WHY IT MATTERS
先用一句白话理解
聊天模型像顾问，智能体像拿到工牌、工具箱和流程手册的执行者。权限越大，审批、审计和止损机制就越重要。
LEARNING OUTCOMES
学完你能做到什么
能判断任务该用普通函数、工作流还是智能体
能实现工具调用、状态、记忆、交接、重试与人工审批
能用 MCP 连接工具与资源，用 A2A 连接独立智能体
CONCEPT DEEP DIVE
把每个核心概念讲透
不要把知识点当作名词列表。下面每一项都要回到真实项目中回答：它解决什么问题，如何验证，以及在哪些条件下会失效。
Agent Loop、工具 Schema、状态、记忆与上下文压缩
先明确数据来源、输入输出、评价指标和失败样本。把这个概念放回“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”中，回答它解决了什么问题、依赖哪些输入、会在哪些边界失效。
确定性编排、Manager、Handoff 与多智能体协作
先明确数据来源、输入输出、评价指标和失败样本。把这个概念放回“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”中，回答它解决了什么问题、依赖哪些输入、会在哪些边界失效。
MCP 的 Tools、Resources、Prompts 与传输层
先明确数据来源、输入输出、评价指标和失败样本。把这个概念放回“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”中，回答它解决了什么问题、依赖哪些输入、会在哪些边界失效。
A2A Agent Card、任务生命周期、流式与异步协作
先明确数据来源、输入输出、评价指标和失败样本。把这个概念放回“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”中，回答它解决了什么问题、依赖哪些输入、会在哪些边界失效。
Guardrail、沙箱、幂等、审批、Tracing 和预算上限
先明确数据来源、输入输出、评价指标和失败样本。把这个概念放回“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”中，回答它解决了什么问题、依赖哪些输入、会在哪些边界失效。
CONCEPT MAP
这一章的学习步骤
给一个 Python 函数包装成可校验工具
为写操作加入人工批准与幂等键
自建 MCP Server，并让两个 Agent 通过 A2A 协作
HANDS-ON PROJECT
动手任务
构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。
交付清单
- ✓一个带鉴权的 MCP Server
- ✓多智能体任务图和失败恢复策略
- ✓审批记录、Trace 和预算报告
MINIMUM RUNNABLE CODE
给智能体一件可验证的小工具
import asyncio
from agents import Agent, Runner, function_tool
@function_tool
def calculate_total(price: float, quantity: int) -> float:
"""计算订单总价。"""
return round(price * quantity, 2)
agent = Agent(
name="Order assistant",
instructions="需要计算时必须使用工具，并简短说明结果。",
tools=[calculate_total],
)
async def main():
result = await Runner.run(agent, "单价 19.9 元，买 3 件多少钱？")
print(result.final_output)
asyncio.run(main())先让它跑起来，再逐行修改。最有效的学习方式，是观察你的改动如何影响结果。
DELIBERATE PRACTICE
三级练习：从复现到生产
每一级都比上一级少一点提示、多一点约束。只有在不看答案也能完成验收时，知识才真正变成能力。
让核心机制第一次跑通
- 给一个 Python 函数包装成可校验工具
- 为写操作加入人工批准与幂等键
- 自建 MCP Server，并让两个 Agent 通过 A2A 协作
改变约束，验证你真的理解
- 不看教程，独立完成：能判断任务该用普通函数、工作流还是智能体
- 不看教程，独立完成：能实现工具调用、状态、记忆、交接、重试与人工审批
- 不看教程，独立完成：能用 MCP 连接工具与资源，用 A2A 连接独立智能体
把实验变成能交付的工程
- 一个带鉴权的 MCP Server
- 多智能体任务图和失败恢复策略
- 审批记录、Trace 和预算报告
- 检查数据漂移、权限、安全、延迟、成本与回滚，并把检查结果写进项目复盘。
COMMON PITFALLS
最容易踩的坑
简单流程也交给 Agent，自增延迟、成本和不确定性
工具权限过宽，读操作和写操作不分级
多智能体相互闲聊，却没有终止条件和总预算
SELF CHECK
先回答，再展开参考答案
Q01这一课最核心的业务目标是什么？＋
先区分确定性工作流和智能体，再学习工具、状态、人工审批、Tracing、MCP 与 A2A，构建可中断、可恢复的任务系统。
Q02如果只能保留三个验收结果，应该保留什么？＋
一个带鉴权的 MCP Server；多智能体任务图和失败恢复策略；审批记录、Trace 和预算报告
Q03学习过程中最需要主动避免什么？＋
简单流程也交给 Agent，自增延迟、成本和不确定性；工具权限过宽，读操作和写操作不分级；多智能体相互闲聊，却没有终止条件和总预算
Q04怎样证明你不是“看懂了”，而是真的会做？＋
独立完成“构建研究与研发助理：检索资料、运行代码、生成报告；高风险操作必须暂停等待批准，所有步骤可追踪和恢复。”，并用测试、数据或运行结果逐项验收交付清单。
本课完成检查表
全部能打勾，再进入下一课。
- □目标明确：能判断任务该用普通函数、工作流还是智能体
- □核心机制已用最小实验验证：给一个 Python 函数包装成可校验工具
- □风险已检查：简单流程也交给 Agent，自增延迟、成本和不确定性
- □风险已检查：工具权限过宽，读操作和写操作不分级
- □风险已检查：多智能体相互闲聊，却没有终止条件和总预算
- □交付物可复现：一个带鉴权的 MCP Server
- □交付物可复现：多智能体任务图和失败恢复策略
- □交付物可复现：审批记录、Trace 和预算报告
PRIMARY SOURCES
继续深入的官方资料
课程版本基线：2026 年 7 月。涉及版本号时，以链接中的官方文档为最终依据。