研究草稿 · 2026-07-13 下午

本次主题

Substack 高价值 AI Agent 工程分析 · Agent Stack 2026 框架更新 · Context Engineering 实践手册 · MCP 生态速览

一、Substack 高价值条目

🔴 条目1：The AI Agents Stack (2026 Edition) — The AI Engineer

来源：https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
作者：The AI Engineer（知名 AI 工程 newsletter）
发布时间：2026 年 7 月（推断）
可信度：⭐⭐⭐⭐⭐

核心观点摘要：

文章指出 Letta 在 2024 年 11 月发布的 AI agents stack 图已成为行业默认参考，2026 年该堆栈已演进出六个新层级，其中至少三个在 2024 年尚不存在独立分类。

2026 Agent Stack 六层架构（从底层到顶层）： 1. Model — LLM 推理引擎 2. Tool — 工具定义与调用接口 3. Memory — 跨会话持久化记忆 4. Orchestration — 多步骤任务编排与状态图 5. Eval — Agent 行为评估与回归测试 6. Governance — 安全 guardrails、权限控制、审计

关键洞察： - Provider-native SDK（OpenAI SDK、Claude SDK、Google ADK）已将多层吸收为单一 API，降低了接入门槛 - 主流痛点信号不是"我们想用 LangGraph"，而是"我们手写了太多 glue code 来协调 model calls 和 tool calls" - 当 agent 需要跨会话记忆时，Memory 层成为必选项 - 编排层（Orchestration）已经从"固定 pipeline"演进为"状态图"，支持分支、重试、检查点

工程评价： - 优点：六层架构清晰，与早间 round 1 的 agent 分类高度互补；是 2026 年必读框架文章 - 局限：缺具体技术选型建议和 benchmark 数据，更接近概念框架 - 建议分类：agent-stack 2026 orchestration memory eval governance framework

🔴 条目2：Context Engineering for Product Builders — The 2026 Operating Manual

来源：https://karozieminski.substack.com/p/context-engineering-product-builders-guide-2026
作者：Karozieminski
发布时间：2026 年
可信度：⭐⭐⭐⭐

核心框架：Context Pyramid（上下文金字塔）

文章提出四层上下文工程模型，将 agent 的 context 拆解为可操作的层级：

关键工程洞察： - Identity 层住在 System prompt，Agent 的"性格"和安全边界几乎不变 - Knowledge 层需要 RAG、向量数据库或文件系统的支持，是成本最高的层 - State 层是 session 内cratchpad，解决 agent "刚刚发生了什么"的问题 - Task 层每启动新任务时完全替换，是最动态的层

工程评价： - 优点：四层模型可操作性强，直接映射到工程实现（prompt file、vector store、Redis、context window） - 局限：缺具体代码实现和 benchmark，偏向框架性方法论 - 建议分类：context-engineering prompt-engineering memory agent-architecture 2026

🔴 条目3：AI/ML System Design: The 2026 Guide for Engineers — DesignGurus

来源：https://designgurus.substack.com/p/aiml-system-design-the-2026-guide
作者：DesignGurus（系统设计面试类内容起家）
发布时间：2026 年
可信度：⭐⭐⭐

核心观点摘要：

AI 系统设计本质上是概率性的（probabilistic），与传统软件系统设计存在关键差异。文章定义了 AI/ML 系统设计必须包含的 7 个组件：

传统系统设计 vs AI/ML 系统设计关键差异： - 传统 SD 关注确定性逻辑和 CAP 定理 - AI/ML SD 额外需要：Feature Store、Model Serving Infrastructure、Vector DB、Evaluation Pipeline

7 个必备组件（推断）： 1. Data Pipeline / Feature Engineering 2. Model Training & Versioning 3. Model Serving / Inference Engine 4. Vector Database / Knowledge Retrieval 5. Evaluation & Observability Pipeline 6. Guardrails & Safety Layer 7. Governance & Cost Control

工程评价： - 优点：面试导向，7 组件框架清晰，适合快速建立 AI 系统全局观 - 局限：深度不足，缺具体架构图和工程命令；更接近面试准备材料而非生产工程指南 - 建议分类：system-design ml-engineering interview 2026

🟡 条目4：What is an AI Agent? How the Agent Loop Works in Practice — The AI Engineer

来源：https://theaiengineer.substack.com/p/what-is-an-ai-agent
作者：The AI Engineer
可信度：⭐⭐⭐⭐

核心观点摘要：

Agent 定义：使用 LLM 作为"大脑"进行目标推理、工具决策和循环行动直到任务完成的软件系统。

核心循环：Think → Act → Observe → Repeat

文章给出了具体代码示例（ReAct agent），包括： - @tool 装饰器定义工具函数 - create_react_agent 创建 agent 实例 - 多轮循环直到输出最终答案

Memory 在循环中的作用：通过 memory 让 agent 知道"第一步发生了什么"（如订单状态为"已退回"），使得退款流程能够在多步推理中正确执行。

工程评价： - 优点：基础概念清晰，代码示例实用；适合作为团队内部知识分享的起点 - 局限：面向初学者，有经验的工程师收获有限 - 建议分类：agent-fundamentals react tool-calling tutorial

🟡 条目5：12-Step Blueprint for Building an AI Agent — MLPills

来源：https://mlpills.substack.com/p/issue-122-the-12-step-blueprint-for
作者：MLPills
可信度：⭐⭐⭐

核心观点摘要：

Building an AI agent requires shifting your mindset from prompt engineering to systems engineering。

12 步核心架构（摘要）： 1. 明确 Agent 角色（customer support triage / coding assistant / financial data analyzer） 2. 编写 System Prompt（作为 Agent 的"操作系统"） 3. 定义工具集（Tools） 4. 实现 Memory 机制 5. 设计 Orchestration 层（ReAct / Plan-and-Execute / State Machine） 6. 接入 Evaluation 框架 7. 配置 Guardrails 8. 部署与监控 9. 持续微调与回归测试 10. 安全审计 11. 成本控制 12. 迭代优化

关键洞察：System Prompt 是 Agent 的操作系统，而非简单的"你是一个有帮助的助手"。

工程评价： - 优点：步骤清晰，适合作为新团队启动 Agent 项目的 checklist - 局限：缺具体工具选型和配置示例，更接近方法论而非实操手册 - 建议分类：agent-blueprint system-design checklist production

二、GitHub 高价值资源更新

⭐ awesome-ai-agents-2026 合集（三个高质量维护版本）

三个版本定位差异：

Zijian-Ni 版本重大更新（2026-06-30）： - Claude Sonnet 5 发布：最 agentic 的 Sonnet，接近 Opus 4.8 性能，成本更低；成为 Claude.ai Free/Pro 默认模型 - Microsoft Build 2026（Jun 2, 2026）： - MAI-Thinking-1：首个内部推理模型 - MAI-Code-1-Flash：5B 编程模型，已集成入 GitHub Copilot - Microsoft Scout：Always-on personal agent，基于 OpenClaw 构建

awesome-mcp-servers（punkpeye）更新亮点： - codeislaw101/katzilla：统一数据 API，300+ 公开/政府数据源，零配置 - 27dream/mcp-eastmoney：A股实时行情 MCP 服务器（国内专属高价值工具） - supertrained/rhumb：1000+ 评分服务，Agent 原生工具智能

三、Hugging Face 论文亮点（2026-07 上半月）

🔴 Mario: Multimodal Graph Reasoning with LLMs

链接：https://huggingface.co/papers/2603.05181
可信度：⭐⭐⭐⭐

核心内容： - 问题：异构图多模态数据（图片+文本+结构化图谱）上的 LLM 推理 - 挑战：弱跨模态一致性 + 异构模态偏好 - 方案（两阶段）： 1. Graph-Conditioned Vision-Language Modeling：将图结构注入视觉-语言对齐 2. Modality-Adaptive Graph Instruction Tuning：可学习路由器，为每个节点选择最合适的模态视图 - 应用场景：知识图谱问答、多模态文档理解、图结构化数据推理

工程评价：图结构 + 多模态 + LLM 推理的交叉点，GraphRAG 延伸方向，学术价值高。

四、与早间条目去重分析

早间已收录（round 1 & round 2）： - pgrust — Postgres Rust 重写 - vLLM 2026（EAGLE3 + 分离式 Prefill） - RAG 2026 范式迁移（A-RAG / xMemory） - HF trending 模型（Hy3 / GLM-5.2 / Agents-A1 / Unlimited-OCR）

本轮新增，未重复： - Agent Stack 2026 六层框架（Substack）— 早间未收录 - Context Pyramid 四层模型（Substack）— 早间未收录 - Claude Sonnet 5 发布细节（awesome-ai-agents-2026）— 早间模型表格未覆盖 - Microsoft Scout（OpenClaw-based） — 平台级新闻，早间未收录 - Mario 论文（HF papers）— 多模态图推理，早间未收录

五、分类标签

substack agent-stack-2026 context-engineering memory orchestration eval governance mcp awesome-list claude-sonnet-5 microsoft-scout openclaw multimodal graph-reasoning rag system-design

六、建议写入路径

七、后续行动建议

1. 精读优先级： - The AI Engineer "Agent Stack 2026 Edition" → 与早间 Agentic RAG 内容互补，核验六层是否完整覆盖现有工程实践 - Context Pyramid 文章 → 可作为团队内部 context engineering 规范的基础

2. 需进一步核验： - Microsoft Scout 的 OpenClaw 集成细节（是否开源、API 接口） - Mario 论文是否有开源代码仓库 - awesome-mcp-servers 中 mcp-eastmoney 的接口稳定性和数据完整性

3. 主题页更新候选： - Agent Stack 2026 六层 → 建议补充进 AI Agent 工程专题页 - Context Pyramid → 建议补充进 RAG/Agent 记忆专题页