在 RuoYi-Vue-Plus 中集成 AgentScope Harness，关键不只是调用大模型，而是如何把智能体装配、工具白名单、MCP 适配和会话级资源管理纳入 Java 中台工程体系。

一篇技术文章将 AI Agent 工程拆分为 Prompt、Context、Loop 与 Harness 四层，并提出“Harness = Agent − Model”，重新解释智能体系统的工程重心。

在代理网络环境中使用 Codex 时，频繁出现的 Reconnecting 提示往往不是模型推理缓慢，而是客户端直连失败后的重试过程。通过修改一行配置，可以让 Codex 直接使用系统代理，减少等待时间。

大模型只会生成文本，如何真正查天气、算数据、读系统？Tool Calling 将 ReAct 循环中的“行动”步骤接到真实方法上，使 Agent 从会聊天走向能办事。

在AI模型训练中，判断一个分类模型的好坏，往往不能只看它是否答对。交叉熵的价值在于，它能在同样答错的情况下继续区分概率质量。

一次任务 API 故障显示，AI 生成的代码虽然能通过常规测试，却可能把合法的 false 误判为无效值。问题不在语法，而在需求表达、测试覆盖和语言语义边界。

继提示词工程、上下文工程和驾驭工程之后，AI 编程圈开始关注 Loop Engineering。它并不是简单让 AI 重复执行任务，而是通过目标设定、反馈闭环和状态记忆，让编程 Agent 自动推进，直到完成可验证结果。

LangSmith 的意义不只是调试工具，而是让 RAG 与 Agent 的执行过程、成本消耗和评估基础变得可见、可控、可追踪。