书：《深入理解 AI Agent：设计原理与工程实践》 · 第 1 章 配图来自书仓库（Apache-2.0）。源码对照见姊妹篇《第一章 × ZCode 源码对照精读》。
一、核心公式：Agent = LLM + 上下文 + 工具
Agent = 大脑 + 眼睛 + 手脚：
| 直觉 | 组件 | 学术概念 | 一句话 |
|---|---|---|---|
| 大脑 | LLM | 策略（Policy） | 决定「下一步做什么」的决策内核 |
| 眼睛 | 上下文 | 观察与历史 | 每个决策点能看到的全部信息 |
| 手脚 | 工具 | 观察/行动接口 | 感知或改变外部世界的通道 |
两个容易忽略的限定：加号是工程组件的组合，不是 RL 的形式化定义；公式只描述 Agent 边界之内——Environment 不在公式里，但 Agent ↔ Environment 是闭环交互的两方。
图 1-1：外层是 Agent 与环境的交互环；内层是 Model（决策）+ Harness（构造上下文、暴露工具、实施约束/验证/纠正）。
生产形态展开：
Agent = Model + Harness Harness = 上下文管理 + 工具接口 + 约束 + 验证 + 纠正
书里特别澄清：Harness 是「Agent 边界内、模型之外」的运行与治理层——沙箱的权限机制属于 Harness，沙箱里随行动变化的文件属于 Environment；物理部署位置不决定归属。
二、最重要的工程判断：扩展眼睛和手脚
底层模型固定时，提升 Agent 表现最主要的系统工程手段，就是重新定义或扩展观察空间与动作空间。
案例：Manus 把 Deep Research / Coding / Computer Use 三条线的观察+动作空间取并集；OpenClaw 把接口外推到消息渠道 + 本地 Gateway。通用性很大程度上来自接口边界的扩大。
三、上下文：五个组成部分
静态前缀（不变）：① 系统提示词 ② 工具定义。 动态轨迹（增长）：③ 用户消息 ④ 模型回复（reasoning + content + tool_calls）⑤ 工具执行结果。
实验 1-1 的消融实验设计——逐个去掉组件，看 Agent 会退化成什么样：
图 1-3：完整基线 + 四组各缺一个组件的对照。
三个反直觉发现：
- 去掉工具定义 → Agent 不会沉默，会给一份格式工整、语气笃定、数据来自参数记忆的幻觉答案
- 去掉工具结果 → 盲目重试直到耗尽迭代预算
- 「给出了回答」≠「完成了任务」——上下文残缺的典型失败不是报错，而是毫无破绽的错误答案
四、ReAct 循环：想 → 做 → 看
图 1-4：一次多币种汇总任务，3 次迭代、4 次工具调用的完整轨迹。
书的最小骨架：
trajectory = [user_request]
repeat:
context = stable_prefix + trajectory
decision = Model(context)
trajectory.append(decision)
if decision has no tool call:
return decision.answer
for call in decision.tool_calls: # 独立调用可并行
validated_call = Harness.validate(call)
observation = Environment.execute(validated_call)
trajectory.append(observation)轨迹的价值：可解释、可调试、可分析、可沉淀（进知识库或 RL 训练）。
五、Harness 工程：模型之外的竞争力
| 要素 | 职责 | 例子 |
|---|---|---|
| 上下文管理 | 信息要充分 | 系统提示词、知识库、压缩 |
| 工具接口 | 接口要清晰（ACI / 防呆） | MCP、代码解释器 |
| 约束 | 默认关闭、显式开放 | 工具权限分级 |
| 验证 | 只信结构化数据 | Linter、结果校验 |
| 纠正 | 静默重试、熔断、回退人工 | 连续失败自动断电 |
《苦涩的教训》与 Harness 的节奏：模型会持续吃掉 Harness（few-shot、JSON 容错、提示词改写都已被内化），但节奏比想象慢——模型此刻的能力边界，就是 Harness 此刻的价值所在。
六、能力更新的三个层次
图 1-2：任务内的上下文适应（快、不持久）→ 跨任务的外部产物更新（可控积累）→ 训练周期的参数更新（泛化强、成本高）。
三条路径不是互斥分类，而是不同时间尺度上的协同机制。
七、对照 ZCode 源码
本章概念在 ZCode（github.com/zai-org/ZCode）里的落点：
- ReAct 循环 →
core/src/agent/turn-machine.ts（10 相位状态机，非 while 循环） - 上下文压缩 →
core/src/compact/（全量 compact + microcompact 两级） - 工具约束 →
core/src/tool/handlers/bash-command-*（一个 Bash 六个策略文件） - 技能渐进式披露 →
context/sections/skills.ts（描述常驻、正文按需）
八、思考题（挑了四道）
- 只能加一项：更强模型 / 更丰富上下文 / 更多工具，选哪个？
- 「模型即 Agent」越来越自主，为什么 Harness 反而更重要？
- 除了工具结果缺失，还有什么会让 Agent 死循环？
delete_file删普通文件 vs 删系统文件——动态风险评级怎么做？
一句话总结
模型是大脑，上下文是眼睛，工具是手脚；模型固定时，能力杠杆在接口；模型商品化后，竞争力在 Harness。