Parallight Cohort 1 · Agent Engineering Syllabus

chapter 01 · why

AI 时代正在诞生一种全新的工程师角色.

Software 1.0 is code. Software 2.0 is neural networks. Software 3.0 is the era of agents — and it needs a new kind of engineer: the agentic engineer.

— Andrej Karpathy · 重新表述自 "Software 3.0" 演讲

过去十年的 ML 工程师在训练模型、调超参、上线服务。Agent 工程师做的事情不一样 — 他在用 LLM 当 CPU, 用 tool/skill 当外设, 用 trace + eval 当示波器, 在 不可预测的概率系统上做工程化。这是一个有 ML 底子也得重新学习的领域, 也是一个被绝大多数课程忽略的领域。

申请加入 Agentic Engineer Camp / Apply →

起讲日期 / start

2026 · 05 · 31 (周日)

课程长度 / span

12 weeks · ~130 h

Founding 价

USD $735 · 第一期 only

席位 / seats

25 · 精选小班

chapter 02 · 普通教学 vs Parallight

你已经看了不少课 — 大部分都停在了同一面墙前.

普通 agent 教学的天花板

跟着官方 demo 跑通 LangChain / LlamaIndex, 然后呢?
讲了 prompt engineering, 但 harness / eval / trace 一片空白
把 framework 当黑盒, 模型一变就要从头再学
每周一个孤立小作业, 12 周下来没有一份能上线的代码
没人告诉你为什么 production agent 在你的真实问题上会崩

→

parallight 怎么做

从 step.py 第 1 行开始亲手实现 3 大主流范式 — Mira 的 Claude Code、OpenClaw、Hermes Agent
补齐 7 个被忽略的留白:harness · eval · MCP+Skills · self-improving · prod eval pipeline · agentic devops · 厂商生态
累积式 codebase, 禁止推倒重来 — Lab evaluator 每周自动检查
第 12 周末交付一份 production-grade、可炫耀的真实仓库
Predict-before-reveal:每次跑代码前先预测,深度提升 3-5 倍

chapter 03 · course design

课程设计的 3 个核心特点.

把 LLM 当 CPU, 把 agent 当 computer 来教。NAND2Tetris 风格在 agent 工程教学里的第一次实现。

01 codebase

累积式 codebase, 12 周一条直线生长

每周的 build artifact 都加在上一周的代码之上, 禁止推倒。第 12 周末你手里是一个真正的、可演进的 codebase, 而不是 12 个孤立作业。

每周末 evaluator subagent 自动检查 — "你是不是在上一周的代码上扩展, 而不是把旧代码删了重来?" 检测到推倒会红线警告。

02 3 大范式

亲手 build 出 3 个重量级 agent

Week 6-8 你将逐一实现:

Mini Claude Code — coding agent 范式
Mini OpenClaw — personal OS agent (多 channel + 主动循环 + skill 协议)
Mini Hermes Agent — self-improving agent (7 sandbox backend + skill summarizer)

这是中文世界目前唯一同时教这三个范式的 cohort 课程。

03 7 大留白

市面没人教的 7 个空白区

W3 harness 工程化 + sandbox 隔离 + MAST 故障分类学
W4 LLM/Agent 测评方法论 + benchmark 失真模式批判
W5 系统级 MCP 架构 + 大规模 skills 治理 (≥100 skills)
W8 self-improving agent + trajectory-driven skill 演化
W10 生产级 eval pipeline (multi-judge / trajectory / synthetic)
W11 agentic devops + 自托管推理引擎 + GPU 算力市场
W12 NVIDIA / Amazon / Anthropic + TPU 三大计算生态选型框架

chapter 04 · 12-week curriculum

12 周课程, 每一周都有具体产出.

每周 ~10–12 小时:2 × 60–75 分钟直播 + 5–8 小时自学 + Lab 实验 + 社区互动。 12 周共计 ~130 小时投入。

part 1

系统基础 — build the engine

8 weeks · W01–W08

W01

Agent Runtime 基础 · Tool Use 协议与 ReAct 控制循环

从手动 multi-turn 到事件驱动控制循环。Anthropic Messages API 语义层精读、 tool_use 报文协议剖析、ReAct 抽象封装、stop condition 工程化设计。

学到 · learn

Anthropic Messages API 语义层 (messages / system / temperature / stop_sequence)
tool_use 报文协议剖析 (input_schema / tool_use_id / tool_result 闭环)
从手动 multi-turn 到事件驱动控制循环
3 类 stop condition 的工程化设计

Lab

手动发起一次 tool_use 调用, 逐字段拆解请求/响应报文
实现 calculator + get_weather 两个最小 tool
multi-turn → 状态机驱动控制循环重构
跑通端到端 demo:"查 SF 天气并推荐穿搭"

产出 · ship

step.py · 120–150 行 ReAct loop
tools/calculator.py + weather.py
真实跑通的 demo

W02

上下文工程与 MCP 协议架构

Context window 容量数学与 token 预算建模、长程记忆四范式对比、 MCP 协议 (JSON-RPC 2.0 over stdio/SSE) 技术解构。

学到 · learn

长程记忆四范式 (full-context injection / sliding / summarization / RAG retrieval)
Context window 容量数学与 token 预算建模
MCP 协议规范 (JSON-RPC 2.0 over stdio/SSE) 技术解构
MCP 设计动机:工具发现 / 生命周期 / 能力协商三大工程驱动力

Lab

跨 session 对话, 实证性观察记忆衰减曲线
四范式压力测试, 量化保真度差异
把 calculator 重构为 MCP server, 抓包分析跨进程协议交互
实现 5 个 in-process tool (web_fetch / sql / file / shell)

产出 · ship

memory/ SQLite + retrieval ~150 行
5 个新 in-process tools
MCP minimal server ~80 行
MCP client adapter

W03

Harness 工程化 · Sandbox 隔离与故障分类学

Harness 7 维工程化体系、6 种 sandbox backend 工程对比、 Berkeley MAST 14 类故障分类法 + Parallight 4 类自定义补充。

学到 · learn

Harness 7 维 (prompt 编排 / 预算控制 / retry / 并行调度 / approval gate / cancellation / subagent 拓扑)
6 种 sandbox backend 工程对比 (Local / Docker / Daytona / Modal / Vercel / E2B)
Prompt injection 攻击面与防御边界实演
MAST 14 类故障分类法 + Parallight 4 类自定义补充

Lab

注入网络抖动触发 loop 崩溃, 工程化 retry 与退避策略
在 Docker sandbox 内执行 rm -rf /, 验证宿主机隔离边界
在 local backend 上重放同一指令, 观察隔离失效后果
将前 3 周遇到的所有 failure 系统性映射到 MAST 分类

产出 · ship

harness/ 7 工程组件 ~370 行
tools/sandbox/ Backend ABC + Docker + Local
1 页 "我踩过的 failure → MAST 对照表"

W04

LLM/Agent 测评方法论与基准生态批判

主流 leaderboard 拆解、benchmark 失真模式 (数据污染 / goal hacking / metric gaming)、 LLM-as-judge 5 大系统性偏差、mini eval harness 自建。

学到 · learn

主流 6 大 leaderboard 拆解 (Chatbot Arena / SWE-bench Verified / BFCL v3 / tau-bench / GAIA / WebArena)
Benchmark 失真模式:数据污染 / goal hacking / metric gaming 三大反模式
LLM-as-judge 5 大系统性偏差 (position / verbosity / self-preference 等)
5 家 tokenizer 在中英混合语料下的分词对齐差异

Lab

将 W2 mini agent 接入 10 家 LLM (5 闭源 + 5 开源) 运行同一研究任务
本地 Ollama 部署 Hermes 4 14B / Qwen 3 / DeepSeek R2 推理
实现 mini eval harness (judge / golden dataset / scorer)
抓取当周最新 leaderboard 做批判性方法学分析

产出 · ship

tools/llm_driver/ · 10 家 LLM 统一接口
evals/ mini harness ~250 行 (W10 升级前身)
landscape_report.md 真实评测报告

W05

系统级 MCP 架构与大规模 Skills 治理

Anthropic Skills 协议规范与 progressive disclosure 信息论模型、 MCP 三种 primitive 语义边界、8 大系统级架构挑战 (discovery / hot-swap / 多 agent 共享 / 签名信任链)。

学到 · learn

Anthropic Skills 协议规范 + progressive disclosure 信息论模型
MCP 三种 primitive (resources / tools / prompts) 语义边界与组合规则
OAuth 2.1 三种 flow + token refresh 工程实现
ClawHavoc 攻击案例剖析 + skill 签名信任链

Lab

将 W2 MCP stub 升级到生产级 (OAuth + resources + prompts)
在 agent 上挂载 10+ skills, 执行对抗性输入诱导 skill 误选测试
skill v1 → v2 在线热替换不停服
复现 ClawHavoc 攻击, 验证签名拦截能力

产出 · ship

mcp_servers/ 生产级 MCP server
skills_registry/ 6 组件 (discovery / disclosure / composition / registry / signing / observability)
≥10 份 SKILL.md
5–10 页架构决策文档 (ADR)

W06

Coding Agent 范式实现 · Mini Claude Code

Anthropic Claude Code 内部架构精读 (planner / executor / context layer)、Codex CLI 源码精读, 将 W1–W5 全部组件组装为自己的 mini Claude Code。

学到 · learn

Anthropic Claude Code 内部架构 (planner / executor / context layer)
Coding agent 核心能力面 (file ops / shell exec / 代码理解 / 任务规划)
SWE-bench Verified 评测方法学
Codex CLI 源码精读

Lab

组装 W1–W5 全部组件成 mini Claude Code
实现 file_read/write / bash_exec / grep / git
SWE-bench-Lite 跑通 3 个真实任务
用自己的 mini Claude Code 修一个真实 GitHub issue

产出 · ship

tools/coding/ file ops + bash + planner
evals/swe_bench_lite/ 3 task fixtures
能跑 python main.py "给项目加单元测试"

W07

Personal OS Agent 范式实现 · Mini OpenClaw

OpenClaw 架构精读 (channel adapter / skill loader / heartbeat scheduler)、 Markdown SKILL.md 协议、cron-based 主动循环模式、ClawHub registry 工程架构。

学到 · learn

OpenClaw 架构精读 (channel adapter / skill loader / heartbeat scheduler)
Markdown SKILL.md 协议与 filesystem watcher 热加载机制
Cron-based 主动循环模式 (proactive agent loop)
ClawHub registry 工程架构

Lab

实现 Telegram channel adapter (webhook → 鉴权 → LLM 回复全链路)
实现 SKILL.md filesystem watcher, 改 markdown 触发热重载
实现 heartbeat 主动循环 (agent 按计划主动发起对话)
设计 ClawHub 风格的 skill registry

产出 · ship

tools/channels/telegram_adapter.py
heartbeat.py 主动循环 + Croner
720–950 行增量 → 完整 personal OS agent

W08

Self-improving Agent 范式实现 · Mini Hermes Agent

Hermes Agent 架构精读 (7 sandbox 抽象层 / skill summarizer)、 self-improving 设计模式与 trajectory-driven 演化机制、5 用户真实测试方法学与反馈闭环。

学到 · learn

Hermes Agent 架构 (7 sandbox 抽象层 / skill summarizer)
Self-improving agent 设计模式与 trajectory-driven skill 演化机制
5 用户真实测试方法学与反馈闭环分类

Lab

实现 7 种 sandbox backend (Local / Docker / Daytona / Modal / Vercel / E2B / Cloudflare)
实现 skill summarizer (从 5+ trajectory 自动抽取 SKILL.md)
将 agent 部署到公网, 招募 5 名真实用户测试
观察 agent 自演化生成新 SKILL.md 的过程

产出 · ship

skill_summarizer.py + 完整 7 sandbox backend
部署在公网的 production agent v0
5 名真实用户的完整 trajectory
≥3 个自动演化生成的新 SKILL.md

part 2

生产工程 — ship to production

4 weeks · W09–W12

W09

Vertical Fork 工程 · 架构级二次开发

Fork 起点决策框架 (自研三范式 vs 上游主流项目)、5 类架构级修改方向、 anti-shallow-fork 三道质量闸。

学到 · learn

Fork 起点决策框架 (自研三范式 vs 上游主流项目 fork)
5 类架构级修改方向 (channel 扩展 / memory 重构 / sandbox 替换 / retrieval 注入 / skill 自动化)
工程 spec 写作方法论
Anti-shallow-fork 三道质量闸

Lab

选定一个 vertical (coding / research / personal assistant / DevOps / 教育辅导)
在 W6/W7/W8 codebase 上完成 ≥1 处架构级修改
撰写 1 页技术 spec (架构改动 + 核心 use case + 工程风险)
端到端跑通选定 vertical 的 1 个 use case

产出 · ship

week09/spec.md
{vertical}/agent_v0/ 端到端 skeleton
≥1 处架构级修改的初步实现

W10

生产级 Eval Pipeline · 多裁判共识与 Trajectory 评估

Multi-judge consensus (Cohen's kappa 一致性度量)、trajectory eval、synthetic data 自动生成、 eval-as-gate (CI/CD 自动门禁与阈值设计)。

学到 · learn

Multi-judge consensus (Sonnet + Opus + GPT-5 三票表决 + Cohen's kappa 一致性度量)
Trajectory eval (逐步评分 vs 终态评分的方法学差异)
Synthetic eval data 自动生成 pipeline
Eval-as-gate:CI/CD 自动门禁 + rubric 设计 5 类反模式

Lab

用 3 个独立模型对同一 trace 评分, 量化 inter-rater agreement
实现 trajectory scorer, 对 agent 每一步单独评分
用 LLM 批量生成 50–100 个 synthetic test case
配置 GitHub Actions:eval 自动运行, 低分阻断 PR merge

产出 · ship

evals/multi_judge.py + trajectory_eval.py + synthetic_data.py
完整 eval pipeline + Langfuse pass-rate dashboard
agent_v1 · 根据 eval 反馈改进的版本

W11

现代技术栈 I · 云原生部署、自托管推理与 Agentic DevOps

Vercel / Cloudflare Workers / Daytona / Modal 部署实战 (对照 AWS 7-step)、 vLLM / SGLang 自托管推理引擎、8 家 GPU 算力市场对比、 Agentic DevOps (agent 作为 pipeline first-class citizen)。

学到 · learn

应用层部署:Vercel / Cloudflare Workers / Daytona / Modal (对照 AWS / 阿里云 7-step 配置链)
大模型自托管:vLLM / SGLang / TensorRT-LLM / Ollama / LMDeploy 五引擎横评
GPU 算力市场:Modal / Anyscale / RunPod / Together / Fireworks / Replicate / Baseten / Beam 八家技术与商业模式对比
Agentic DevOps (2026 范式):canary / blue-green / shadow mode 全部 agent 驱动

Lab

将 agent_v1 部署到 Vercel / Cloudflare / Modal 之一
在 Modal 上部署 vLLM 自托管 Llama 4 / Qwen 3 推理服务
配置完整 Agentic DevOps pipeline (lint → test → eval → agent review → canary → shadow)
Shadow mode:agent 自动用 LLM-as-judge 对比新旧版本输出

产出 · ship

部署在公网的完整 agent stack
自托管推理 demo (vLLM 或 SGLang)
完整 Agentic DevOps pipeline
modern_stack_choices.md

W12

现代技术栈 II · LLMOps、Token 治理与生态选型框架

6 家 LLMOps observability 横评、LiteLLM token/proxy 治理层、多模态生态地图、 NVIDIA / Amazon / Anthropic + TPU 替代三大计算生态选型框架。

学到 · learn

LLMOps observability 六家横评 (Langfuse / LangSmith / Helicone / Phoenix / Braintrust / Datadog)
Token / Proxy 治理层:LiteLLM 实战 (multi-model fallback / per-tenant quota / cost optimization)
多模态生态地图 (语音 / 图像 / 视频 16 个工具栈)
三大计算生态选型:NVIDIA (CUDA / TensorRT / NIM) / Amazon (Bedrock / AgentCore / Trainium) / Anthropic (MCP / Skills / Claude Code) + TPU 替代算力路径

Lab

配置 LiteLLM proxy:"Sonnet 优先 → Haiku fallback → 本地 vLLM" 三级降级链路
设计 per-tenant token quota 系统
在自己 trace 上对比 6 家 LLMOps 的实际差异
撰写《下一个 AI 项目的技术栈选型 doc》(NVIDIA / Amazon / Anthropic 混搭策略)

产出 · ship

完整 observability + token 管理栈
architecture_evolution_report.md · 从 W1 到 W12 决策轨迹
my_next_ai_project_stack.md
5 分钟 demo 视频 + 双语博客

cumulative codebase · 12 weeks · forbidden to recreate

Week 1   step.py
Week 2   + memory/  + 5 tools  + MCP minimal stub
Week 3   + harness/ (7 维)  + sandbox/ (Docker)
Week 4   + tools/llm_driver/ (10 家)  + evals/ mini
Week 5   MCP stub → 生产级  + skills_registry/ (6 组件)
Week 6   + tools/coding/   // mini Claude Code
Week 7   + tools/channels/ + heartbeat.py   // mini OpenClaw
Week 8   + skill_summarizer.py + deploy/   // mini Hermes
Week 9   架构级二次开发 + spec.md
Week 10  evals/ → production-grade
Week 11  完整部署 stack + Agentic DevOps pipeline
Week 12  observability + token 管理 + 选型 doc

每一周的代码都加在上一周之上, 禁止推倒。 Lab evaluator subagent 每周末自动检查这一约束。

chapter 05 · parallight lab

Lab 是这门课的核心差异化.

不是普通的"练习题平台", 而是一个 AI 私教 + 实验底座 + evaluator 三合一的工具。 Agent engineering 是一门实验性极强的学科 — LLM 的不可预测性意味着光读文档没用, 必须 写 → 跑 → 看 trace → 改 → 再跑。一个 12 周 cohort 中, 学员平均会在 Lab 里完成 400+ 次实验 — 这是常规课程的 5–10 倍密度。

01

7×24 AI 私教 — 有上下文

内置 agent tutor 知道你当前在哪一周、读到哪一节、卡在哪一行代码 — 不是通用 chatbot, 是 有上下文的私教。

02

Predict-before-reveal · 强制模式

运行代码前 Lab 先问:"你预测这段代码会输出什么? 为什么?" 科学实验方法论 — 不预测就不让你跑。深度提升 3–5 倍。

03

累积代码自动检查

Lab 内置 evaluator subagent, 每周末自动检查: 你是不是在上一周代码上扩展, 还是把它推倒了? 检测到推倒就红线警告。

04

Trace 可视化 + 失败模式自动归类

每次 agent 运行的完整 trace 都被记录、可视化:每一步 LLM 输入/输出/tool call/token。失败 trace 自动归到 Berkeley MAST 14 类。

05

一键部署到现代栈

Part 2 阶段, 5 分钟把 agent 部署到公网 — Vercel / Cloudflare / Modal / Daytona 任选, Langfuse observability 自动接入。

06

Fork 脚手架

Week 9, OpenClaw / Hermes Agent / Codex CLI 一键 fork, 自动接入你的 Lab eval / trace, 专注架构级修改不用折腾环境。

07

Anti-shallow-fork 三道质量闸

W9 / W10 / W12 evaluator 自动检查:你是否在 fork 上做了 真正的架构级修改, 还是只改了 prompt? 不达标会反复推动你深入。

→ open

查看 Lab 实物预览

Mira / Liu / Kai 三位真实学员的 canvas, 完整 4 步 rhythm 走查 → parallight.ai/lab-intro

chapter 06 · outcomes

12 周后, 你会成为这样的人.

从零 build 一个完整 agent 系统 — step / memory / tools / harness / sandbox / skills / MCP 全部独立实现, 不依赖框架黑盒
理解并复现 Claude Code / OpenClaw / Hermes Agent 三大主流范式 — 看懂源码
设计可扩展到 100+ skills 的 agent 架构 — 大部分公司 staff engineer 级别才需要的能力
独立评价整个 agent 生态 — 看到任何新模型/新框架/新 leaderboard, 不再被 marketing 牵走, 能直接判断技术本质
Build production-grade eval pipeline — multi-judge / trajectory / synthetic / regression 全套
设计现代化部署架构 (Vercel / Cloudflare / Modal / Daytona) + Agentic DevOps pipeline
自托管开源大模型推理服务 (vLLM / SGLang / TensorRT-LLM), 独立做 "自托管 vs API"成本决策
设计 LLMOps observability + Token / Proxy 管理栈 (LiteLLM 实战 / per-tenant quota / multi-model fallback)
看通 NVIDIA / Amazon / Anthropic / TPU 四大生态格局, 做长期技术选型决策
拥有一份持续生长的 production-grade codebase, 既是简历级作品, 也是未来工作 / 创业的工程基线

chapter 07 · fit check

这门课适合谁, 不适合谁.

适合你, 如果...

已工作的 ML / 后端 / 全栈工程师, 想系统进入 agent engineering, 但被市面上 LangChain / 框架黑盒教学卡住
AI 应用工程师, 已经在用 Claude / GPT API 做产品, 想从"调 API"升级到"理解和构建 agent 架构本身"
从大公司离开想自己建技术能力的中高级工程师, 需要一份完整的 production-grade agent 知识地图
AI 创业 founder / 早期员工, 需要理解整个工具栈做选型决策, 不只是某一个具体技能
对 agent 工程极度感兴趣的资深开发者, 想读懂 Claude Code / OpenClaw / Hermes 这类前沿项目源码

不适合你, 如果...

实在没有编程基础 (本课程要求熟练 Python)
想要 "零代码"或"视频拖拽"式教学
想要教你怎么找 PMF / 怎么融资 / 怎么做 marketing — 本课程不教这些
不接受每周 10–12 小时投入 — 累积式 codebase 不能跳周

chapter 08 · prerequisites

学习要求.

必须 · required

熟练掌握 Python — 能独立读写中等复杂度的 Python 程序;熟悉 dict / list / class / async / package / virtualenv;能看懂第三方库源码

有帮助但非必须 · helpful

用过任何一种 LLM API (Anthropic / OpenAI / Gemini 都行)
做过任何形式的 web 后端 (理解 HTTP / REST / JSON-RPC 概念)
有 Linux / Docker 基本使用经验

不需要 · not required

不需要 ML 背景 — 我们不训练模型, 只用 LLM 推理
不需要前端经验 — Lab 已经替你处理 UI
不需要大数据 / 分布式系统经验

时间投入 · commitment

每周 10–12 小时 · 2 × 60–75 分钟直播 + 5–8 小时自学 + Lab 实验 + 社区互动
12 周共计 ~120–140 小时

chapter 09 · final deliverables

你最终拿到手的产出物.

code · 代码资产

完整 production-grade agent codebase — 从 step.py 到 agentic_devops.yml
你亲手实现的 mini Claude Code / OpenClaw / Hermes Agent 三大范式
≥10 份 SKILL.md + 自己写的生产级 MCP server + 完整 skills_registry 子系统
Production-grade eval pipeline + Agentic DevOps pipeline
部署在公网的完整 agent stack

docs · 知识文档

5–10 页系统架构决策文档 (ADR, 讨论扩展到 100+ skills 的设计)
架构演化报告 — 从 W1 step.py 到 W12 完整产物的设计决策轨迹
"我下一个 AI 项目的技术栈选型 doc" (NVIDIA / Amazon / Anthropic 三大生态混搭)
LLMOps + Token 管理栈选型 doc

community · 社区资产

5 分钟 demo 视频 (Loom)
双语技术博客文章 (WeChat / Medium / X)
Parallight alumni network 永久成员资格
完整的 trace + eval 历史 — 简历附件

chapter 10 · 报名 / apply

仅 25 个席位 — 申请制.

Cohort 1 是 founding cohort, 我们只接收 25 位精选学员。每份申请训练营项目组都会亲自阅读, 5 天内回复。

后续 cohort 涨价, founding 价不再提供。我们更看重你想做的真实问题, 而不是简历漂亮。

已被录取的学员将在开课前 1 周收到入门资料、Discord 邀请、以及 Lab 早鸟试用权限。

▲ founding price · cohort 1 only

USD $735 12 weeks · 全程 · 一次性收费 · 按美元计价（汇率波动不影响价格）

起讲日期 2026 · 05 · 31 (周日)

课程长度 12 weeks · ~130 h

直播 + 自学 ~10–12 h / 周

席位 25 · 申请制

语言中英双语 · 直播中文

退款保障开课 15 天内 · 无理由全额退款

申请加入 / Apply → 已经申请 / 聊过? 直接缴费支付 / Pay directly →

5 分钟填完。每份申请训练营项目组亲自阅读, 5 天内回复。
开课 15 天内不满意, 一句话原路全额退款。

AI 时代正在诞生一种 全新的工程师角色.

你已经看了不少课 — 大部分都 停在了同一面墙前.

课程设计的 3 个 核心特点.

累积式 codebase, 12 周一条直线生长

亲手 build 出 3 个重量级 agent

市面没人教的 7 个空白区

12 周课程, 每一周都有具体产出.

系统基础 — build the engine

Agent Runtime 基础 · Tool Use 协议与 ReAct 控制循环

上下文工程与 MCP 协议架构

Harness 工程化 · Sandbox 隔离与故障分类学

LLM/Agent 测评方法论与 基准生态批判

系统级 MCP 架构与 大规模 Skills 治理

Coding Agent 范式实现 · Mini Claude Code

Personal OS Agent 范式实现 · Mini OpenClaw

Self-improving Agent 范式实现 · Mini Hermes Agent

生产工程 — ship to production

Vertical Fork 工程 · 架构级二次开发

生产级 Eval Pipeline · 多裁判共识与 Trajectory 评估

现代技术栈 I · 云原生部署、自托管推理与 Agentic DevOps

现代技术栈 II · LLMOps、Token 治理与生态选型框架

Lab 是这门课的 核心差异化.

7×24 AI 私教 — 有上下文

Predict-before-reveal · 强制模式

累积代码自动检查

Trace 可视化 + 失败模式自动归类

一键部署到现代栈

Fork 脚手架

Anti-shallow-fork 三道质量闸

查看 Lab 实物预览

12 周后, 你会成为 这样的人.

这门课 适合谁, 不适合谁.

适合你, 如果...

不适合你, 如果...

学习要求.

必须 · required

有帮助但非必须 · helpful

不需要 · not required

时间投入 · commitment

你最终拿到手的 产出物.

仅 25 个席位 — 申请制.

AI 时代正在诞生一种全新的工程师角色.

你已经看了不少课 — 大部分都停在了同一面墙前.

课程设计的 3 个核心特点.

LLM/Agent 测评方法论与基准生态批判

系统级 MCP 架构与大规模 Skills 治理

Lab 是这门课的核心差异化.

12 周后, 你会成为这样的人.

这门课适合谁, 不适合谁.

你最终拿到手的产出物.