由CU Boulder计算机科学教授Prof. Tom Yeh与Vectara的Ofer Mendelevitch合作编写的"Agentic AI Problem Set"（代理式AI习题集），是一份独特的AI Agent技术学习材料。它采用"Think-First"理念：先抛出工程痛点，让你思考解决方案，最后揭晓对应的技术模式。年底了，来测试一下，每题5分，共20题100分。

Problem 1: 盲目行动 (Blind Movement)

痛点：Agent盲目推进，缺乏持续反馈调整。一旦第一步走偏，后续全错。

解决方案：Agent Loop（智能体循环） - 执行每步后暂停观察环境新状态，动态调整下一步策略。

Problem 2: 线性思维局限 (Linear Thinking Limit)

痛点：Agent表现线性思维，无法跨越多个推理分支连接洞察。

解决方案：Graph of Thought（思维图） - 允许推理节点形成网络图结构，可回环和聚合，整合多维度信息。

Problem 3: 协作同步 (Coordination Sync)

痛点：多Agent并行工作时缺乏协调，产生冲突和重复劳动。

解决方案：Shared Memory（共享内存） - 建立中心化通信层，记录每个Agent的状态和输出。

Problem 4: 信息过载 (Information Overload)

痛点：大量文档会超出上下文窗口限制，Agent无法处理。

解决方案：RAG（检索增强生成） - 先检索相关片段，再输入给LLM，避免全量加载。

Problem 5-10: 更多挑战

Problem 5 - 任务分解：使用Planning实现复杂任务的层次化分解
Problem 6 - 专业化：通过Delegation让不同Agent处理不同子任务
Problem 7 - 路由选择：Semantic Router根据语义将请求导向合适的Agent
Problem 8 - 幻觉问题：Grounding技术将输出锚定到可验证源
Problem 9 - 并行执行：Parallelization同时处理多个独立任务
Problem 10 - 上下文管理：Prompt Compression压缩冗余信息

Problem 11-15: 进阶技术

Problem 11 - 探索与利用：MCTS（蒙特卡洛树搜索）平衡探索新路径与利用已知最佳路径
Problem 12 - 错误恢复：Self-Correction让Agent检测并修正自身错误
Problem 13 - 知识融合：Prompt Ensembling合并多个Prompt的结果
Problem 14 - 工具使用：Tool Use扩展Agent能力边界
Problem 15 - 个性化：Personalization根据用户历史定制响应

Problem 16-20: 系统级优化

Problem 16 - 反馈整合：Reflection机制让Agent从过去经验中学习
Problem 17 - 多模态：Multi-modal Processing处理文本、图像、音频等多种输入
Problem 18 - 安全边界：Guardrails确保Agent行为在安全范围内
Problem 19 - 成本优化：Model Routing根据任务复杂度选择合适模型
Problem 20 - 可观测性：Observability提供Agent运行的完整透明度

核心洞察

这20个问题覆盖了AI Agent开发的核心挑战：从基础的循环机制、推理结构，到协作、检索、规划，再到安全、成本、可观测性等工程实践。Prof. Tom Yeh指出："Most agents today are simple tool loops" —— 大多数Agent本质上是简单的工具循环，但要做到生产级应用，需要系统性地解决这些问题。

这份习题集的价值在于：它不只讲概念，而是从实际工程痛点出发，让你像架构师一样思考。每个Problem背后都对应着生产环境中的真实挑战，每个Solution都是经过验证的技术模式。测完这20题，你对AI Agent的理解将从"知道"提升到"会用"。