Agent 工程实践关注如何把能够演示的 Agent 变成可控制、可验证、可维护的系统。重点不只是让模型“完成一次”，而是明确权限边界、失败处理、数据来源和质量评测。
前置知识
本分类涉及工具调用循环、上下文、任务状态、环境反馈和结果验证等概念。它们共同构成 Agent 工程系统需要控制的运行边界。
子词条概述
当前子词条按生产 Agent 的主要工程责任组织：
- Agent Harness：包围模型并负责上下文、循环、权限、验证和错误恢复的运行支撑系统；
- AI Agent 工程范式的演进：从提示工程到上下文、Harness、Loop 与 Graph 工程的观察视角；
- Agent 工具设计：能力形态、工具粒度、描述、参数、输出、安全和验证；
- Agent Skills：以说明、脚本、参考资料和资产组织可复用能力，并按需加载；
- Agent 工具发现：大规模工具的分组、检索、主动发现和动态加载；
- Agent 评估：用可重复任务、环境、验证器和运行轨迹衡量 Agent 的能力、可靠性与成本。
这些词条关注工程系统怎样把模型连接到真实环境并控制风险。单次调用机制见 Agent 工具调用，多轮控制流程见 Agent 工具调用循环。
Model Context Protocol（MCP）是可被 Agent 和其他 AI 应用使用的通用协议，不作为本分类的直接子词条。用户记忆属于 Agent 状态与记忆，共享知识获取与整理见 检索增强生成（RAG） 和 LLM Wiki。