LearnAgent 先跑通闭环，再装载认知 按行动目标浏览 AI Agent 学习与开发内容：先看项目，再追踪变化、动手实践、做选型判断，最后补必要概念。
最后更新：2026-07-12
官方文档、release、协议变化和生态更新。快速知道最近发生了什么、是否需要行动。
2026 年上半年，一个看似简单的文件格式正在改变 AI 编程工具的使用方式：SKILL.md。
如果只看 2026 年 5 月的 Cursor 更新，一个非常清楚的趋势是：Cursor 正在从“AI IDE”变成“团队级 Agent 平台”。
Google I/O 2026 最值得开发者关注的，不只是一个新模型发布，而是 Google 把模型、编程 Agent、个人 Agent 和开发者 API 组合成了一套更完整的 Agent 平台。
2026 年 4 月下旬到 5 月的 Windsurf 更新，最重要的信号是：Devin 正在从“独立的云端自主工程师”，变成嵌入 IDE、CLI、云端执行和代码审查流程的 Agent 基础设施层。
OpenAI 新旗舰 GPT-5.6 分三个尺寸（从小到大）：Luna、Terra、Sol。
Bun 作者 Jarred Sumner（Bun 于 2025 年 12 月被 Anthropic 收购，Jarred 现为 Anthropic 员工）用预发布版 Claude Fable 5 + Claude Code 的 Dynamic Workflows，在 11 天内把 Bun 从 Zig 重写为 Rust——535,496 行代码、1,448 个 .zig 文件、6,778 个 commit。
Armin Ronacher（Flask 作者，现做 AI 编程工具 Pi）发现一个反直觉的现象：更新的 Claude 模型在调用第三方工具时，反而比旧模型更容易产生格式错误的参数。
Geoffrey Litt（研究员，以可编程界面和 Inkwell 编程工具闻名）在 AI Engineer Conference 2026 上做了一个演讲，标题是 "Understand to Participate"（理解以参与）。
2026 年 7 月 8 日，OpenAI 发布 GPT-Live——ChatGPT 语音模式终于换了底层模型。
Simon Willison 在 5 月 27 日发了一篇长文，核心论点是：Anthropic 和 OpenAI 通过 Claude Code / Codex 这类编程 Agent 产品，终于找到了真正能赚钱的产品市场匹配。 这不是关于模型能力提升的判断，而是关于商业模式的判断。
2026 年 5 月，安全研究团队 PromptArmor 披露了 Microsoft Copilot Cowork 中的一个数据泄露漏洞。攻击路径简洁但有效：prompt injection → Agent 发邮件到用户邮箱 → 邮件渲染外部图片 → OneDrive 预认证链接泄露 → 文件被攻击者下载。
2026 年 5 月 25 日，Anthropic 发布了工程博客 How we contain Claude across products，系统公开了 claude.ai、Claude Code、Claude Cowork 三条产品线的沙箱架构和安全事件。Simon Willison 评价这是"fantastic overview"——因为沙箱产品极少被如此详细地文档化。
2026 年 5 月 22 日，SQLite 在 GitHub 仓库中新增了一个 AGENTS.md 文件。这个文件不是给 SQLite 自己的开发用的，而是给"把 Agent 指向 SQLite 代码库"的人看的。
Simon Willison 在 Heavybit 的 High Leverage 播客上和 Joseph Ruscio 聊 AI 编程工具。对话中他意识到一件事：自己之前严格区分的 "vibe coding" 和 "agentic engineering"，在实际工作中已经开始模糊了。
如果只看 2026 年春季的 Claude Code 更新，趋势经历了两个阶段。W13-W21：从"终端 AI"变成"软件工程环境"——Auto mode、Computer use、Ultraplan、pinned sessions，一条线把默认工作流推向更少确认、更强执行、成本可观测。W23-W24：从"单 agent"变成"多 agent 编排"——Dynamic Workflows 让 Claude 自己拆分任务、创建并调度数十到数百个后台 agent 并行工作。
2026 年 5 月 28 日，Claude Code v2.1.154 发布。表面上看是一个常规版本更新，但引入的 Dynamic Workflows 让 Claude Code 完成了一个本质跨越：
如果说 2025 年的 MCP 重点是“把协议做出来”，那么 2026 年的重点就是“把协议做成可规模化、可治理、可企业部署的基础设施”。过去几个月，MCP 的重点已经不再只是 Tools / Resources / Prompts 这些基础原语，而是围绕四个问题收敛：
2026 上半年的 MCP 生态完成了一个关键跃迁：从"能用"到"可以规模化部署"。 公共注册表记录的服务器数量从 2025 年底的 ~6,800 增长到 2026 年 4 月中旬的 ~9,400（+38%），官方 Registry 记录达 9,652 条，月度 SDK 下载量超过 9,700 万次。六个主流宿主平台（Claude Desktop、Claude Code、Cursor、Codex CLI、Windsurf、VS Code/Copilot）均已提供一等公民级 MCP 支持。
2026 年 6 月，MCP 生态有两个数字值得注意：
A2A（Agent2Agent）v1.0 是首个正式宣称“production-ready”的 A2A 版本。它要解决的问题不是“一个 Agent 怎么调用工具”，而是“多个 Agent 怎么发现彼此、验证身份、委托任务、回传结果，并且在不同厂商和不同组织之间还能互通”。
2026 年上半年的 Agent 框架生态出现三个重大变化：（1）OpenAI Agents SDK 爆发式增长，Python 端半年内从 0.1.0 迭代到 0.17.7（6 月 24 日），以每周 1-3 个版本的速度迭代；（2）LangGraph 进入 1.2.x 稳定双周更新，最新到 1.2.7（6 月 30 日）；（3）Semantic Kernel 宣布被 Microsoft Agent Framework（MAF）取代。
工具配置、框架上手、MCP 开发和 AI Coding 工作流。每篇都服务于把东西做出来。
社区已有大量现成的 MCP Server（GitHub、Slack、PostgreSQL 等），直接拿来用就行。但以下场景需要你自己写：
单个 Agent 在简单任务上表现不错。但当你遇到以下场景，单 Agent 就力不从心了：
新手可以先把 Agent 理解成一个“会反复思考并调用工具的循环”：模型先理解任务，需要外部信息时调用工具或读取记忆，关键步骤经过检查点，最后再输出结果。后面所有复杂框架，本质上都是在这条基础循环上增加编排、权限和状态管理。
Claude Code 是 Anthropic 的 AI 编程助手，在终端、IDE 和浏览器中运行。它和网页版 Claude 的核心区别：能直接读写你电脑上的文件、执行命令、管理 Git。
Claude Code 的所有最佳实践都围绕一个约束：上下文窗口会快速填满，越满性能越差。上下文包含对话历史 + 读取的文件 + 命令输出。
很多人第一次接触 Claude Code，是从终端里的 claude 开始的。但到 2026 年，VS Code 和 JetBrains 插件已经足够成熟，Claude Code 不再只是“命令行助手”，而是可以直接嵌进日常编辑器工作流。
CLAUDE.md 是 Claude Code 的项目记忆文件。每次会话开始时，Claude 会自动读取它，了解你的项目规范、技术栈和工作流偏好。
OpenAI Agents SDK 是面向生产环境的 Agent 开发框架。2026 年上半年的更新把它从"轻量编排工具"推进到"沙箱原生的 Agent 运行时"：
Claude Agent SDK 是 Anthropic 推出的编程式 Agent 开发接口，让你可以用 Python 或 TypeScript 代码调用 Claude Code 的全部能力——包括代码理解、文件编辑、命令执行、多 Agent 协作等。
推荐路线：先做一个单 Agent + 一个工具的闭环，不要一上来做多 Agent。等你能稳定观测输入、工具调用、最终输出后，再考虑 handoffs、sessions 和 tracing。
LangGraph 是 LangChain 团队推出的图式 Agent 编排框架。它把 Agent 工作流建模为有向图（Directed Graph），每个节点是一个处理步骤，边定义了步骤之间的流转关系。
AG2 是由 AutoGen 原作者 Chi Wang 和 Qingyun Wu 创建的开源多 Agent 协作框架。它延续了 AutoGen v0.2 的对话式架构，提供了简洁、同步的 API，非常适合快速构建多 Agent 应用。
Semantic Kernel 是微软开源的一个 Agent 编排 SDK。它不是一个拖拽式平台，而是一层可以嵌入到现有应用里的 Agent 中间件，适合你在已有业务系统中加入大模型、工具调用、多 Agent 协作和流程编排能力。
很多 MCP Server 不是“写不出来”，而是“调不明白”。
Stripe 的开发者体验团队在 2026 年初做了一个系列实验，试图回答一个很实际的问题：怎么让 AI Agent 正确使用你的 API？
把 Agent 从本地 Demo 推到生产环境，需要解决五个问题：在哪里运行、怎么监控、怎么控制成本、怎么管理版本、怎么保障安全。本篇不讲特定框架的部署步骤（那些看官方文档就行），而是梳理通用的生产化决策框架。
你已经在本地跑通了一个 Agent Demo——可能是跟着 AI 编程趋势日报 Agent 做的，也可能是自己的项目。现在你想让它每天自动运行、或者让团队成员通过 API 调用。
Agent 的行为不确定——同一个提示可能因为上下文、模型版本或工具状态产生不同结果。这使得测试和评估成为 Agent 生产化的核心挑战。本篇提供一套可落地的评估框架：从单元测试到生产监控，从人工评审到 LLM 自动评审。
Dynamic Workflows 是 Claude Code v2.1.154（2026 年 5 月 28 日）引入的核心功能。在此之前的 Claude Code 是单 agent 架构——你发出指令，一个 agent 串行处理所有步骤。即使 claude agents 能创建后台会话，每个会话仍然是独立的 agent，需要你手动拆分任务和协调结果。
Codex CLI 是 OpenAI 的终端编程 Agent，能直接在你本地机器上读取、修改、运行代码。和 Claude Code 定位类似——都是"终端里的 AI 程序员"——但有几个关键区别：
2026 年 5 月，Simon Willison 公开了他个人的 AI 编程工具月度消耗：
Anthropic 公开了自己的沙箱架构和安全事件（参见 Anthropic 沙箱架构解读），核心教训是：标准隔离组件（gVisor、seccomp、hypervisor）扛住了考验，出问题的都是自己写的组件。
很多开发者对 Claude Code 的第一印象是"能写代码的聊天工具"。但实际上，Claude Code 最强的地方是用 Agent 的方式完成有边界的真实开发任务——不是让它从零写一个完整应用，而是让它在一个已有代码库中完成可验证、可回滚的工作。
工具、平台、框架和 SDK 的横向对比与选型建议。决定"用哪个"之前先看这里。
2025-2026 年，AI 编程工具的主线已经从"补全代码"走向"能读仓库、改文件、跑命令、接 CI/CD 的 Agent"。这篇文章把分散在多篇横评里的内容收口到一页：先看趋势，再按工作流选择 Cursor、Claude Code、GitHub Copilot、Devin Desktop、Aider、Continue、Trae、DeepSeek / Qwen Code 等工具。
这是一篇时效性年中更新，记录 2026 年 5-6 月 AI 编程工具市场的快速变化。它不是对 完整选型报告 的替代——完整报告包含趋势分析、六大趋势和全部工具横评。本文聚焦最近两个月发生的三件事：
2026 年的 AI Agent 生态已经不是一个"选哪个框架"的问题，而是一整套基础设施的成型。从 2025 年底的"百花齐放"到 2026 年中的"收敛与分层"，Agent 开发的基础设施经历了三个关键变化：
Cursor 是 AI 编辑器，Claude Code 是 AI 终端。 选哪个取决于你的主战场在哪里：如果你大部分时间在编辑器里写代码、改 UI、做局部重构，用 Cursor；如果你需要 AI 读整个仓库、跑命令、改配置、接入 CI/CD，用 Claude Code。
Claude Code 在 2026 年 6 月已经不是"终端版的 Cursor"，而是一个可编排、可验证、可审查的软件工程环境——Dynamic Workflows 让它自己调度数十到上百个并行 agent，Opus 4.8 提供目前最强的代码审查可靠性。选 Claude Code 当且仅当你需要 AI 理解整个仓库、执行复杂工作流、接入 CI/CD。 如果你主要在编辑器里写 UI、做局部改动，Cursor 或 Copilot 仍然是更顺手的选择。
GitHub Copilot Coding Agent 在 2026 年已经不只是“IDE 里的 Copilot 聊天框”。它更准确的官方名称是 Copilot Cloud Agent，也就是一个在 GitHub Actions 支持的临时环境中后台工作的云端代理。
国产 AI 编程工具在 2026 年的竞争焦点已经从"能不能补全代码"转向三个方向：Agent 化（自主完成分析-生成-测试流程）、IDE/插件双形态（独立 IDE 还是嵌入 VS Code）、企业级合规和私有化。
AI 编程工具选型报告 回答"用哪个工具"，落地成本对比 回答"花多少 Token"。但很多人卡在更前一步：这些工具到底怎么买、买哪种订阅最划算——直接付 Claude Max $100，还是去用便宜得多的第三方聚合订阅？
2026 年，AI Agent 框架从"能跑 Demo"进入"工程化落地"阶段。2026 年 4 月，Microsoft Agent Framework 1.0 GA 正式发布，合并 AutoGen 和 Semantic Kernel 为一个统一 SDK，标志着框架生态从"百花齐放"走向"整合收敛"。当前五个主流框架各有定位：LangGraph 做流程控制、CrewAI 做角色协作、Microsoft Agent Framework 做企业级多 Agent 编排、Google ADK 做标准化互联、AG2 做社区驱动的多 Agent 协商。
2025-2026 年，三大 AI 公司各自推出了 Agent SDK，提供了构建 AI Agent 应用的官方工具包。本篇对比 Claude Agent SDK、OpenAI Agents SDK 和 Google ADK 的核心特性，帮助你做出技术选型。
2026 年中选 Agent SDK，记住三条：已锁定 OpenAI 生态 → OpenAI Agents SDK，迭代最快、沙箱原生；需要精细控制工作流和状态 → LangGraph，1.2.x 稳定、生产验证充分；Google Cloud 用户 → Google ADK，2.0 已 GA、Workflow Runtime 开箱即用。Semantic Kernel 老用户应开始规划向 MAF 迁移；AG2 恢复了活跃迭代（0.13.3），但 v1.0 路线图意味着近期有 API 大改。
对于不想从零写代码构建 Agent 的用户，有一批低代码/无代码平台提供了可视化构建 AI Agent 的能力。本篇对比最受欢迎的四个平台：Dify、Coze（扣子）、Flowise 和 n8n。
MCP（Model Context Protocol）在 2026 年已经从"炫技式接工具"进入"真正能干活"的阶段。核心价值是把 Agent 从聊天机器人变成工作流入口——连接代码仓库、数据库、文档系统、SaaS 工具，形成"读数据—理解—行动"的闭环。
Agent 记忆方案的选择直接影响 Agent 的能力上限和运维成本。选错了，要么 Agent "太笨"（记不住东西），要么成本失控（向量数据库 + 嵌入费用）。本文从实际场景出发，帮你选对记忆方案。
Agent 落地成本的核心认知有三条：模型选择决定 80% 的 Token 成本——用 Haiku 处理简单任务和用 Opus 处理同样的任务，成本差 6-8 倍；框架选择影响 Token 消耗量——不同框架的 prompt 结构和状态管理方式会导致 20-50% 的 token 开销差异；基础设施成本通常只占总 TCO 的 10-20%——真正的大头在 Token 和人力之间的权衡。算清楚这三笔账，Agent 落地才能避免"能力够用但账单失控"。
实践中查漏补缺的基础知识：Agent 是什么、核心模式、协议、工具调用和记忆。按需阅读，不必从头到尾。
AI Agent 不是“更会聊天的 ChatGPT”，而是一个能围绕目标反复推理、调用工具、读取上下文、根据结果继续行动的系统。
很多人以为 AI Agent 只是程序员的工具，其实不是。今天的 Agent 已经可以通过自然语言对话来完成大量日常任务，任何人都能上手。
搜"agent 学习路径"的人要的不是一篇概念文章，而是第一周读什么、第二阶段做什么、什么时候开始学部署的明确答案。
学 Agent 开发最大的陷阱是一上来就选框架、写代码。正确的顺序是先理解"为什么需要 Agent"，再从最小可用的系统开始，逐步叠加工具调用、协议对接、状态管理和多 Agent 协作。
Agent 模式不是越复杂越高级。一个可靠的系统，通常从单次调用开始，逐步增加工具、流程、并行、评估和自主性。
AI Agent 和普通聊天机器人的最大差别是：它不只生成文字，还可能读取文件、调用工具、访问网页、发送消息、修改数据。能力越强，误操作和被诱导的风险也越大。
Model Context Protocol（MCP） 是 Anthropic 于 2024 年 11 月发布的开放协议，旨在解决 LLM 与外部工具和数据源的集成问题。2025 年，MCP 被捐赠给 Linux 基金会，成为行业标准。
A2A（Agent2Agent Protocol）是面向 Agent 与 Agent 之间通信的开放标准，让不同厂商、不同框架、不同部署位置的 Agent 可以互相发现、通信和协作。
Tool Use（也叫 Function Calling）让 LLM 不只是生成文本，还能调用外部工具。这是 Agent 从"只能聊天"变成"能做事"的关键能力。
没有记忆的 Agent 就像一个每次对话都失忆的助手——你需要反复解释背景、重复要求、从头开始。记忆让 Agent 能：