Agent 术语速查
按「遇到不懂的词 → 查这里」设计的术语表。每个术语给一句话解释 + 深读入口：本仓库文章优先，没有深度文的指向官方文档或 Hub 清单中的外部课程。链接文字一律采用文章标题。
与 Hub 其余文件的分工：按阶段学 → Agent 学习路线图：先跑通，再理解，最后造轮子；找课程与项目 → Agent 学习课程 Hub。本文只做「词 → 解释 → 指针」，不重复路线图的阶段逻辑。
一、Agent 基础概念
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| Agent（智能体） | 以 LLM 为大脑、能自主决策并调用工具完成任务的程序 | hello-agents 第 1–3 章（外部课程） |
| Workflow vs Agent | Anthropic 的核心区分：workflow 是预设路径，agent 是模型自主决策 | Building Effective Agents（官方） |
| 多智能体系统（MAS） | 多个 Agent 通信协作，解决单个 Agent 搞不定的任务（如 BDI 架构） | 多智能体AI系统基础：理论与框架 |
| Agent First | 软件设计的范式转移：软件不只服务人类，更要先服务 AI Agent | Agent First：软件工程的下一个范式转移 |
| 12-Factor Agents | 借鉴 12-Factor App 的 12 条构建可靠 LLM 应用的原则 | 12-Factor Agents - 构建可靠 LLM 应用的原则 |
二、LLM 前置基础
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| 提示词工程（Prompt Engineering） | 设计并迭代 system/user 消息，让模型输出更可控 | dair-ai/Prompt-Engineering-Guide（外部课程） |
| Temperature（温度） | 采样参数：越高输出越随机有创意，越低越确定保守 | DeepSeek API 文档：参数设置（官方） |
| 上下文窗口（Context Window） | 模型单次能「看到」的最大 token 量，Agent 的工作记忆上限 | 上下文工程原理 |
| 工具调用（Tool Calling） | 让 LLM 输出结构化指令来调用外部函数或 API | 12-Factor Agents - 构建可靠 LLM 应用的原则（要素 1） |
| 结构化输出（Structured Outputs） | 约束模型按 JSON Schema 输出，工具调用的本质 | 12-Factor Agents - 构建可靠 LLM 应用的原则（要素 4） |
三、Agent 设计模式
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| ReAct | 「推理—行动」循环：边想边调用工具，Agent 最经典的范式 | Cursor IDE ReAct Agent 技术架构深度分析 |
| Plan-and-Solve | 先让模型做完整计划，再按计划逐步执行 | All Agentic Architectures 深入详解 |
| Reflection | 生成结果后自我反思批评、迭代改进 | All Agentic Architectures 深入详解 |
| Handoff | 把对话与上下文交接给另一个更合适的 Agent | openai/openai-agents-python（官方 SDK） |
四、协议与技能
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| MCP（Model Context Protocol） | Agent 连接外部工具与数据的开放标准协议 | 深度解析 MCP 与 AI 工具化的未来 |
| A2A（Agent2Agent） | Agent 之间通信与互操作的开放协议（Google 发起） | A2A 项目官网（官方） |
| Agent Skills | 把能力、指令与资源打包成可复用技能，2026 年事实标准 | 给 Claude 写本“标准操作手册”：Agent Skills 实战与深度解析 |
五、上下文与记忆
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| 上下文工程（Context Engineering） | 动态组装、压缩、缓存上下文，让有限窗口装下最该装的信息 | 上下文工程原理（入门先读上下文工程原理简介） |
| 上下文压缩 | 长任务中主动丢弃冗余信息、保留核心逻辑 | Claude Code 上下文压缩机制深度解析 |
| 记忆系统（Memory） | 让 Agent 跨会话记住用户与事实，分短期/长期与分层存储 | AI 智能体记忆系统 |
六、工程与基础设施
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| Harness（驾驭工程） | 围绕 LLM 的运行时/工作环境，让 Agent 在真实环境自主干活 | 驾驭工程：为什么你的 AI 编程助手总在失控？ |
| Agent Sandbox | 给 Agent 提供安全隔离执行环境的沙箱，隔离从硬件级到策略级 | Agent Sandbox 的演进与设计范式 |
| Agent Infra（智能体基础设施） | 工具、数据、编排三层底座，让 Agent 可靠运行、规模化托管 | AI Agent 基础设施——三个决定性层次：工具、数据、编排 |
| SDD（Spec 驱动开发） | 先写 Spec 再让 AI 实现与验证的工程范式 | ForceInjection/OpenSpec-practise（开源项目） |
七、延伸相关
| 术语 | 一句话解释 | 深读入口 |
|---|---|---|
| RAG（检索增强生成） | 先从知识库检索相关片段再生成回答，给模型补知识 | RAG 与工具生态 |
| Data Agent | 用自然语言查数据、做分析、出报表的 Agent，企业最易变现的方向 | 数据智能体：是重塑生产力的“自动驾驶”，还是换壳的平庸炒作？ |
| 世界模型（World Model） | Agent 对环境的内部预测模型，从任务助手走向自主智能的关键 | 世界模型简介：智能体理解世界的内部引擎 |