核心指数 实践产出 5/5
学习计划必须服务于可掌握能力：一个 AI Digest 学习教练、一个工具调用/记忆系统、一个 sandboxed coding agent 或多 Agent 代码评审项目。
每个当天会被提问或用于练习的术语，先给通俗释义，再给专业释义，避免题目超出当天知识点。
通俗释义：把“知识能力路线与项目选择”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：知识能力路线与项目选择 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 知识能力路线与项目选择，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
通俗释义：学完要能做出可展示、可验证的小项目。
专业释义：将概念落到真实数据、用户入口、状态恢复、eval 指标和工程案例材料，形成可复盘 artifact。
当天检查：能给一个项目写目标、指标、失败案例和复盘。
参考脉络：DeepLearning.AI project-based learning / engineering portfolio practice
通俗释义：用固定题集和指标反复测，不靠感觉判断变好。
专业释义：eval 定义任务集、期望行为、评分器和回归门禁；benchmark 提供可比较的离线/线上质量、成本、延迟基线。
当天检查：能为学习助手写覆盖正常、边界、故障、越权的 eval cases。
参考脉络：OpenAI Evals / Google agent evaluation guidance
通俗释义：把“每周至少产出一个可展示 artifact”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：每周至少产出一个可展示 artifact 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 每周至少产出一个可展示 artifact，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
学习计划必须服务于可掌握能力：一个 AI Digest 学习教练、一个工具调用/记忆系统、一个 sandboxed coding agent 或多 Agent 代码评审项目。
它在 Agent Harness 中连接“目标/约束、上下文、工具、状态、验证、运营指标”这些层。学习时要问：这一层负责限制什么风险？它把哪类不确定性变成了可观察、可恢复、可评估的工程对象？
主题 能力 → 项目切片 → 指标 → 展示页面 → 讲解故事
今天围绕“知识能力路线与项目选择”建立一个可复用的工程判断：先能定义它解决什么问题，再能指出它在 Agent Harness 中位于哪一层，最后能用一个真实系统环节验证它是否有效。学习计划必须服务于可掌握能力：一个 AI Digest 学习教练、一个工具调用/记忆系统、一个 sandboxed coding agent 或多 Agent 代码评审项目。 学习时不要只记名词，要把它和状态、工具、上下文、评估、成本或安全边界中的至少一项连接起来。
我的学习路线会围绕知识能力反推项目，而不是泛泛学 LLM。
主题 能力 → 项目切片 → 指标 → 展示页面 → 讲解故事
选 2 个你最想做进学习记录的项目，写出目标、技术栈、指标和一周 MVP。
完成标准：能把学习计划落到项目沉淀，不停留在概念学习。
多角色协作只有在边界清晰、可评估、可回归时才值得引入。