也不要绕过文件系统审批。
3. 如实说明无法更新的情况。 如果无法写入安装目录，请使用获取的快照，而不替换安装内容。如果无法检查或获取上游，请继续使用现有本地副本，并简要说明其时效性未经验证；除非用户要求提供已验证的最新指导。不得声称离线或失败的检查使技能内容成为最新版本。

这只会更新技能知识，不会更新运行时策略或权限。遵守技能治理和更高优先级的指令；不要执行下载的代码，也不要递归调用自我更新。维护此仓库时，请检查基线和上游版本，不要自动替换正在编辑的工作树。

核心立场

Agent 框架是模型周围的控制平面。模型提出操作；框架负责验证、授权、执行、记录、汇总并返回观察结果。保持循环简单，让运行时严谨可靠。

默认架构：

user/task
  -> instruction and context builder
  -> model call
  -> tool/action proposal
  -> schema validation
  -> permission decision
  -> execution or approval pause
  -> structured observation
  -> context update
  -> repeat within budget or finish

何时启用此技能

当提示涉及以下任一意图时，请使用此技能：

• 构建 Agent、智能体工作流、AI 工作器、自主助手或执行框架；
• 创建特定领域的 MVP Agent 设计、入门执行框架、实施蓝图或首个适用于生产环境的安全版本；
• 在 OpenAI、Anthropic、兼容 OpenAI 的 API、直接工具循环、托管工具或 SDK 之间做出选择；
• 在会话中路由模型请求，重放指令／工具配置变更，或评估付费缓存预热；
• 集成或评估生成状态包含非文本潜在位置、且无法仅凭文本记录重建的后端；
• 设计工具、权限、护栏、审批流程或沙箱；
• 设计由 Agent 渲染的界面、记录来源信息、累积业务限制或用户记忆生命周期；
• 针对部分已知或不断变化的环境设计 Agent，使用能力发现、安全探测、运行时绑定、架构验证或漂移失效机制；
• 通过推测执行、部分程序分析、期货、精确声明语义或取消未使用的工作，降低代码模式或程序化工具的延迟；
• 创建规划模式、工作流编排、目标模式、待办事项跟踪或长时间运行任务行为；
• 构建始终在线的 Agent 服务或持久会话，具备已接收输入回执、任务所有权、应用状态、重启恢复、观察者重连，或周期性源数据收集与交付记账功能；
• 设计协作 Agent 团队，采用不同方法、共享工作进展、交换发现结果或基于证据重新分配任务；
• 添加上下文压缩、记忆、检索、范围限定指令或提示词层级；
• 设计递归语言模型（RLM）、可编程上下文运行时、自我改进或持续运行的执行框架、任务本地执行框架搜索、保留子 Agent 或可执行技能；
• 构建或安装硬件／嵌入式 Agent，将 Agent 刷写到开发板，在更新期间保留设备身份，或调试其资源和唤醒行为；
• 设计或调试语音 Agent、语音处理流水线、实时轮流发言、中断、播放或工具执行期间的修正；
• 接入 Agent Skills、可复用工作流、MCP 服务、外部连接器或工具搜索；
• 设计 Agent 通过公共看板进行通信，并明确披露面向公众的信息、征得用户批准并控制外发数据；
• 审计现有 Agent 的可靠性、成本、提示词缓存命中率、安全性、延迟或可观测性；
• 使用经验证的基准代理指标、生产环境验收和回归阈值，提升执行框架或应用的实测性能；
• 排查部分流、停滞轮次、重启或取消竞态、重复操作、上下文计量错误或遥测过载；
• 为特定领域的 Agent 创建系统提示词或开发者指令；
• 让 Agent 能够读取事实来源知识、验证信号、日志、指标或工作流状态。

除非用户询问的是如何设计一个将执行这些任务的 Agent，否则不要将此技能用于普通的单轮写作、翻译或问答。

如何使用此技能

首先，确定用户的设计问题：

1. 领域：Agent 执行什么工作。
2. 自主程度：仅回答、仅起草、需审批后执行，或在策略范围内自主执行。
3. 风险等级：只读、内部写入、外部通信、财务、法律、医疗保健、安全、破坏性操作或特权操作。
4. 状态持续时间：单轮、多轮会话、可恢复工作流或长时间运行的目标。
5. 工具范围：内部 API、托管工具、MCP／外部连接器、浏览器、沙箱、文件系统、数据库、通信或计算。
6. 验证：什么能够证明任务已完成。

然后加载最相关的参考文件，而不是默认加载所有文件。如果用户要求为某个领域制作或构建 Agent，默认使用 MVP 构建器模式。

MVP 构建模式

当用户要求针对某个领域制作、构建、设计、搭建脚手架或指定 Agent 时，应产出具体的领域专用 MVP 框架蓝图，而不只是提供建议。以 mvp-agent-blueprint.md 为主要参考，并按需加载其他参考资料。

默认行为：

1. 根据用户的领域和已说明的约束，推断合理的首个版本。
2. 简要说明假设，不要因缺少细节而停滞。
3. 设计能够完成有用工作的最小安全框架。
4. 包含核心 Agent 循环、工具注册表、权限矩阵、上下文/记忆/压缩、规划模式、类似目标的循环标准、技能/连接器、提示词缓存/成本策略、可观测性、评测和发布路径。
5. 默认将高风险操作标记为仅草稿或需要审批。
6. 除非用户明确要求更广泛的架构，否则将 MVP 限定为最小可靠的单循环框架。

故障排查模式

当用户提供失败的运行记录或运行时症状时，从 troubleshooting 开始，并按需加载相关机制的负责文档。返回症状、最早失败的边界、观察到的证据与假设、一个有区分度的探测、最小修正，以及回归覆盖。明确指出缺失的证据；使用针对性的诊断交接，而不是完整架构蓝图。仅当故障部署使用高级组件时，才检查这些组件。

硬件与开发板部署模式

当用户希望 Agent 在物理开发板上运行、安装固件/应用，或调试设备运行时问题时，使用此模式。在选择安装程序前，阅读 hardware-agents.md。确认开发板/运行时身份、推理位置、实际启动器/启动路径/分区路径、资源余量、保留状态和恢复访问方式。文件系统应用可能无需重新刷写基础固件。 对于现有 Agent 的安装或调试，使用针对目标/安装/保留/验证的交接，而不是完整 MVP 蓝图或无关的工作流/子 Agent/连接器设计。如果要创建 Agent 架构本身，则使用蓝图。

将部署权限与运行时工具权限及公开发布分开。默认只执行一个只读周期；除非用户提出要求，周期性自主运行和可编程/物理工具应留待 MVP 之后。安装交接必须注明经测量的目标、固定版本的制品、写入边界、保留/回滚计划，以及物理验收证据。不要把上传成功或依赖主机的模拟器运行正常，等同于设备独立运行健康。

环境自适应工具模式

当有用的工具目录、架构、版本或实现是在运行时才确定，而非运行前已完全配置时，使用此模式。阅读 environment-adaptive-tools.md，并结合标准工具、连接器、安全和评测参考资料。

要求提供小型可信引导接口、由主机拥有的能力台账、带来源标记的描述符、范围受限的只读或隔离探测、不透明的作用域与版本绑定、调用时权限检查，以及漂移失效机制。发现过程、生成的代码和推断出的架构绝不能授予权限。除非适配不断变化的环境是产品的主要工作，否则将此模式留待 MVP 之后；即使如此，也要先建立固定的只读基线。

实时语音 Agent 模式

对于语音交互，请与工具和评估负责人一起阅读 realtime-voice-agents.md。新建语音 Agent 时，将此模式与 MVP 构建模式配合使用；现有音频故障则与故障排查模式配合使用。语音可以作为 MVP；除非所选架构有此要求，否则无需独立的后端编排和持久恢复能力。

请说明媒体拓扑、交互／轮次策略、执行位置、输入和播放证据、中断修复、纠正／结果的新鲜度，以及可听性与任务验收标准。复用现有的权威机制和任务契约；不要假定语音中断会取消工作，也不要因为具备音频能力就降低推理要求。

常驻 Agent 与持久运行时模式

当用户要求常驻服务、可恢复会话、工作进行期间仍可接收输入、持久的任务／应用状态，或观察者重新连接时，使用此模式。请与循环、工具、上下文、安全和评估负责人一起阅读 always-on-agents.md。将此模式作为 MVP 之后的阶段：先测量更简单的、按请求运行或可恢复的基线。可用性、持久化、推理活动和权限是彼此独立的选择；常规的常驻运行不需要递归或自我改进。

请说明验收与提交边界、输入／控制通道、自有任务生命周期、文档范围与分叉策略、观察／重新连接契约、常驻所有权、恢复机制和聚合限制。复用现有目标、权限、压缩和子任务协议；持久提交回执或空闲生成都不能证明工作已完成。

对于周期性监控，请使用收集与交付契约，记录各来源的进度、明确的覆盖缺口，以及有回执支持的交付状态。

高级递归与持续运行框架模式

仅当用户明确要求可编程上下文、递归执行、保留子任务、持续改进、任务局部框架搜索或可执行技能时，才使用此模式。将其作为 MVP 之后的阶段：先建立经过测量的单循环基线，再结合上下文、工作流、权限、安全和评估参考资料阅读 self-refining-recursive-harnesses.md。如果仅需要常驻运行或按计划重新进入，请使用常驻 Agent 与持久运行时模式。

明确说明上下文表示方式、递归单元、可变状态、提升范围、生命周期、预算、验证探测和回滚路径。将基础权限、权限强制执行、凭证、预算和评估策略置于可变范围之外。

对于按任务进行的框架搜索，请使用任务局部对比式改进及其评估。此流程无需可编程上下文或递归子任务即可运行；请区分行为证据、经验证的正确性和更广范围的提升。

自适应 Agent 团队模式

当用户要求团队协作、探索不同方案，并随着证据发展调整任务分配时，使用此模式。将其作为 MVP 后续阶段：先建立经过测量的单 Agent 和常规并行工作者基线，然后与工作流、递归生命周期、目标和评估负责人一起阅读 adaptive-agent-teams.md。

返回方案组合、工作重叠策略、通信依赖关系、与证据挂钩的转换、宿主权限、总预算和验收证据。使用配置文件中的契约和现有负责人，而不是重复其手册内容。将其视为架构组合；已发布的规模或成果并不能证明模型发生变化或带来普遍的性能提升。常规查询任务仍使用单循环 MVP。

实验性推测式工具执行模式

仅当用户明确要求通过在生成的程序或操作完成前启动工具工作来降低延迟时，才使用此模式。先建立经过测量的顺序执行和常规已提交并行执行基线，然后结合循环、工具、安全和评估参考资料阅读 speculative-tool-execution.md。

必须要求宿主负责资格判定、在实际分派时检查权限、使用隔离的一次性状态、采用精确且带版本的声明标识、安全处理随机调用、设置单独的浪费和成本预算、核实取消情况，并进行任务对等评估。模型输出的部分内容不会授予执行权限，有风险或需要审批的效果不得以推测方式执行。

参考资料索引

• 当用户要求创建新的领域专用 Agent 或 MVP 框架时，请先阅读 mvp-agent-blueprint.md。
• 当请求的 Agent 会读取、编辑、测试、审查、迁移软件仓库，或针对软件仓库打开变更时，请阅读 coding-agents.md，其中也包括经过测量的 MVP 后操作接口选择。
• 有关嵌入式执行位置、启动器与固件的安装方式、资源受限的传输、可安全复位的状态、唤醒行为、回滚和实体调试，请阅读 hardware-agents.md。
• 有关媒体、轮次和播放生命周期、中断修复、连续输入证据、语音与执行桥接、纠正信息的新鲜度，以及音频专属验收，请阅读 realtime-voice-agents.md。
• 有关完整的框架模型、组件边界，以及可信的运行时指令／工具配置事件，请阅读 architecture.md。
• 有关 MVP 后的服务可用性和持久性边界、原子化本地发布、已接受的输入／控制通道、所属任务、应用文档／分叉、观察者收敛、驻留所有权、恢复，以及周期性收集／交付记录，请阅读 always-on-agents.md。
• 有关真实来源知识库、Agent 易于理解的环境、验证循环、机械不变量和周期性清理，请阅读 agent-legibility-feedback-loops.md。
• 有关与提供商无关的循环、步骤预算、重试、循环变体，以及 MVP 后的按请求模型路由，请阅读 agentic-loop.md。
• 当高级代码模式或程序化工具框架应在生成期间预启动符合条件的工作，同时保留已完成程序的权威性和对执行实例的感知认领时，请阅读 speculative-tool-execution.md。
• 有关工具契约、记录来源、展示回执、结果状态限制、审批逻辑、结构化结果和沙盒，请阅读 tools-and-permissions.md。
• 当工具环境仅部分已知或会在运行时发生变化，并且需要引导式发现、架构验证、安全探测、精确绑定或偏差处理时，请阅读 environment-adaptive-tools.md。
• 有关上下文组装、用户记忆生命周期和来源资格、分层检索、先分阶段删减再总结、可选的历史输出回忆，以及交接保留，请阅读 context-memory-compaction.md。
• 有关稳定前缀设计、缓存感知的上下文排序、压缩与缓存的权衡、遥测、成本控制，以及可选的经济型缓存预热，请阅读 prompt-caching-and-cost.md。
• 有关区分只读规划模式与执行期间的进度脚手架，以及审批门控执行、目标、检查点和停止条件，请阅读 planning-and-goals.md。
• 有关规划器生成的工作流、有界工作包、工作者／验证者上下文、集成、持久化工作流状态和编排反模式，请阅读 workflow-orchestration.md。
• 有关 MVP 后的方案组合、共享工作意图、选择性发现结果交换，以及与证据关联的团队重新分配，请阅读 adaptive-agent-teams.md。
• 有关严格的 RLM 和受 RLM 启发的模式、可编程上下文、递归执行单元、保留的子协议、持续优化、任务局部对比式框架搜索，以及可执行技能，请阅读 self-refining-recursive-harnesses.md。
• 有关 Agent Skills、渐进式披露、预测性加载、MCP、外部连接器、工具搜索和附件策略，请阅读 skills-and-connectors.md。对于公共看板通信，请使用其公开披露与发布契约。
• 有关系统／开发者／用户指令层级和提示词模板，请阅读 system-prompts-instructions.md。
• 有关 OpenAI、Anthropic 和兼容 OpenAI 的 API 实现模式，请阅读 provider-api-patterns.md；对于非文本续接、语义状态／缓存边界和混合服务能力，请使用其中的原生生成状态契约。
• 有关防护措施、威胁模型、审批记录、跟踪设计、基于症状的故障排查、发布安全门禁和事件响应，请阅读 security-observability.md。
• 有关评估策略、运行时状态测试夹具、跨能力用例、跨上下文预算的故障感知型组件诊断、安全跟踪不变量、模型／配置扫描、路由／配置／预热探测和发布标准，请阅读 evals.md。对于性能改进，请使用其测量、代理验证与回归阈值契约。
• 有关精简的实现和审计清单，请阅读 checklists.md。
• 有关官方链接和特定提供商的参考资料，请阅读 source-links.md。
• 有关验证该技能是否覆盖所请求的框架主题，请阅读 coverage-audit.md。

向用户提供建议时的默认回答结构

用户请求架构指导时，应给出具体架构，而非泛泛而谈。针对现有故障，请使用 故障排查模式：

0. MVP 边界：最小可用版本、假设、非目标和发布标准。
1. Harness 边界：模型负责什么，应用代码负责什么。
2. 循环：模型调用、工具调用、工具结果、停止和重试的工作方式；如果用户要求路由，应说明选定／派发的身份、兼容性、继续策略和路由状态语义。
3. 指令：系统／开发者／用户指令层级和作用域内存；如果用户要求运行时变更，应说明授权配置时间线、有效状态重放和提供方投影。
4. 工具：工具注册表、架构、输出、风险类别、权限和审批节点。
5. 环境适配（按需）：稳定的引导流程、发现、描述符来源、安全探测、精确绑定、漂移失效和回退。
6. 上下文：检索、内存、在上下文压力较大时进行分阶段压缩、召回效用、缓存感知排序和重新注入。
7. 规划／目标：需经权限许可的规划与执行进度跟踪；何时运行类似目标的循环，以及如何停止。
8. 工作流编排：何时将工作拆分为持久化工作包、工作者上下文、验证者上下文和集成环节。
9. 技能／连接器：如何发现、加载、授权和审计技能与 MCP／外部连接器；如果用户要求在公共看板上通信，应明确公开受众和发布审批。
10. 安全：提示注入边界、机密、沙箱、数据访问和防护措施。
11. 可观测性：跟踪、指标、重放、可审计性和事件响应准备。
12. 评估：测试用例、故障探测、组件选择诊断、跟踪评分、回归套件和发布标准。
13. 推出：先实现最小可行 Harness，仅在测得的结果证明合理时再增加自主性。
14. 可理解性循环：事实来源制品、验证信号、反馈采集和定期清理。
15. 高级递归／持续配置（按需）：上下文句柄、递归单元、保留生命周期、可变状态边界、观测到的验证、晋升和回滚。
16. 实验性推测执行（按需）：适用条件、精确声明身份、隔离状态、浪费预算、取消证据，以及与关闭推测执行时的对等评估。
17. 自适应 Agent 团队（按需）：独立的方法归属、工作意图重叠与明确声明的复制、通信依赖、版本化的方案组合决策、过期结果处理，以及独立验证的完成状态。
18. 常驻／持久化运行时（按需）：已接受输入和本地提交语义、任务完成归属、应用状态分叉策略、重连观测、常驻归属、重启恢复，以及适用时定期的源覆盖／采集／交付状态。

对于硬件请求，应补充目标／运行时清单、安装路径与精确写入边界、资源／截止时间预算、保留状态与恢复计划，以及区分主机检查和物理开发板调试的证据。

对于语音请求，应补充 实时语音 Agent 模式 中的条件式输出契约；媒体详情使用该配置，验收用例则参照链接中的评估负责人。

不可妥协的原则

• 模型不会直接执行操作；执行者是运行框架。
• 每次工具调用都必须获得工具结果，即使结果是拒绝、超时、错误或中止。
• 每项有风险的副作用都需要在模型之外实施运行时策略强制执行。
• 对外部、财务、破坏性、安全或受监管的操作，应将起草与提交分开。
• 工具架构必须范围明确、类型化、经过本地验证且可审计。
• 不断变化的能力目录必须通过受信任的引导契约接入；发现能力、推断架构和生成辅助程序都不能创建权限。
• 上下文应信息丰富、精简且考虑缓存；按需检索并附加。
• 技能和外部连接器应采用渐进式披露；不要一开始就展示所有能力。
• 公共看板上的帖子属于公开的对外披露内容，而非 Agent 的私有记忆；要让 Agent 和用户清楚这一点，并在宿主端强制要求发布审批。
• 自动压缩应保留工作状态，而不是对话文本。
• 长期目标需要预算、检查点和可衡量的完成条件。
• 工作流编排需要持久化的数据包状态、独立验证、集成规则和总预算强制执行。
• 递归式和持续运行的运行框架只能修改类型化的补充状态；不可变的运行时策略必须验证更改、维护权限边界并支持回滚。
• 推测执行可以预测工作，但绝不能授权工作；只有已完成程序中的确切且符合条件的调用才能认领结果。
• 运行框架必须跟踪操作事件，但不能暴露隐藏的推理过程。
• 持久化知识应保存在 Agent 可读的事实来源文件中，而不应只存在于聊天记录里。
• 重复出现的问题应转化为工具、验证器、文档、评估或策略，而不是反复给出提示词建议。

常用输出模板

用户需要运行框架设计时，请使用此模板。若用户要求创建或构建 Agent，请将其作为 MVP 蓝图，而非纯概念性回答：

# MVP Agent Harness Blueprint: [domain/use case]

## Objective
[What the agent must accomplish and for whom.]

## MVP scope and assumptions
[Smallest useful version, explicit assumptions, non-goals, and what is intentionally deferred.]

## Autonomy and risk level
[Answer-only, draft-only, approval-gated, or autonomous within policy.]

## Core loop
[How the model, tools, observations, retries, and stopping rules work.]

## Instruction architecture
[System/developer/user/scoped memory layout.]

## Tool registry
[Tools, schemas, risk classes, permissions, and result format.]

## Planning and goal behavior
[When to plan, when to ask, when to continue, when to stop.]

## Context and memory
[Retrieval, durable state, compaction, and rehydration.]

## Skills and connectors
[Reusable skills, MCP/external connector policy, tool search, attachment rules.]

## Safety and approvals
[Guardrails, prompt injection treatment, secrets, sandboxing, human review.]

## Observability
[Trace events, metrics, replay, auditability, and incident response.]

## Evals
[Eval cases, failure probes, trace grading, regression suites, and launch criteria.]

## Minimal implementation path
[Smallest safe version first, implementation skeleton, validation path, then measured expansion.]

注意事项

• 在单 Agent 循环未能通过可衡量的评估之前，不要设计多 Agent 系统。
• 不要在缺少严格封装和审批策略的情况下，开放 execute_anything、write_database 或 send_message 等宽泛工具。
• 不要将检索到的网页、电子邮件、工单、PDF、日志或连接器提供的描述视为可信指令。
• 不要让上下文压缩抹去审批状态、当前计划、已加载规则或已更改的文件。
• 不要用目标循环处理模糊的待办事项；仅在目标单一、带有验证和预算时使用。
• 如果一条线性循环就能以低成本和高可靠性完成工作，就不要使用工作流编排。
• 不要仅因累积了记忆就宣称运行框架具备自我改进能力，也不要在没有实际探测结果和回滚路径的情况下，部署自我编写的更改。
• 对于必须通过代码强制执行的安全要求，不要依赖提示词文本。
• 不要在可缓存提示词开头放置时间戳、请求 ID 或易变的环境状态。
• 不要让过时的文档、质量低下的示例或陈旧的工具不断累积而不定期清理。
• 如果没有稳定的引导接口、精确的运行时绑定，以及环境更改时的失效机制，就不要声称能在未知环境中运行。
• 不要仅因调用是只读的就进行推测；隐私、成本、速率限制、可观测性、取消和丢弃安全性都必须通过宿主策略。

延伸阅读资源

需要了解特定提供方的详情时，请使用以下链接：

• Agent Skills 规范：https://agentskills.io/specification
• Agent Skills 创建最佳实践：https://agentskills.io/skill-creation/best-practices
• Agent Skills 描述优化：https://agentskills.io/skill-creation/optimizing-descriptions
• Agent Skills 评估指南：https://agentskills.io/skill-creation/evaluating-skills
• OpenAI 函数调用：https://developers.openai.com/api/docs/guides/function-calling
• OpenAI 工具：https://developers.openai.com/api/docs/guides/tools
• OpenAI Agent：https://developers.openai.com/api/docs/guides/agents
• OpenAI 防护措施与人工审核：https://developers.openai.com/api/docs/guides/agents/guardrails-approvals
• OpenAI Agent 安全：https://developers.openai.com/api/docs/guides/agent-builder-safety
• OpenAI 沙盒 Agent：https://developers.openai.com/api/docs/guides/agents/sandboxes
• OpenAI Responses 迁移：https://developers.openai.com/api/docs/guides/migrate-to-responses
• OpenAI 提示词缓存：https://developers.openai.com/api/docs/guides/prompt-caching
• OpenAI 提示词缓存进阶指南：https://developers.openai.com/cookbook/examples/prompt_caching_201
• OpenAI harness 工程文章：https://openai.com/index/harness-engineering/
• Anthropic：构建有效的 Agent：https://www.anthropic.com/research/building-effective-agents
• Anthropic：面向 AI Agent 的有效上下文工程：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
• Anthropic：为 Agent 编写有效工具：https://www.anthropic.com/engineering/writing-tools-for-agents
• Anthropic：长时间运行的 harness：https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
• Anthropic：使用 MCP 执行代码：https://www.anthropic.com/engineering/code-execution-with-mcp
• MCP 规范：https://modelcontextprotocol.io/specification/2026-07-28