智能体循环工程：面向生产的 Agent 工作流实战

围绕业务目标设计执行循环，明确完成标准、反馈来源、重试上限和人工接手条件

为任务组织上下文、外部记忆与执行工具，用测试、查询和计算结果检查 AI 的产出

隔离并行任务的改动，明确任务归属，减少成果覆盖、重复处理与无效消耗

结合完成情况、错误类型和调用用量比较方案，确定自动处理范围与人工审核位置

把循环工程方法用于自己的专业项目，设计可检查、可比较、可持续改进的 AI 工作流程

AI 已经能写代码、查资料、分析数据，但一项工作要真正完成，你往往仍然需要一直盯着：补充遗漏的要求，指出结果中的错误，提醒它继续，最后再判断能不能交付。任务变长、多个任务同时进行时，反复交接和检查就会占用越来越多的时间。让 AI 承担更多工作，需要把这些推进任务的环节组织起来。

这门课聚焦智能体循环工程，也就是如何围绕一个目标，组织 AI 的行动、检查与下一步决策。一次执行之后，系统依据结果决定继续修改、结束任务，还是交给人处理；后续行动所需的信息、状态和工具，也要随之衔接。课程的核心价值，是教你把这套循环做好：明确什么算完成、凭什么相信结果、何时值得重试，以及自动化可以走到哪里，为生产级 Agent 应用建立可控制、可复查的工作流程。

前 7 课从模型连接与评测基线开始，逐步加入测试反馈、任务上下文、独立检查、外部记忆、工作目录隔离和执行工具。你会比较有反馈与无反馈的修复，观察数据库结构怎样影响 SQL 生成，检查过时知识如何干扰回答，再让智能体调用 Python 完成计算。每加入一个组件，都要看清它解决了什么问题，结果是否支持这项选择。

第 8–10 课把视角扩展到多项工作一起运行时的协调、成本与风险。通过任务队列和策略实验，你会理解如何认领目标、减少重复动作，结合运行日志比较不同方案的用量与效果，并为高风险改动设置人工处理边界。任务是否值得继续、哪些动作允许自动执行，都成为循环设计的一部分。

第 11–18 课进入具体的工程场景：筛选紧急缺陷报告、检索重复问题、判断持续集成失败原因、检查修复状态、评估依赖升级风险，以及整理技术债务和更新日志草稿。最后组合反馈修复与候选检查，用对照实验比较效果和开销，并检查评测流程本身是否可信。你将练习从任务进入队列到结果接受验证的完整思路，判断哪些环节适合自动推进，哪些仍需专业判断。

这些方法也适用于许多专业领域。数据分析可以用数据库结构、业务口径和重算结果检查结论；科研与技术研究可以用资料来源、信息时效和证据一致性约束输出；制造运维可以围绕工单优先级、相似故障和操作规程组织处理；工程设计可以把参数约束、计算工具与方案审查接入循环。课程以代码、SQL、知识检索和工程队列实验展示共同机制，你可以结合本领域的资料、工具和验收规则，设计自己的工作流程。

课程以视频讲解配合 Jupyter Notebook 展开，提供 18 份中文实操笔记，以及共享示例代码、运行记录和实验分析。你会结合模型调用、实际代码执行、受控策略实验与已有结果复核，理解实现方法和适用条件。建议具备 Python 基础，能够阅读函数、循环和简单的数据处理代码；了解大模型调用、Git 或 SQL，会更容易跟进对应章节。

完成学习后，你将能够为一项专业任务设计循环方案：明确目标和验收标准，准备所需资料与工具，安排执行、检查和反馈，设定预算与人工接手条件，再通过对照实验决定下一步改进。让人把精力更多投入到目标、专业判断与创造上，是这套方法最终要实现的工作价值。

正在开发 Agent 的工程师：希望解决任务中断、结果不可靠、重复执行和并行改动冲突，让系统能够依据反馈推进工作

推动 AI 落地的技术负责人和架构师：希望围绕效果、成本与风险选择方案，明确自动化范围，并为交付结果建立验收依据

具备 Python 基础的行业专家与数据分析人员：希望把专业要求转化为上下文、工具和检查规则，参与本领域的智能体应用建设

具备代码阅读基础的 AI 产品与业务流程负责人：希望理解任务怎样被接收、处理和验收，与研发团队共同设计有实际工作价值的解决方案