跳转至

Agent Atlas 项目原则

Agent Atlas 的目标不是成为“术语数量最多的 Agent 词典”，而是成为一个能够帮助读者建立 Agent Engineering 心智模型 的语境型概念地图。

核心定位

Don't just define the term. Locate it.
不只解释这个词，还告诉你它在整个 Agent 世界的哪里。

我们的核心用户不是完全没有接触过 AI 的人，也不是已经长期从事 Agent Infra 的专家，而是这类学习者：

已经开始阅读 Agent 相关书籍、论文、GitHub、技术博客和 SDK 文档，但经常被突然出现的专业术语和概念关系卡住的人。

四个核心模块

1. Contextual Glossary｜语境型解释

一个术语脱离语境很容易变成“记住了中文翻译，但还是不会读技术资料”。

因此词条应该尽量回答：

  • 这个词通常会在哪类材料中出现？
  • 作者为什么在这里使用这个词？
  • 放进完整句子后，它承担什么语义？
  • 如果把它换成另一个相近词，含义会发生什么变化？

2. Concept Graph｜概念关系图

每个术语都应该尽量挂到 Concept Graph 中，而不是作为孤立词条存在。

优先记录：

  • 包含 / 组成
  • 依赖 / 使用
  • 输入 / 输出
  • 前后流程
  • 概念对比
  • 高频混淆
  • 术语演化

3. Terminology Observatory｜术语观察站

Agent Engineering 的术语体系仍在快速变化。

因此需要区分：

  • 老概念在 LLM 时代的新用法；
  • 已经比较稳定的行业术语；
  • 不同公司使用不同名字表达的相近概念；
  • 2025–2026 新兴的新说法；
  • 仍有明显争议的定义。

不要把刚刚流行的新词包装成几十年来一直存在的标准术语。

4. Concept Boundaries｜概念边界

优先解决“看起来很像”的概念。

例如：

  • Agent vs Workflow
  • Harness vs Framework
  • Harness vs Runtime
  • Context vs Memory
  • Memory vs RAG
  • Tool Calling vs Function Calling
  • Agent Loop vs Loop Engineering
  • Skill vs Tool
  • Skill vs MCP
  • Sub-agent vs Multi-Agent
  • Tracing vs Observability

如果一个词条没有解释它最容易和谁混淆，往往说明它还没有真正讲透。

Progressive Disclosure｜渐进式披露

一篇词条应该同时服务不同深度的读者。

推荐按以下层级组织：

30 秒理解
   ↓
建立直觉
   ↓
真实语境
   ↓
技术定义
   ↓
工作机制
   ↓
Concept Graph 中的位置
   ↓
概念边界
   ↓
不同生态差异
   ↓
术语演化与争议
   ↓
一手资料

读者可以在任何一层停止，而不必为了查一个词被迫读完整篇长文。

Atlas-quality 标准

🚧 Stub

只有基础定义，或者内容仍明显不完整。

🟨 Developing

已经有较完整解释，但缺少一个或多个关键维度，例如真实语境、概念关系、边界或来源。

✅ Atlas-quality

至少满足：

  • [ ] 30 秒理解
  • [ ] 技术定义
  • [ ] 至少一个真实使用语境
  • [ ] 在 Concept Graph 中的位置
  • [ ] 至少一组概念边界 / 易混淆概念
  • [ ] 相关概念及关系类型
  • [ ] 术语成熟度说明
  • [ ] 一手或高质量来源

重要核心词还应尽量加入：

  • [ ] 不同生态 / 厂商叫法
  • [ ] 术语演化史
  • [ ] 真实工程案例
  • [ ] 最小伪代码 / 流程图
  • [ ] 常见误解

不以词条数量作为 KPI

Agent Atlas 不追求“500+ Terms”这种表面数字。

更值得追踪的指标是：

  • Atlas-quality 核心概念数量
  • 已建立的 Concept Graph 关系数量
  • 已整理的 Concept Boundaries 数量
  • 已拆解的真实英文语境数量
  • 有一手来源支撑的词条比例
  • 已标注术语成熟度的比例
  • 定期复核的快速变化词条数量

50 个真正讲透的词，比 500 个自动生成、彼此孤立的定义更有价值。

Source-backed，而不是 AI-filled

AI 可以帮助：

  • 搜索候选术语；
  • 对比多家文档；
  • 起草解释；
  • 检查结构；
  • 发现可能混淆的概念。

但 AI 生成的内容不能因为“看起来像解释”就自动成为正式词条。

尤其是快速变化、新兴或存在争议的概念，应优先核对：

  1. 官方文档 / 官方工程博客
  2. 原始论文
  3. 协议规范 / 标准
  4. 高质量工程实践文章

必要时明确写：

当前没有统一定义，以下是截至某日期更常见的工程用法。

与其他优秀项目的关系

Agent Atlas 不试图替代：

  • 系统性的 Agent 入门课程；
  • Awesome List / 资源导航；
  • Agent Pattern Encyclopedia；
  • 各厂商官方文档。

如果其他项目已经把某个方向做得更好，我们应该链接和引用，而不是重新复制一份。

Agent Atlas 的价值在于：

把读者正在遇到的陌生词，放回完整的 Agent Engineering 概念网络中。