这是本子库的默认阅读顺序。目标不是把 50 条来源逐篇读完,而是沿着一条问题线逐层加深:
Agent 是什么
→ 上下文、工具和状态为什么决定行动
→ 经典 Agent 如何与环境交互
→ 图究竟承载哪种依赖
→ 失败后如何恢复
→ 哪个新任务值得做
→ 如何用公平实验排除“只是提示更长”的解释
每一阶段先读带 博客 / 工程 / 社区 / X 标签的材料,再进入论文。读完一阶段先回答“我现在能解释什么”,再继续;不要把博客中的工程经验当成论文效果证据。
第一阶段:先形成 Agent 直觉(约 30–45 分钟)
这一阶段只建立共同语言,不追公式、不记结果数字。
- Building effective AI agents 先理解 workflow 与 agent 的区别,以及为什么应该从最简单的控制流开始。
- Effective context engineering for AI agents 理解 Agent 每一步都在选择上下文;工具、历史、状态和压缩会改变下一动作。
- Context Engineering for AI Agents: Lessons from Building Manus 看一个工程系统如何处理 KV-cache、工具可用性、外置结果、失败记录和长轨迹。
- Karpathy 的 context engineering 分享 用一条 X 分享把“提示词”扩展为上下文、工具、状态和控制流的整体问题。
- Don’t Build Multi-Agents 了解共享上下文和隐含设计决策如何制造分支冲突。
- How we built our multi-agent research system 与上一条对照:独立研究任务何时适合并行,何时会被依赖和成本拖累。
读完这一阶段,应能回答:我的任务是固定 workflow、单 Agent 工具循环,还是多 Agent 协作?哪些状态必须共享,哪些上下文应该隔离?
补充但不必首轮阅读:12-Factor Agents、Manus 后续访谈笔记、HN 多 Agent 讨论、HN Manus 讨论。它们用于发现工程反例和维护成本。
第二阶段:用少量经典论文建立基线(约 45–60 分钟)
现在才进入论文,先理解 Agent 如何从文本走向可执行反馈。
- ReAct:推理与行动交错,观察进入下一步决策。
- SayCan:语言上合理的动作还必须对当前技能和环境可行。
- LLM-Planner:计划需要随环境 grounding 和更新。
- ReWOO:预先规划、变量引用与工具观察解耦。
- ADaPT:子任务无法执行时,按需递归分解。
这五篇不需要一开始逐表复现。重点记录每篇的四件事:
| 记录项 | 要问的问题 |
|---|---|
| 任务对象 | Agent 是回答问题、控制机器人、操作网页,还是改变环境状态? |
| 观察来源 | 下一动作依据什么反馈?反馈是否可能改变计划? |
| 计划形式 | 线性链、变量依赖、隐式分解,还是显式图? |
| 失败处理 | 重试、重新规划、递归分解,还是没有单独建模? |
第三阶段:进入图规划主线(约 60–90 分钟)
这一阶段回答“图到底是什么”,按从工程实现到研究方法的顺序阅读。
- Plan-and-Execute Agents:先看三种架构的工程全景。
- LLMCompiler:理解带依赖的任务 DAG、就绪调度和并行工具调用。
- Can Graph Learning Improve Planning in LLM-based Agents?:理解图学习为何被引入任务规划,以及结构偏置问题。
- TaskBench:看工具图如何生成任务,以及分解、工具选择、参数预测如何分开评价。
- GAP:看图规划、串并行工具执行和 SFT/RL 如何结合。
- 工具依赖图与领域知识图:确认 KG 与工具规划的直接近邻已经存在。
读完后必须区分三种图:控制流图、工具数据流图、状态约束图。如果说不清自己的图边会如何改变下一动作,就还没有进入研究问题。
第四阶段:进入交互恢复主线(约 60–90 分钟)
这是与当前方向最相关的一段,建议精读。
- ToolSandbox:状态依赖、错误恢复、Milestones 和 Minefields。
- AppWorld:跨应用 API、丰富控制流、目标状态与 collateral damage。
- τ-bench:用户、工具、政策和终态一致性,以及
pass^k可靠性。 - τ²-bench:用户也能改变环境,任务从单控制变成双控制。
- ReCore:错误传播核心和局部计划图修复的直接近邻。
这一阶段不要只问“谁的成功率更高”,而要逐项比较:
- 失败发生在图内推理、工具前置条件、用户沟通,还是外部状态?
- 既有正确分支能否保持不动?
- 是否允许多条等价正确路径?
- 评价只看终态,还是还检查中间里程碑和不应发生的副作用?
第五阶段:看三个候选任务,再决定深入哪一条(约 45–60 分钟)
- 状态约束维护与恢复:从 ToolSandbox 到 AppWorld。最适合先做小规模机制实验。
- 人机共同控制的依赖对齐:从 τ-bench 到 τ²-bench。任务表述变化最大,但用户模拟和沟通因素更多。
- 共享资源下的冲突感知调度:从 SAGA 到 GATS。图表达更丰富,但环境与模块混杂也更强。
当前推荐先验证第一条,再用第二条判断任务是否具有更明显的新定义;第三条暂作为拓展方向。这个顺序是探索建议,不是已经完成的选题结论。
第六阶段:用评测与工程材料排除错误解释(约 45–60 分钟)
- PlanBench:用形式化动作和状态变化测试结构理解,而非熟悉文本。
- Why Do Multi-Agent LLM Systems Fail?:用失败分类避免把所有问题都归因于“缺少图”。
- LangGraph Persistence:区分程序检查点恢复与语义计划修复。
- Writing effective tools for AI agents:排除“只是工具描述更清楚”的竞争解释。
- think tool:排除“只是增加了额外思考步骤”的竞争解释。
最后阅读 研究设计与判别实验。至少要能设计以下对照:文本状态表、线性计划、静态图、可编辑图,以及必要时的 ADaPT/LLMCompiler/ReCore 风格强基线。
最短路线
时间很少时,只读以下 10 项:
S12 → S35 → S38 → S44 → S02 → S23 → S33 → S10 → S28 → 研究设计与判别实验
它可以在约 2–3 小时内回答三个核心问题:Agent 的行动闭环是什么、图可能改变哪一步、哪个新任务最值得先做。
读完后的判断门槛
只有当你能回答下面四个问题,才适合开始设计新数据集:
- 图边具体改变了哪个动作选择?
- 同等上下文和工具预算下,图比文字状态表多解决了什么?
- 局部修复如何避免重复副作用,而不是只减少 token?
- 任务是否已经脱离 GraphRAG、跨会话 Memory 和 RSI 的核心定义?
回答不了时,回到第四阶段的 ToolSandbox 和 AppWorld,不要继续堆论文数量。