前言

过去很长一段时间里，人们谈到 LLM 应用开发，最常提到的是 Prompt Engineering。

但随着 Claude Code、Codex、Gemini CLI、Cursor、Aider、Pi Agent 等工具不断演进，一个趋势已经越来越明显：真正有价值的 AI Agent，不再只是一个“写得更好的提示词”，而是一个由上下文、工具、记忆、执行循环、验证机制和运行时环境共同组成的软件系统。

换句话说，Agent Engineering 正在取代单纯的 Prompt Engineering。

为什么写这本书

Anthropic Engineering Blog 中陆续发布了许多关于 Agent 工程实践的重要文章，例如：

Building Effective Agents
Claude Code: Best practices for agentic coding
Effective Context Engineering for AI Agents
Writing Effective Tools for Agents
Equipping agents for the real world with Agent Skills
Effective Harnesses for Long-running Agents
Harness Design for Long-running Application Development
How we built our multi-agent research system
Code execution with MCP
Introducing advanced tool use
Scaling Managed Agents

这些文章不是孤立的技巧文章，而是在逐渐拼出一套完整的 Agent 工程体系：

Agent 思想
  ↓
Context Engineering
  ↓
Tool Engineering
  ↓
Skill Engineering
  ↓
Harness Engineering
  ↓
Memory Engineering
  ↓
MCP 与 Multi-Agent
  ↓
Enterprise Agent Runtime

如果只是逐篇阅读，很容易得到很多局部观点，却很难形成完整知识结构。

因此，本书尝试做一件事：

以 Anthropic Engineering 为主线，把现代 AI Agent 工程体系重新组织成一门面向工程师的课程。

这本书不是什么

本书不是 Anthropic 官方文档，也不是 Anthropic Blog 的逐字翻译。

本书不会简单按照原文段落进行解释，而是会关注：

这篇文章解决了 Agent 工程中的什么问题；
它与前后文章之间有什么继承关系；
它背后的工程假设是什么；
它如何落地到企业级 Java / Spring Boot Agent 平台；
它与 OpenAI、Google、LangChain / LangGraph、AgentScope 等体系有什么异同。

这本书适合谁

本书主要面向：

后端工程师；
Java / Spring Boot 架构师；
AI Agent 开发者；
企业 AI 平台建设者；
正在研究 Claude Code、Codex、Gemini CLI、Pi Agent、Aider、Cursor 的开发者。

如果你已经意识到：

Agent 不是 Prompt，而是一套运行时系统。

那么这本书会非常适合你。

术语说明

本书会保留一部分英文工程术语，例如 Agent、Workflow、Context、Tool、Skill、Harness、Runtime、MCP、Memory、Checkpoint、Scratchpad 等。

原因是这些词已经成为当前 AI Agent 工程领域的通用概念，强行翻译反而容易造成歧义。首次出现时，本书会尽量解释其工程含义；后续章节则优先使用稳定术语。

完整术语表见：

references/glossary.md

本书的贯穿案例

本书会围绕一个统一案例展开：

从零构建一个企业研发 Agent 平台。

它的目标是支持：

读取代码库；
理解需求与 Issue；
聚合项目上下文；
调用工具；
修改代码；
运行测试；
生成总结；
保存记忆；
接入 Jira / Confluence / Git / CI 等企业系统；
支持多 Agent 协作。

技术栈暂定为：

Java
Spring Boot
PostgreSQL
Redis
Vector Database
MCP
Tool Registry
Context Provider
Memory Service
Agent Harness
Multi-Agent Runtime

本书不是为了构建一个玩具 Demo，而是希望沉淀出一套可以迁移到企业真实项目中的 Agent 平台架构。

全书结构

本章主图：图 0-1 全书结构与贯穿案例

Mermaid 源文件：diagrams/chapter-00-book-structure.mmd

图 0-2 全书结构 Mermaid 源文件

阅读提示：这张图说明本书不是按文章顺序堆叠，而是围绕 Agent 工程体系、贯穿案例和 Java / Spring Boot 落地逐层展开。

本书分为六个部分：

AI Agent 工程基础；
Context Engineering；
Tool 与 Skill Engineering；
Harness 与 Memory Engineering；
MCP 与 Multi-Agent；
企业级 Agent Runtime。

对应的部分总览图如下：

每一章都会尽量保持统一结构：

1. 本章要解决什么问题
2. 对应 Anthropic 文章
3. 原文核心观点
4. 工程视角重新解释
5. 架构图 / 流程图
6. Java / Spring Boot 落地方案
7. 与其他框架对比
8. 常见误区
9. 本章小结
10. 实践任务

本书的核心观点

本书最重要的观点可以概括为一句话：

未来的 AI Agent 竞争，不只是模型能力的竞争，而是 Context、Tool、Skill、Memory、Harness、Runtime 等工程系统能力的竞争。

如果说 Prompt Engineering 解决的是“如何更好地提问”，那么 Agent Engineering 解决的是：

如何构建一个可以长期、可靠、可控地完成复杂任务的软件系统。

这正是本书要讨论的主题。

前言

前言