生产级Agent（23）：配置供应链与可信加载
前二十二篇已经把生产级 Agent 的运行、权限、审计、回放、SLO、多租户和 Policy-as-Code 串起来。
生产级Agent（22）：策略即代码与Policy Simulation
前二十一篇已经把生产级 Agent 的运行、权限、审计、回放、SLO 和多租户隔离逐层搭起来。
生产级Agent（21）：多租户隔离与数据边界
前二十篇已经把生产级 Agent 从 Planner、Tool、Memory、Checkpoint、Human-in-the-Loop、多 Agent、Sandbox、Eval、Control Plane、Registry、Delegated Authority、Audit Ledger、Replay 一直推进到 SLO 与错误预算。
生产级Agent（20）：SLO与错误预算
生产级 Agent 做到第 20 篇，系统已经具备 Planner、Tool、Memory、Checkpoint、Human-in-the-Loop、多 Agent、Sandbox、Eval、Control Plane、Registry、Delegated Authority、Audit Ledger、Replay 和 Failure Forensics。
生产级Agent（19）：执行回放与故障取证
前十八篇已经把生产级 Agent 的执行、权限、审计和治理链条搭起来：Run、Planner、Tool、Checkpoint、Approval、Capability、Delegated Authority、Audit Ledger 都有了。但真正发生线上事故以后，团队很快会遇到一个更难的问题：
生产级Agent（18）：审计账本与可解释执行
前十七篇已经把生产级 Agent 从 Planner、Tool Calling、Memory、Checkpoint、Human-in-the-Loop、多 Agent、安全沙箱、质量门禁、Control Plane、Capability Registry 一直推进到 Agent Identity 与 Delegated Authority。系统现在已经能回答：有哪些 Agent、有哪些能力、谁能调
手搓生产级 AI Agent 系统（17）：Agent Identity 与 Delegated Authority——让每一次工具调用都能回答“谁授权、代表谁、为什么做”
前十六篇已经把生产级 Agent 从任务规划、Tool Calling、Memory、Checkpoint、Human-in-the-Loop、多 Agent 协作、安全沙箱、质量门禁、Control Plane 一直推进到 Agent Registry 与 Capability Marketplace。到这一阶段，平台已经能回答“有哪些 Agent”“有哪些能力”“一个 Run 现在做到哪”“某
手搓生产级 AI Agent 系统（16）：Agent Registry 与 Capability Marketplace——让 Tool、Skill、MCP 和 Agent 可以被发现、授权与复用
前十五篇已经把生产级 Agent 从单体运行扩展到了 Planner、Tool Calling、Memory、Checkpoint、Human-in-the-Loop、多 Agent 协作、安全沙箱、评测发布和 Control Plane。系统现在已经能“管住 Agent”，但随着 Agent、Tool、Skill、MCP Server 和 Workflow 数量增长，新的问题开始出现：能力散落在
手搓生产级 AI Agent 系统（15）：Agent Control Plane——目录、运行、成本、审批与反馈统一治理
前十四篇已经把生产级 Agent 的大部分“局部能力”补齐了：模型路由、Tool Calling、Planner、Reviewer、Checkpoint、Human-in-the-Loop、多 Agent、代码与浏览器沙箱、评测发布、Agent as Code。
手搓生产级 AI Agent 系统（14）：Agent as Code——Prompt、Tool、Schedule、Memory 全部进 Git
前面十三篇已经把生产级 Agent 的关键运行能力补得差不多了：任务规划、Tool Calling、状态管理、Checkpoint、Human-in-the-Loop、多 Agent 协作、安全沙箱、质量门禁、模型路由、预算和降级。
手搓生产级 AI Agent 系统（13）：别让所有任务都上旗舰模型——路由、预算和降级
前十二篇把生产级 Agent 的执行链路基本补齐了：任务理解、Tool Calling、状态、Memory、Planner-Executor-Reviewer、Checkpoint、人工审批、多 Agent、安全沙箱和发布评测。
手搓生产级 AI Agent 系统（11）：代码与浏览器沙箱、安全执行与风险控制
实现Execution Policy、任务级沙箱、网络与文件限制、浏览器人工接管和Artifact治理。
手搓生产级 AI Agent 系统（10）：多Agent协作、Supervisor与共享状态
实现Agent能力目录、Supervisor、任务DAG、受控并发、共享状态合并和结果聚合。
手搓生产级 AI Agent 系统（9）：Checkpoint、Human-in-the-Loop与断点恢复
实现步骤级Checkpoint、事件记录、人工审批、中断恢复和副作用幂等。
手搓生产级 AI Agent 系统（7）：从零实现可校验、可恢复的任务规划器
生产级Agent不能只依赖模型边执行边猜。对于多步骤任务，需要一个能够拆解目标、声明依赖、限制风险、校验DAG并在失败后重新规划的Planner。本文不依赖LangChain或LangGraph，从数据模型、提示词协议、JSON解析、计划校验、循环依赖检测、工具白名单、自动修复到执行入口，完整实现一个可运行的Python任务规划器。
手搓生产级 AI Agent 系统（5）：MCP 协议从零实现——打造 Agent 的应用商店
从零实现MCP协议：JSON-RPC通信、Server/Client架构、工具热插拔自动发现、安全沙箱隔离。Agent启动时自动拉取可用工具，零代码扩展。附与Function Calling的六维对比。
手搓生产级 AI Agent 系统（4）：A2A 协议——让两个 Agent 互相通信
从零实现A2A协议：三种通信模式（广播/点对点/委托）、统一消息格式、任务分配策略、错误自动恢复。双Agent协作安全审查成功率90%，比单Agent高15%。
手搓生产级 AI Agent 系统（1）：ReAct 核心循环深度实现——从原理到50行代码
不依赖框架从零手写ReAct核心循环。拆解三种输出解析策略失败率对比（JSON23%vs正则4%）、四层停止条件、工具描述质量5倍差异实测。50行代码跑通。
手搓生产级 AI Agent 系统（3）：Agent 与工具系统完整集成——从 ReAct 到自主决策
将ReAct循环与工具系统完整集成：动态工具发现、四层停止条件、上下文管理、任务防漂移。20个任务端到端测试：成功率90%、比LangChain省38% Token。
手搓生产级 AI Agent 系统（2）：工具系统深度实战——从参数校验到沙箱安全
深入 AI Agent 工具系统设计：通用工具注册框架、参数 Schema 自动校验、工具描述对调用准确率的影响实测、危险操作沙箱隔离、失败恢复策略。附完整可运行代码。