在 35+ 这个节点，选择 All in AI Agent。

我给 AgentScope 报了 5 个"bug"，只有 1 个值得修

今天下午，我用 GLM-5.2 + BMAD Method 做了一次"上游代码问题发掘"。

结果：5 个里面，2 个是设计不是 bug，2 个是真 bug 但不值得修，只有 1 个我提了 PR。

这篇笔记复盘整个过程，提炼出 5 条"报 bug 之前必须做的检查"。每一条都能省掉一次被 maintainer 拒的 PR。

接 W4 学习总结 + W6 记忆与上下文 + Phoenix + AI Agent 行为监控 + Agent 测评 5 关键：8 周完整收官——不是"会用 AgentScope"——是"AI Agent 应用架构师"——4 大可验证能力全部打勾。

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。

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。

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。

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。

接 W2 真学习复盘：W2 学了 1198 行 + 1 个上游 issue。本文是 W3 完整 5 天的复盘——agent 模块 100% 闭环。