对应模块：08-agents
Agentic System — 智能体系统 — 是 workflow 与 agent 的总称，不能看到工具调用就直接判定为 agent。
Workflow — 工作流 — 控制流由预定义代码路径掌握，适合步骤可枚举、需可预测与可测试的任务。
Agent — 智能体 — 模型在循环中自主决定下一步及工具使用，灵活性以成本、延迟和不确定性为代价。
Augmented LLM — 增强型大语言模型 — LLM 接入检索、工具或记忆后的基础积木，本身不必然具备自主控制流。
Control Flow — 控制流 — 「下一步由谁决定」是区分 workflow 与 agent 的架构判据。
Agent Loop — 智能体循环 — 由规划、行动、环境观察和再规划组成，生产实现必须由外层代码兜住。
Ground Truth — 环境真实反馈 — 工具结果、测试结果和系统状态比模型自述更适合作为完成判据。
Stopping Condition — 停止条件 — 最大迭代、预算、超时和人工检查点共同把开放循环变成有界系统。
Human Checkpoint — 人工检查点 — 在不可逆或高风险动作前暂停，不能用模型的「自我确认」替代。
Compounding Error — 错误复合 — agent 的早期小错会跨轮传播，因此需要逐步验证和失败升级机制。
Guardrail — 护栏 — 以确定性校验、权限门或独立审查限制模型行为，但不是单靠提示词实现的安全边界。
Routing — 路由 — 输入类别清晰时分流到专用提示、工具或模型，避免全量承担 agent 成本。
Prompt Chaining — 提示链 — 固定顺序拆分任务，以增加串行延迟换取每步更简单和更可检查。
Parallelization — 并行化 — 独立子任务并发执行，延迟受最慢分支影响而总成本随分支增加。
Sectioning — 分段并行 — 将不同且独立的子任务分配给多个调用，聚合前要定义部分失败策略。
Voting — 投票 — 对同一任务进行多次尝试并程序化聚合，用额外成本换多样性或置信度。
Evaluator-Optimizer — 评估器-优化器 — 生成与评审循环适用于 rubric 清晰且反馈能稳定改进输出的任务。
Orchestrator-Workers — 编排器-工人 — 中央模型动态拆分子任务并综合结果，关键是子任务并非预定义。
Planner-Executor — 规划器-执行器 — 先形成计划再执行的业界模式，考试时不要误称为 BEA 单列的官方五模式。
Multi-Agent System — 多智能体系统 — 以多个独立上下文扩展搜索广度，但只有高价值、可并行任务能覆盖其显著 token 成本。
Subagent — 子代理 — 隔离上下文、专用指令和工具权限的工作单元，应接收清晰边界与输出格式。
Context Isolation — 上下文隔离 — 让 worker 只回传高信号结论，避免把完整轨迹污染主 agent 窗口。
Compaction — 上下文压缩 — 在窗口逼近上限时保留决策和未解问题、清除冗余工具输出。
Agentic Memory — 智能体记忆 — 把结构化笔记放在上下文窗口外并按需取回，存储与权限仍由应用控制。
Just-in-Time Context Retrieval — 即时上下文检索 — 运行时只加载当前步骤所需信息，降低 context rot 与 token 浪费。
Harness — 智能体运行框架 — 负责模型调用、工具路由、循环控制与事件处理，是大脑和执行环境之间的确定性层。
Session — 会话事件日志 — 在 Managed Agents 架构中它是可追加、可回放的状态记录，不等于模型上下文窗口。
Sandbox — 沙箱 — 隔离工具执行和不可信代码，凭证不应暴露给其中的进程。
Agent-Computer Interface (ACI) — 智能体-计算机接口 — 工具名称、参数和反馈质量直接决定 agent 是否能可靠行动，应像 HCI 一样被系统设计。
📚 目录