Can you answer it ?
AI 让获得答案变得前所未有地容易。
但答案越容易获得，提出问题就越重要。因为真正决定学习质量的，已经不只是“能否找到一个答案”，而是：我们是否知道应该问什么，哪些问题是同一个问题的不同层次，哪些答案只是术语解释，哪些答案真正影响系统设计。
Agent 正处在这样一个阶段。ReAct、Workflow、Multi-Agent、MCP、A2A、Skills、Harness……新的概念、框架和协议不断出现。我们很容易记住一串名词，但是：面对一个真实任务，究竟为什么需要 Agent，又应该把多少决策交给 Agent？
所以，这个系列不准备从答案开始。
第一篇先提出问题。不是为了制造悬念，而是为了建立一张学习地图：一个问题解决之后，会引出什么新问题；一种能力被加入系统之后，又会带来什么新的复杂性。
所以，关于 Agent，Can you answer it？
Agent 工程的本质，不是给模型堆更多能力，而是在任务的不确定性、系统的自治性、工程的可控性和运行成本之间，设计合理的决策边界。
- Agent 工作范式：ReAct、Plan-and-Solve、Reflection？
- ReAct 如何完成复杂任务？
- LangChain、LangGraph、Spring AI、OpenClaw、AgentScope、CrewAI、Dify、Coze 等之间的异同点？它们分别有哪些能力？分别适用在哪些使用场景？
- Workflow 和 Agentic 的区别。分别适用什么场景？怎么取舍？如何组合？
- 什么是多 Agent，相比于单个 Agent 有什么优势？什么情况下真的需要Multi-Agent？会引入哪些新的复杂性？
- Multi-Agent 有哪些常见架构，你会怎么设计？
- A2A 的核心工程模式？
- Multi-Agent 的控制拓扑和角色？Supervisor / Orchestrator / Manager、Network / Matrix、Peer-to-Peer、Hierarchical？
- 多 Agent 如何分工、组织、协同、路由、通信？
- 如何理解 Sub-Agent？
- Function Calling、MCP、Skills 的差异、边界、关系和协同方式是什么？
- A2A 和 MCP 协议的关系？
- Agent 的演进流程？分别解决了什么问题？之间的关系是什么？边界在哪里？
- Prompt Engineering -> Context Engineering -> Harness Engineering -> Loop Engineering ？以及未来？人与 Agent 的组织协作？
- Planning、Memory、Tools？
- Planning 主流方法？
- 搜索结构 CoT、ToT、GoT？
- Memory 机制有哪些主流方案？分别适用什么场景，怎么取舍？如何设计短期记忆和长期记忆系统？
- RAG 流程？基本算法原理？什么场景下适合用 RAG？缺点是什么？如何提高准确率？
- Tool 的描述和 Schema 设计？
- Agent 如何评测？评测标准？如何控制成本和时延？
- 如何处理超时、失败、重试、回滚和补偿？
- 如何实现持久化、断点恢复和幂等执行？
- Agent 如何设计权限、沙箱和审批？Human-in-the-loop？
