1. 切中 AI 编程的真实痛点，而非工具教学当前 AI 编程类图书多停留在;工具使用和;Prompt 技巧层面，而本书聚焦一个更本质的问题：为什么 AI 能写代码，却难以参与真实工程？ 2. 从;上下文工程到;Harness工程的完整技术路径 本书首次系统梳理：Context Engineering rarr; Agent Loop rarr; 多Agent rarr; Harness Engineering，构建清晰的技术演进认知，帮助读者理解 AI Agent 从;能用到;可控的本质差异。 3. 聚焦工程落地，强调;能跑、能用、能复现，而非概念讲解 区别于偏理论或框架介绍类图书，本书每章均包含完整代码实践，提供 DeepResearch、记忆系统、Agent Skills 等真实案例，拆解类似 Claude Code 的核心设计模式 4. 覆盖从单Agent到多Agent系统的完整能力 内容涵盖：意图识别、规划、反思、行动（CodeAct）、长短期记忆系统（Mem0）、Skills 上下文卸载机制、多Agent协作（Agent Teams），形成能力闭环。 5. 面向下一阶段 AI 开发范式 在 LLM 能力逐渐趋同的背景下，本书强调;模型之外的工程能力（Harness）才是核心竞争力，具备明显的前沿性和趋势价值。

本书系统阐述从上下文工程到Harness工程（Harness Engineering）的技术演进路径，深入揭示AI Agent从工具调用到自主思考与协作的核心原理及工程落地方法。全书共7章，以通过Agent工程化的构建方式落地上下文与Harness相关技术为主线，帮助读者系统掌握构建具备理解、计划、反思与行动能力的Agent系统的完整方法论。lt;brgt;第1章、第2章系统介绍上下文工程的理论基础，涵盖意图识别、计划模式、反思模式、CodeAct行动及人机协作五大核心能力的工程化实战；第3章、第4章以DeepResearch 和记忆工程为典型案例，提供从搜索到研究的完整代码实现及分布式记忆系统部署方案；第5章阐述Skills上下文卸载技术，并给出使用扣子编程开发“运维巡检Skill”及基于OpenClaw测试“运维巡检Skill”两个实战案例；第6章、第7章走向Harness工程，通过两个实践案例介绍如何复现Claude Code核心特性，以及如何构建OpenClaw类产品，实现技术整合与工程落地。每章均配有可落地的代码示例与真实场景案例。lt;brgt;本书既适合具备开发背景的工程师、架构师阅读，也适合希望提升AI Agent实战能力的技术人员参考。邢云阳，联通云AI与容器技术专家、架构师，深耕云原生、AI应用及传统应用上云领域。主导云原生Serverless、AI Agent、RAG等相关产品研发，带领团队自研容器化大数据平台、Serverless Kubernetes及AI MaaS平台等产品。图书《扣子（Coze）Skills十OpenClaw实战：零基础玩转AI智能体》《AI Agent开发实战：MCP十A2A十LangGraph驱动的智能体全流程开发》作者。在极客时间开设“DeepSeek应用开发实战”“AI重塑云原生应用开发实战”专栏，分别讲解AI Agent开发、AI大模型与云原生融合，备受认可。第 1章 ?从提示词到上下文工程11.1 ?上下文工程的核心思想11.1.1 ?从购车决策看上下文的构建21.1.2 ?上下文工程与Agent的关系51.2 ?上下文工程的系统结构61.2.1 ?上下文构建的四大模块61.2.2 ?上下文管理的核心策略71.3 ?简单工具调用到复杂Agent：Agent技术发展路线图81.3.1 ?简单工具调用Agent的原理与特点81.3.2 ?深度思考型Agent的原理与特点111.3.3 ?以代码执行为主的Agent：Code Agent的原理与特点131.3.4 ?多Agent的原理与特点14第 2章 ?上下文的“元驱动”：意图识别、 ???????规划等模块的工程化实战162.1 ?意图识别：让AI精准理解人类需求162.1.1 ?意图识别的作用与意义162.1.2 ?基于Arch_Router实现意图识别182.1.3 ?小模型微调十大模型兜底实现意图识别242.2 ?计划模式：让AI有计划地解决问题302.2.1 ?简单计划模式实现旅游攻略撰写302.2.2 ?复杂计划模式实现通用计划执行392.3 ?反思模式：让AI具备“思考自己的思考”能力472.3.1 ?反思模式的架构472.3.2 ?以运维场景为例实现反思模式工作流482.4 ?行动：代码即工具的CodeAct模式532.4.1 ?CodeAct模式的架构532.4.2 ?以图表生成助手为例实现CodeAct Agent542.5 ?人机协作：实现Human_in_the_loop模式602.5.1 ?Human_in_the_loop模式的原理602.5.2 ?以报告大纲审核为例实现强制人类介入612.5.3 ?以商品咨询为例实现自主触发人类介入66第3章 ?DeepResearch：基于深度思考Agent构建上下文的典型案例703.1 ?深度解析DeepResearch核心演进703.1.1 ?RAG的原理与局限703.1.2 ?DeepSearch的机制与不足713.1.3 ?DeepResearch的核心架构：从搜索转向研究723.2 ?实战：构建DeepSearch核心引擎733.2.1 ?选型博查（Bocha）：适配中文生态的AI搜索引擎733.2.2 ?SearXNG：开源聚合搜索引擎的深度应用793.3 ?实战：Sequential Thinking方案的DeepResearch代码实现843.3.1 ?MCP广场：Smithery.ai简介843.3.2 ?深度思考MCP：Sequential Thinking原理介绍853.3.3 ?私有化方式部署Sequential Thinking893.3.4 ?构建DeepResearch深度研究系统92第4章 ?记忆工程：Agent系统的长短期上下文管理1014.1 ?深入理解Agent记忆1014.1.1 ?短期记忆：突破LLM的无状态局限1014.1.2 ?长期记忆：构建Agent的持久化存储层1044.2 ?Mem0：Agent记忆层的标准化实现1054.2.1 ?Mem0核心架构：多层级记忆管理1054.2.2 ?记忆生命周期：从信息提取到持久化存储1064.2.3 ?Mem0实战：基于混合存储架构实现历史对话复用1074.3 ?容器化的高可用分布式记忆系统部署方案1154.3.1 ?部署架构设计与脚本编写1154.3.2 ?基于分布式记忆系统的历史对话复用118第5章 ?Skills：上下文卸载的艺术1235.1 ?Skills概述1235.1.1 ?Skills是什么1235.1.2 ?Skills的结构定义1245.1.3 ?Skills的渐进式加载机制1255.1.4 ?如何设计支持Skills的Agent1265.2 ?实战：零代码开发“运维巡检Skill”1275.2.1 ?使用扣子编程开发“运维巡检Skill”1275.2.2 ?基于OpenClaw测试“运维巡检Skill”132第6章 ?Harness工程实践：复现Claude Code核心设计模式1356.1 ?Agent Loop：Agent可以长时间工作的核心1366.1.1 ?一个Agent=一个Loop十一个Bash工具1366.1.2 ?增加更多的基础工具1416.2 ?上下文工程：解析Claude Code如何进行上下文管理1466.2.1 ?SubAgent：分离上下文窗口1476.2.2 ?Skills：让Agent实现渐进式加载1526.2.3 ?Compact：多级上下文压缩机制1576.3 ?持久化与异步：跨会话的任务管理1626.3.1 ?Todo：Claude Code的计划模式1636.3.2 ?Task System：持久化的任务系统1666.3.3 ?后台任务：慢操作交给后台运行1736.4 ?多Agent系统：Agent Teams1786.4.1 ?团队管理类实现1796.4.2 ?通信总线的实现1816.4.3 ?为队友的Agent Loop增加工具调用1836.4.4 ?修改主Agent的Agent Loop逻辑1836.4.5 ?测试效果184第7章 ?Harness工程实践：Claw类产品的设计模式解析与实践1887.1 ?Claw类产品的核心架构1887.1.1 ?学习路径：从NanoClaw开启探索1887.1.2 ?NanoClaw的架构1897.2 ?开发与使用NanoClaw1927.2.1 ?为NanoClaw开发飞书Channel1927.2.2 ?部署NanoClaw194