寒门没有退路——17 年技术积累不靠选择，靠坚持。17 年技术专家 / AI Agent 实战者——在 35+ 这个节点，选择 All in AI Agent。

接 W6 记忆与上下文 + W7 段 2 Tracing 模块：前两篇讲"AgentScope 怎么产生 Trace"——本篇讲"拿到 Trace 后怎么用 Phoenix 做 AI Agent 项目的行为监控"——从 1 条真实 Span 出发——走到 4 级 Evaluation Engine 设计。

最近两次正念领导力培训的最大收获：注意力训练不是"安静下来"，而是把散漫注意力反复带回来的能力。这是优秀的品质，也是 AI 时代最稀缺的认知资源。

接 W4 消息与通信 + W4 学习总结：前两篇写了"我学到了什么" + "我是怎么学的"。W6 这篇写"我切换了学习模式"——从"逐行精读"切到"整体架构"——3 段联动理解 5500 行——3 大跨段 insight——实战对应。

写作动机：硬件测试背景转型 AI Agent 架构师过程中，把公司内训 + 11 篇论文精读的笔记系统化梳理。本文覆盖架构、训练、推理三大主题，每个核心概念都附面试金句，目标是一次性建立大模型的完整心智模型。

---

📌 写在前面：为什么硬件测试要学大模型原理？

三个理由：

1. AI Agent 是软件×硬件×AI 的交汇点——硬件测试积累的系统思维（边界条件、长尾场景、质量保证）天然适合做 AI Agent 工程的可靠性设计。
2. 架构师面试的必考题：ReAct 循环、Memory 三层、Test-Time Scaling——这些不是"知道就行"，是要能讲出 5 分钟深度。
3. 2024-2026 的范式跃迁：从 Training Scaling 到 Test-Time Scaling，从 Prompt 到 Context Engineering，理解原理才能跟上节奏。

上一篇讲了"为什么需要动态 prompt"和"3 大关键参数调优"。本文聚焦怎么在 AgentScope 里把动态 prompt 实现好——用 on_system_prompt middleware。

业务里跑 agent 久了，碰到两类问题最常见——"system prompt 太死板"——"默认参数扛不住业务量"。本文从代码实战出发，聊聊怎么把这两件事做对。

---

李宏毅老师 Context Engineering 课程笔记

Agent 时代的核心议题：不是"装更多"，而是"装对"。

这两天学习了李宏毅老师的 Context Engineering 课程，把核心要点整理成这篇笔记。
Context engineering 是构建 LLM Agent 最关键的设计能力之一——它决定了 Agent 在长程任务中能否保持高效、准确、可持续。

---

一、什么是 Context Engineering？

接 W4 消息与通信（8 大概念飞跃）：那篇写了"我学到了什么"。这篇写"我是怎么学的"——学习过程本身——方法论 + 跃升时刻 + 真实数据。

接 W3 Agent 模块深潜：W3 读完 _agent.py 全部 3289 行——agent 模块 100% 闭环。W4 横向扩展——消息与通信——message/ + model/ 两个模块。