在深度理解了 Anthropic、Github 和 Docker 的三篇 AI Agent 文章后，对于如何构建 AI Agent，我们学到了这些理念和工程化实战智慧。
来自博客「 How to Build an AI Agent: Lessons from Anthrophic, Github and Docker 」
https://interviewready.io/blog/how-to-build-an-ai-agent-lessons-from-anthrophic-github-and-docker
核心观点一：设计理念（来自 Anthropic）
——“拒绝过度设计，从简单工作流开始”
Effective harnesses for long-running agents
https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
Agents still face challenges working across many context windows. We looked to human engineers for inspiration in creating a more effective harness for long-running agents.
- 先有“工作流”，再有“智能体”：
· 不要一上来就试图构建一个全知全能、完全自主的 AI。
· Lesson：大多数业务需求只需要确定性的工作流。比如“先搜索，再总结，最后发邮件”，这是一条直线。只有当路径不确定，需要 AI 自己做决定时（“我该搜索还是直接回答？”），才称之为 Agent。
- 简单的力量：
· 文章强调使用可组合的模式而不是复杂的框架。
· 推荐模式：
· Prompt Chaining：把任务切碎，一步步喂给 AI。
· Orchestrator-Workers：一个 AI 负责分配任务，几个 AI 负责具体干活。
· Evaluator-Optimizer：一个 AI 写，另一个 AI 负责挑剔和修改。
核心观点二：基础设施（来自 Docker）
——“给 AI 一个安全的‘家’和统一的‘手’”
Docker + E2B: Building the Future of Trusted AI
https://www.docker.com/blog/docker-e2b-building-the-future-of-trusted-ai/
Docker + E2B: Secure Access to Hundreds of MCP Tools
Starting today, every E2B sandbox includes direct access to Docker’s MCP Catalog, a collection of 200+ tools such as GitHub, Perplexity, Browserbase, and ElevenLabs, all enabled by the Docker MCP Gateway.
如果说 LLM 是大脑，Docker 正在成为 AI Agent 的躯干和手脚。文章强调了 Docker 在 Agent 时代的两个新角色：
- 标准化的工具接口（MCP）：
· 以往 AI 要连接数据库或 Google 日历，每家公司都有不同的写法。
· Lesson：Docker 正在大力推广 MCP (Model Context Protocol)。这是一种通用标准，让 AI 像插 USB 一样即插即用地连接外部工具。你不需要为每个工具重写代码，只需使用标准化的 MCP 服务。
- 安全沙箱（Sandboxing）：
· Agent 需要执行代码、读写文件，直接在你的电脑上跑太危险（可能会误删文件）。
· Lesson：利用 Docker 容器为 Agent 提供一个隔离环境。Agent 可以在里面随意折腾、安装软件、运行代码，即便搞砸了，把容器删掉即可，不会影响主机。
核心观点三：交互与落地（来自 GitHub）
——“上下文就是一切”
How to write a great agents. md: Lessons from over 2,500 repositories
Key takeaways
Building an effective custom agent isn’t about writing a vague prompt; it’s about providing a specific persona and clear instructions.
My analysis of over 2,500 agents.md files shows that the best agents are given a clear persona and, most importantly, a detailed operating manual.
通过 Copilot Workspace 展示了 Agent 如何真正融入工作。
- 感知环境：
· 一个好的 Agent 不能只看你的一句话，它必须看懂你的“整个世界”。
· Lesson：就像 GitHub Copilot 的 @ workspace 功能一样，Agent 需要能够理解整个项目仓库、文件结构和依赖关系。构建 Agent 时，关键在于如何高效地把这些背景信息喂给 AI。
- 人机协作而非替代：
· GitHub 的经验表明，Agent 不应该是一个黑盒，它应该是一个透明的合作伙伴。
· Lesson：让用户看到 Agent 的计划，并允许用户在 Agent 执行任务的过程中进行干预和纠正。
总结：如何构建现代 AI Agent？
· 大脑：使用 Anthropic 提倡的简单模式（如指挥官模式），不要迷信复杂的 Agent 框架。
· 身体：使用 Docker 容器来运行 Agent，确保安全；使用 MCP 协议来连接工具，确保通用性。
· 灵魂：像 GitHub 一样重视上下文，让 Agent 理解业务全貌，而不仅仅是回答问题。
一句话总结：现在的 AI Agent 开发已经过了“甚至不知道怎么写 Prompt”的草莽阶段，正在进入 标准化（Docker/MCP）、模式化（Anthropic Patterns）和工程化（GitHub Context）的成熟期。
信息卡提示词
提示词分享：用 AI 模型给文章生成信息卡片（Gemini 3 效果最佳、Kimi K2 最听话稳定）
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}
.cls-1{fill:
#001e36
;}.cls-2{fill:
#31a8ff
;}