路线定位 这不是一套面向算法工程师的纯理论课程，也不是一份“学会调用几个框架 API”的开发教程，而是一套面向 Agent Harness 产品经理 的系统学习路线：补齐 LLM 与 Agent 底层认知，深入 Harness、工具、上下文、记忆、评测、安全和运行时机制，最终能够独立完成 Agent 产品定义、技术方案判断、原型验证和产品化落地。
针对陈琨的定制原则 结合 个人经历，当前优势是手边有大量一线实践素材和真实场景（国际机票 Agent、Pi / DeepSeek Harness / Codex / Claude Code 四份 Harness 拆解、MCP 工具面等）——但这些拆解多是借助 AI 完成的，产出不等于掌握，概念根基仍需系统补齐。后续学习重点应当是：
- 系统补基础：把零散经验还原为完整知识树，避免只熟悉具体产品而缺少通用理论。
- 建立可迁移判断力：能解释不同模型、框架、Runtime 与 Harness 的取舍，而不是只会复述某个项目实现。
- 加强评测与治理：从“把 Agent 做出来”升级到“证明它可靠、可控、可运营”。
- 产品化表达：将技术机制翻译为用户价值、产品边界、交互方案、指标体系和商业化判断。
- 形成公开作品：每一阶段都沉淀可展示的文章、图谱、Demo 或产品方案，服务 Agent Harness 产品方向求职与长期发展。
本路线的学习材料按阶段分目录存放。每个阶段一份讲义（知识骨架 + 常见误区 + 外部一手资料）和一份实践（可执行步骤 + 验收标准 + 自测）。
两份跨阶段材料先看这两个
- 术语表 — Agent 与 Harness 核心词汇：九组易混词的边界与判别问句，每阶段结束回来修订一次
- 资料索引 — 外部权威资料清单：按阶段归类的一手来源，含 MCP / A2A / OTel 的当前状态与可信度分级
| 阶段 | 讲义 | 实践 |
|---|---|---|
| 0 · 能力盘点与统一词汇 | 从模型到 Agent 产品的四层分工 | 能力盘点与分层图 |
| 1 · LLM 基础 | 产品经理需要理解的 LLM 原理 | 三个可复现的模型行为实验 |
| 2 · 模型 API 与结构化交互 | 消息契约、结构化输出与调用经济学 | 国际机票需求抽取 Schema |
| 3 · RAG 与上下文工程 | 检索链路与上下文工程四动作 | 召回对比与错误上下文注入 |
| 4 · Agent 基础与 Agent Loop | Agent Loop 解剖 | 手写一个最小 Agent Loop |
| 5 · Tool Use、MCP 与 Skills | 工具契约、MCP 与 Skills | 15 个 MCP 工具的粒度重审 |
| 6 · Harness 内核架构 | Harness 内核的九个部件 | 四种 Harness 同构能力对照 |
| 7 · Runtime 与生命周期 | 持久执行、会话生命周期与打包分发 | 桌面 Harness 生命周期设计 |
| 8 · Memory 与长期知识 | 四层记忆与写入门槛 | 记忆冲突与知识边界地图 |
| 9 · Planning 与 Multi-Agent | 规划、委派与多 Agent 编排 | 单 Agent 与 Planner-Executor 对比 |
| 10 · Evaluation 与可观测性 | 如何证明一个 Agent 可靠 | 30 条最小评测集 |
| 11 · 安全、权限与人机治理 | Agent 安全的四层防线 | 风险分级、授权矩阵与注入演练 |
| 12 · Agent 产品设计与体验 | Agent 产品设计与交互模式 | Agent 状态图与指标体系 |
| 13 · 产品化、组织落地与商业化 | 从 Demo 到平台 | 成熟度模型与路线机会分析 |
| 14 · 综合项目与作品集 | 两个综合项目的评审标准 | 作品集交付模板 |
讲义与实践的分工 讲义不重复外部文章能讲的内容，只做三件事：给出这一层的知识骨架、指出最容易混用的边界、把本仓已有的四份 Harness 拆解与外部一手资料挂到对应位置。实践把路线图里一行的「最小实践」展开成可执行的步骤、记录模板与验收标准，并尽量绑定真实素材（国际机票 Agent、Pi 桌面端、本仓知识基建、vfticket CLI）。
完成本路线后，应能回答并实践以下问题：
每个模块都采用同一套五步循环：
学习深度标准 对数学公式以“能解释机制和产品影响”为主，不要求推导模型训练算法；对代码以“能阅读、修改最小样例、与研发讨论方案”为主，不以成为全职算法或基础设施工程师为目标。
用好已有拆解产出 各阶段“已有资料”引用的 Pi / DeepSeek Harness / Codex / Claude Code 教程等，多是此前借助 AI 完成的拆解——当初产出不等于已经掌握。以学习者身份重读它们，并用「阶段性自测」校准每个阶段该投入的深度：自测用来校准深度，不用来决定跳过。
Claude Code 拆解的证据边界 Claude Code Harness 深度教程基于 2026-03-31 的外部版 Sourcemap 快照，并用本机 2.1.241 运行痕迹交叉验证。迁移结论时要区分源码事实、运行实测与合理推断；快照中的精确数量、Feature Gate 和被 DCE 删除模块，不应写成 Claude Code 永久公开契约或行业标准。
产出量控制 五项全做 × 14 个阶段在 16～24 周内并不现实。每个阶段标注了一项「⭐ 最小产出」作为底线——时间不足时只做这一项，其余按余力补齐，不要因为凑产出而拖慢主线。
目标：先建立地图，解决“熟悉很多产品，但概念边界可能混用”的问题。
⭐ 最小产出：一张“模型 → Agent → Harness → Agent 产品”分层图
本阶段材料：讲义 · 实践
目标：建立足以支撑产品决策的模型底层认知，不再把模型视为黑盒 API。
⭐ 最小产出：《产品经理真正需要理解的 LLM 原理》
本阶段材料：讲义 · 实践
与「学习优先级」对齐：以下内容达到“能与算法同学对话”即可，不作为本阶段验收标准。
目标：理解 LLM 应用最基础的输入输出契约，为 Agent Tool Use 打地基。
⭐ 最小产出：为国际机票需求抽取任务设计一套结构化输出 Schema
本阶段材料：讲义 · 实践
目标：理解“把正确的信息放进模型上下文”比单纯优化 Prompt 更重要。
⭐ 最小产出：构造一次错误召回实验，观察错误上下文如何诱发错误答案
本阶段材料：讲义 · 实践
与阶段 8（Memory）的分工 本阶段解决单次请求内的上下文供给（检索、组装、压缩）；跨会话的连续性（会话历史、长期记忆）在 阶段 8 展开。两者同属“往窗口里放什么”这一个问题，学习时注意衔接、避免重复展开。
目标：理解 Agent 不是“更会聊天的模型”，而是模型在环境中的循环决策系统。
⭐ 最小产出：不使用 Agent Framework，手写一个最小 Agent Loop 并记录完整轨迹
本阶段材料：讲义 · 实践
目标：掌握 Agent 如何获得“手脚”和领域能力，以及工具面为什么决定产品上限。
⭐ 最小产出：国际机票 Agent 15 个 MCP 工具的粒度与命名重审报告
本阶段材料：讲义 · 实践
目标：从会用 Agent 上升到能定义和比较 Agent Harness 的内核架构。
⭐ 最小产出：Pi、DeepSeek Harness、Codex 与 Claude Code 的四方同构能力对照图
本阶段材料：讲义 · 实践
目标：理解 Harness 如何作为可安装、可恢复、可升级的产品长期运行——这是内核架构之外，产品化 Harness 的另一半。
⭐ 最小产出：桌面 Harness 的启动、自检、升级、失败回滚完整生命周期设计
本阶段材料：讲义 · 实践
目标：区分“模型上下文、会话历史、长期记忆和知识库”，理解跨会话连续性的真实实现。
⭐ 最小产出：Vault、Wiki、GBrain、Session Log 和模型上下文的关系图
本阶段材料：讲义 · 实践
与阶段 3 的分工 阶段 3 解决单次请求内的上下文供给，本阶段解决跨会话的连续性——同一个问题的两半。进入本阶段前先重读阶段 3 的笔记。
目标：理解复杂任务如何拆解、委派和收敛，避免为了“多 Agent”而多 Agent。
⭐ 最小产出：同一任务下单 Agent 与 Planner + Executor 的对比实验记录
本阶段材料：讲义 · 实践
目标：从“感觉效果不错”升级为“能够量化证明 Agent 是否可靠”。
⭐ 最小产出：国际机票 Agent 的 30 条最小评测集
本阶段材料：讲义 · 实践
目标：理解 Agent 的风险来自“模型可以行动”，而不只是“模型可能答错”。
⭐ 最小产出：Agent 工具的风险分级和授权矩阵
本阶段材料：讲义 · 实践
目标：把技术能力翻译为普通用户能够理解、信任并持续使用的产品。
⭐ 最小产出：Agent 完整状态图（等待、思考、调用工具、需确认、成功、部分成功、失败）
本阶段材料：讲义 · 实践
订票 Agent 的完整产品定义（用户任务、能力边界、自主等级）不在此处重复做，统一收敛到 阶段 14 综合项目 B；本阶段只做上述方法论片段练习。
目标：从单个功能走向可部署、可运营、可扩展的 Agent 平台或 Harness 产品。
⭐ 最小产出：“通用 Harness”与“行业 Agent”两条产品路线的机会差异分析
本阶段材料：讲义 · 实践
Pi Agent 桌面端的完整产品战略与商业模式画布不在此处重复做，统一收敛到 阶段 14 综合项目 A。
目标：将知识转化为能够证明 Agent Harness 产品能力的完整作品。
⭐ 最小产出：综合项目 A、B 二选一完整交付（另一个作为后续迭代）
本阶段材料：讲义 · 实践
两个综合项目分别整合阶段 12、13 留待收敛的产品定义与商业化交付，是全路线产出的最终归宿。
建议以 Pi Agent 桌面端下一代版本 为对象，完成：
建议以 国际机票 AI 订票 Agent 2.0 为对象，完成：
推荐周期 建议按 16～24 周推进，每周投入 6～10 小时。熟悉度高的模块用「阶段性自测」判断能否快速通过，但不建议完全跳过——已有实践多为借助 AI 完成，概念、评测和产品表达仍需补齐。
| 周期 | 阶段 | 核心成果 |
|---|---|---|
| 第 1～2 周 | 阶段 0～1 | 统一词汇、补齐 LLM 基础 |
| 第 3～4 周 | 阶段 2～3 | 模型 API、Prompt、RAG 与上下文 |
| 第 5～6 周 | 阶段 4～5 | Agent Loop、Tool Use、MCP、Skills |
| 第 7～9 周 | 阶段 6～8 | Harness 内核、Runtime、Session、Memory |
| 第 10～11 周 | 阶段 9 | Planning、Subagent、Multi-Agent |
| 第 12～14 周 | 阶段 10～11 | Eval、Observability、安全与治理 |
| 第 15～17 周 | 阶段 12～13 | Agent 产品、组织落地与商业化 |
| 第 18～24 周 | 阶段 14 | 综合项目与公开作品集 |
每完成一个阶段，用以下标准自测：
真正完成的标志 不是“看完了多少文章”，而是能够把一个陌生 Agent 产品拆成模型层、工具层、上下文层、Runtime、Harness、交互层和治理层，并基于证据提出可落地的改进方案。