All in AI · 从写第一个 Agent 到搭 LLM 基础设施
输入“/”快速插入内容
All in AI · 从写第一个 Agent 到搭 LLM 基础设施
All in AI · 从写第一个 Agent 到搭 LLM 基础设施
用户7125用户7125今天修改
1560
这里有十多本 AI 工程实战书，外加一些源码调研和文章。每一本都是我自己做这个方向时，为了啃下某个具体问题写出来的——东西难、资料少，索性边做边记，记成了书。到现在大约 2.8 万人读过。
我是「递归客」，Agent 工程师。去年开始把时间全部压到 AI 上，现在最花我精力的一件事是：个人用 AI 的效率上来了，团队没有。一个人摸索出来的 skill、prompt、知识库、评测集，换个人还得从零再摸一遍，人一走就全没了。下面这些书有一多半是在解这个问题，剩下的在讲单个 Agent 怎么在跨天的长任务里不丢状态。
写书是我自己的学习方式：一件事啃透了才动笔，写不清楚就说明还没搞明白。写完顺手开源，代码都在我机器上跑通过，跑不起来可以到仓库提 issue。你要是也在做这个方向，能省下我踩过的那些时间。
没头绪？先看这三本
•
•
•
全部书目
工程师写给工程师，每本只解决一个真实问题，全部开源、代码可跑。
入门 · 动手写
•
•
读源码 · 看真实实现
•
•
•
LLM 基础设施
•
•
•
工具链 · Claude 生态
•
•
•
评测
•
•
《Agent Harness 评测工程》 — 离线评测全绿、线上还是翻车？因为你评的是模型，不是 harness（编排/工具/记忆/工作流那一整层）。讲怎么给真实 harness 量整体效果分、把失败定位到具体模块
关于我
「递归客」，Agent 工程师，全栈工程师出身，主用 Node.js + TypeScript。这套书不是边学边凑的笔记——里面大部分系统我都在一线真正做过、踩够了坑，才回过头写下来的。
最早从 React、Next.js 起家，写了几年业务系统和前端框架，做过比较深的前端性能优化，也做过客户端动态化方案，后来一路往后端、CLI 工具、SaaS 平台延伸。去年开始把所有时间投到 AI 上——读 Agent 框架源码、自己撸 LLM 网关、做 Agent Memory、设计客服 SaaS 平台架构，能动手的基本都动了一遍。这套书就是这段时间的副产品。
现在手上的活分两块。一块是单个 Agent 怎么在长任务里活下来：上下文压缩之后丢了什么、断了从哪儿接着跑、跑偏了靠什么信号拉回来，让它自己迭代、自己纠错，少一点人盯着。另一块是团队的 AI 资产建设。书里很多内容是工作中直接验证过的，不是纸上谈兵，其中几本也在和出版社合作出纸质版。
大部分人现在问的是 Agent 能替我做什么。我更想问反过来的那一面：我能给 Agent 提供什么。喂给它的上下文、写给它的 skill、拿来判它对错的评测集，这些东西的质量直接决定了 Agent 在你这儿能做到什么水平。顺着这条线，判断一个能力算不算 AI 资产也就有了标准：不能被 Agent 复用的，就不算资产。资产的前提是可复用——只装在个人脑子里、只有本人会用的手法，再厉害也不是。
另一头的感受是执行层面的东西在快速贬值。我一边用 Agent 把自己的产出放大，一边越来越怀疑过去那套以"能干活"为核心的能力结构还能撑多久。新时代真正值钱的资产到底是什么，我有一些答案，但还不够，仍在往下想。
除了书，平时也在做几样东西：
•