AI Agent 实践笔记。记录在 LLM 应用开发过程中积累的方法论、工程经验和可复用模板。
Harness 方法论：AI Agent 工程协作的自反馈治理框架。核心公式为 Harness = 文档约束 + 自反馈闭环，通过三个 Part 分别解决 Agent 协作中的"跑偏""盲写""自欺"问题。包含完整的落地清单（文档骨架、Linter 脚本、自动注入规则、自反馈工作流、对抗测试双 Agent 模式）和设计原则。
RAG（Retrieval-Augmented Generation）完整知识笔记。覆盖从 Naive RAG 到 Modular RAG 的演进路线，包括文档切分策略、Embedding 模型选型、向量数据库对比、Query 改写、混合检索、Rerank 重排序、上下文压缩、评估体系（RAGAS）等全链路知识点。
Agent 框架核心设计：从架构层面系统梳理核心设计要素——核心循环、工具系统、记忆与上下文管理、规划与推理、多 Agent 协作等子系统的设计决策与工程权衡。
Prompt & Skill 工程实践方法论：从概率性系统优化的视角出发，覆盖调优五原则、骨架结构设计、对抗式调优操作手册、Skill 执行闭环设计等完整方法论。
记忆系统方法论：把跨会话记忆设计成“外置状态 + 路由门禁 + 渐进召回 + 生命周期管理”的本地状态服务。覆盖 MEMORY/daily/历史快照的数据分层、AGENTS.md 与 Skill 的职责边界、read-context/append-daily/promote/maintain 四种操作、按主题最小读取与读写权限隔离，以及纯文本迁移方案。公开实现见 Fyrgo8/memory-system-skill。
Prompt & Skill 工程方法论。从多轮实战对抗式调优中沉淀出的完整方法论：
- Prompt与Skill最佳实践.md — Prompt 工程（五条调优哲学、骨架结构、对抗式调优完整操作手册、软约束转机制约束）+ Skill 工程（定时任务 vs 会话触发、四环执行闭环、幂等性设计、Linter/Rules 自动化）的最佳实践与检查表。
- GAN风格Prompt自优化模板.md — GAN 风格 Prompt 自优化 Agent 模板，可直接复用到任意项目。定义了完整的目录约定、宪法级/法律级约束分层、Bad Case 判定流程、版本保留决策树和停止条件。
MIT