AI Agents Roadmap - roadmap.sh
当前 LLM Wiki 入口
这页不需要再扩成一套平行 AI Agent 总论。当前更稳的理解方式，是把 Agent 材料分发到三条主线：工作面 / surface 回到 AI 工具链，多执行单元和收口回到 Agent Orchestration，长期控制资产回到 Harness Engineering。
优先阅读：
- AI Agent 案例包的主线回桥
- Agent Orchestration 阅读地图
- Agent Orchestration 主分工
- Harness Engineering 阅读地图
- Droid Missions：长任务软件交付的任务操作系统
- Multica 产品研究：本地 Agent 协作层与竞品地图
历史材料分流
这批旧材料不需要全部改造成常青笔记，但可以作为理解 agent stack 的入口：
- PI_MONO_源码全景分析：看一个 agent runtime / LLM gateway / coding harness / UI runtime 如何被拆成 monorepo 分层。
- codex-autoresearch skill 原理解读：看一个 Codex 长任务 skill 如何把目标、验证、迭代记录和回滚协议组织成可恢复循环。
- langchain的所有产品梳理 和 langchain 中chains和agents的区别：保留 LangChain 生态和 chain / agent 边界的最小索引。
- 向量相似性搜索 - vector similarity：接到检索与 RAG 基础概念，不和 agent 编排主线混在一起。
当前项目推进判断
项目任务日期债务复查报告 已把 研究并拥抱 ai agent 实现软件交付到完整端到端工作流，并布道全员 从普通任务池里拆出来。它不应该直接补一个日期后继续拖延，而要先判断落位：
- 个人长期学习 / 方法论：回到本页和 AI 工作流工作台。
- 团队布道 / enablement：拆成一次分享、一个 demo、一个 checklist；当前 Codex 团队分享准备入口是 第四次分享 Codex 日均使用一千美元经验分享准备包。
- 交付流程改造：落成模板、验收标准、示例 PR 或失败回放。
- 公司协作任务：等待 Linear / 公司项目补 owner、权限和截止时间，本库只保留索引。
最低原则：如果说不清下一步要读什么、演示什么、改哪个流程、产出哪个资产，就不要把它当成普通 sprint 任务补日期。