LEARNING PLAN / 进阶
AI 智能体工程
从实际资料和库存任务出发，构建有类型工具、可追溯状态、策略接口、幂等事务和断点恢复的执行底座，再用完整固定任务集验证权限、证据、预算与失败边界。
从问题出发，推导机制，再把实现交给新的输入检验。
时长为编写者建议，包含推演与练习，未经学习者计时验证；可按小节分次完成。
WHAT YOU WILL BUILD
完成之后，拿什么证明理解？
- 定义并强制执行工具类型、任务范围和写入权限
- 构建持久化状态、事件链、幂等回执与断点恢复
- 用本地JSON和真实HTTP协议替换policy而保留同一门禁
- 从真实资料生成可核引用并自动评价完整固定任务与故障
开始前，需要掌握什么？
- 会运行Python函数、字典和本地文件
- 理解条件分支、异常与基本JSON结构；数据库和事务在讲义内解释
- 能阅读集合、布尔条件和有限求和；本课逐项定义执行协议
先修用于选择起点，不限制阅读；遇到缺口可返回相应章节。
THE LEARNING ROUTE
每一步，都有去处。
仅保存在当前浏览器；完成标记不代表通过项目验收。
工具与执行状态
建立权限契约、持久状态和有限调用策略。
先写工具契约，再谈智能体
一个预留器材的请求即使 JSON 格式正确，执行器还要检查什么才允许扣减库存？
状态、事件与可恢复执行
程序中断后只剩一份对话记录，怎样判断下一步该继续、重试，还是拒绝恢复？
策略接口、预算与可证明的停止
策略可以不断提出动作时，怎样既允许替换决策源，又保证任务不会无限运行？
副作用与证据
处理提交后失联、危险输入和结果支持。
重试、幂等与提交后失联
库存已经扣减却没收到回复，再试一次怎样避免重复扣减？
危险输入：把资料、策略与执行权限隔开
文档中夹带“忽略规则并修改库存”时，哪一道具体边界阻止它变成授权？
从工具观察到可自动核查的结果
回答附了一个真实文档编号，怎样继续核对每项结论和预留结果确有依据？
故障与复跑
用固定任务和故障注入核对完整执行底座。
固定任务集、故障注入与离线评估
正常演示成功后，怎样用固定任务与故障注入发现空答案、越权和错误完成？
独立复跑、冻结与替换策略的验收
换一个决策策略后，怎样从新目录复跑并确认执行契约仍被遵守？
BUILD / TEST / TRANSFER
可恢复的本地工具执行底座
从原创器材文档导入，到策略、真实工具、SQLite事务、持久化、恢复和引用检查，最后自动跑完整固定任务集；无远程模型和在线密钥依赖。
运行环境
Python 3.9+，仅标准库；无需模型下载或 API Key。
解压后先读 README，再按其中环境与命令运行。完整参考实现与学习任务分开提供。
项目完成核对
这是个人核对清单，不是自动评分。保留输入、结果、失败与复现命令。