Skip to content

11. 延伸阅读 ​

官方文档(必读) ​

协议与标准 ​

论文 ​

工程文章 ​

云厂商 Runtime ​

沙箱与代码执行 ​

相关主题 ​

  • Agent Runtime 详解 — 本主题。
  • Memory 详解 — Agent 的记忆系统:工作记忆、长期记忆、向量检索与持久化。
  • Multi-Agent 详解 — 多 Agent 协作、角色定义、协调调度与共享黑板。
  • Reflection 详解 — Agent 自我反思与纠错:生成、批判、评估、修订闭环。
  • MCP 详解 — Agent 能力发现与调用协议,Runtime 的重要搭档。
  • Planning 详解 — 复杂任务分解、计划表示与动态重规划,与 Runtime 内嵌 Planner 形成分层。
  • Personal AI Agent 详解 — 常驻个人 Agent 的运行时形态:每用户沙箱、主动循环与权限门。
  • Tool Use 详解 — Agent 工具调用层:Schema、解析、校验、执行与结果格式化,Runtime 的直接依赖。
  • Agent OS 详解 — Agent 运行时操作系统:进程、调度、沙箱、Workspace 与资源治理,Runtime 的上层治理者。
  • Benchmark + Evaluation 详解 — Agent 可评估性:trace-based eval、工具调用正确性、延迟/成本/鲁棒性评测。
  • LLM Gateway 详解 — Agent Runtime 通常通过 Gateway 调用模型。
  • vLLM 详解 — 可作为 Agent Runtime 的上游推理引擎。
  • SGLang 详解 — 结构化生成与 LLM Program 执行引擎。
  • Triton Inference Server 详解 — 多框架推理服务入口。
  • Ray 详解 — 分布式 Python 计算框架,可作为大规模 Agent 部署的执行底座(actor 池、Serve、Data)。

推荐学习路径 ​

  1. 先读 ReAct 论文,理解 reasoning + acting 的基础。
  2. 用 OpenAI Agents SDK 跑通一个带工具调用的简单 Agent;再试 Google ADK 2.0 的 graph workflow。
  3. 用 LangGraph 实现一个带 checkpoint 的多步 Agent。
  4. 阅读本主题的 Mini Demo,手写一个最小 ReAct Runtime。
  5. 结合 生产实践 思考沙箱(E2B/Modal)、durable execution(Temporal/Inngest)、可观测(OTel GenAI)与评测落地。

本章小结 ​

Agent Runtime 的生态系统正在快速分化又快速收敛:OpenAI Agents SDK(2026-04 平台化,07→10 迭代 v0.19–v0.24:Programmatic Tool Calling、session compaction、agents.testing)、Google ADK 2.0、Claude Agent SDK(v2.1.x 并行化与压缩默认化)在 SDK 层补齐沙箱/subagents/skills;OpenAI Agents API(2026-09-10)、Claude Managed Agents(dynamic workflows beta,2026-10-09)、Bedrock AgentCore Managed Harness(2026-07 GA)把 Runtime 变成可采购的托管品类;LangGraph 守住生产级状态编排与 durable execution;MCP(2026-07-28 无状态核心)与 A2A(v1.0)把互操作层标准化。结合本主题的 Mini Demo、生产实践 与 最佳实践,可以从理论到工程全面掌握 Agent Runtime。

参考来源

Released under CC-BY-SA-4.0 License.