本文作者：meng shao（@shao__meng）。版权归作者所有，未经授权禁止转载。
CMU 11-768: AI Agents
CMU 语言技术研究所（LTI）2026 年秋季新开的研究生课程，由 Graham Neubig @gneubig 和 Daniel Fried @dan_fried 两位教授共同讲授。课程定义为：研究 LLM-based AI agents,让 LLM 在多步交互中感知、推理、规划并作用于环境的系统。智能体通过调用工具、操作界面、编写代码、与人协作来完成真实任务。
它的定位很明确：不是一门"介绍 Agent 概念"的科普课，是强调动手建造 + 训练 + 研究导向的系统课程。
课程地址：https://www.cmu-agents.com/
Youtube 视频也开始更新了
两位主讲人的背景本身也很符合课程的方向：
- Graham Neubig：CMU 教授，开源 Agent 框架 OpenHands（前 OpenDevin）的核心开发者。这门课的工程审美——"从零写 harness 而不是调 API"——直接来自他的框架开发经验。
- Daniel Fried：CMU 教授，曾在 Meta 的 agent 团队任职，研究方向涵盖代码生成、语言 grounding 与人机交互。
一句话概括课程目标：学生学完能在一个开源 LLM 之上从零实现一个 Agent，为多步任务设计评测，用 SFT 和 RL 把它训强，并独立推进一个开放研究问题。
课程设计哲学：一条完整的"造 Agent"流水线
这门课最值得注意的地方是它的结构设计。整个学期是一条隐喻的流水线：搭骨架（harness）→ 建标尺（eval）→ 训模型（training）→ 做研究（project）。前半学期个人作业打通前三步，后半学期团队研究项目推向开放问题。作业一（Harness，9/14 截止）→ 作业二（Eval，9/24）→ 作业三（Training，10/22）的时间线与讲课题目严格咬合：作业一只在 RL 讲完之前，作业三恰好在 RL Systems 课之后截止。
这个设计呼应了当前 Agent 研究界的共识：Agent 能力 = 模型能力 × 环境接口（harness）× 评测信号（eval），而 RL 是把三者闭环的引擎。课程没有把"prompt 工程"当作重点，而是把 Agent 当作一个可训练、可评测的完整系统来教——这在同类课程中相当少见。
教学日程：六个模块的递进逻辑
课程从 8 月 25 日到 12 月 3 日，周二/周四上课，共约 28 次课。模块编排如下：
1. Agent 能力（第 1–5 讲，8 月底–9 月初）——先把一个 Agent 的"器官"逐个拆开讲：
- 什么是 Agent（首讲，阅读材料是 Toolformer、ReAct、Mini-SWE-Agent）
- 工具调用（阅读 What Are Tools Anyway?、CodeAct；参考 Berkeley Function-Calling Leaderboard——注意课程把"约束解码"级别的工程细节如 XGrammar 也纳入了）
- 长上下文管理（43 篇参考文献，覆盖 Needle in a Haystack、Longformer、线性注意力等——为后面的 context compaction 作业铺路）
- 技能与记忆（MemGPT、Agent Workflow Memory、ReasoningBank、SkillsBench，还有 OpenHands 官方的技能工程博客——直接衔接作业一里的 Agent Skills 协议）
- 规划、任务分解与多智能体协同（Least-to-Most、Decomposed Prompting、Code as Policies、SayCan、Plan-and-Act 等，也纳入了 Cursor 的 Plan Mode 这样的工业实践）
2. 应用领域（第 6、7、9 讲）：Coding Agent（SWE-Bench 一脉）、GUI Agent（由 Koh Guanlin／JY Koh 主讲，他是 GUI Agent 综述与 OSWorld 系列工作的作者）、深度研究 Agent（由 Akari Asai 主讲，她是 WebWalker、长上下文 RAG 方向的重要研究者）。
3. 训练方法（第 8、10–12 讲）：SFT（TA Yueqi Song 主讲）→ RL 基础 → 高级 RL 算法 → RL Systems（Apurva Gandhi 主讲，讲训练系统工程）。把"RL 系统"单独设一讲、并由有 vLLM/SGLang 类系统经验的 TA 讲，说明课程对"训练 Agent 是一项系统工程"有清醒认识——rollout 沙箱、异步执行、吞吐这些才是 RL for agents 的真实瓶颈。
4. 安全（第 13、16 讲）：沙箱与凭证管理、可观测性与监控（Eric Wallace 主讲）。注意"沙箱"放在安全模块讲，而作业里学生已经真实使用 Modal 远程沙箱执行模型生成的代码——安全课是有实物支撑的。
5. 框架（第 14、15 讲）：分别由 OpenHands 和 LangGraph 团队方向的人讲两大框架，属于"业界实践"环节。
6. 交互、搜索与进阶（第 17–24 讲，11 月）：Agent 与工作的未来（Zora Wang，她做过大规模劳动力市场与 AI 曝露度研究）、多智能体交互、人机交互（Valerie Chen）、搜索与推理两讲（reranking/critic 模型、树搜索，后者由 JY Koh 再讲）。压轴是两场客座演讲：普林斯顿的 Karthik Narasimhan（LLM+规划/树搜索方向的奠基者之一）和康奈尔的 Sasha Rush。11 月上旬还专门安排两次"Project hours"，把课堂时间还给学生的研究项目。
值得注意的是，大量讲座由客座学者和 TA 主讲，每位都对应其研究专长——这门课实际上是 CMU LTI 及合作者 Agent 研究力量的一次整体亮相。
作业体系：Assignment 1 的细节最能说明课程的水准
作业一"Build an Agent Harness"的完整题目已经公开在 GitHub（cmu-agents/assignment-1），它足以说明这门课的工程深度：
学生要在一个开源 LLM（默认 deepseek-v4-flash，另测 gpt-oss）之上，用 ReAct 框架实现一个可复用的 Agent 循环，分三部分：
- Part 1（Coding Agent）：实现消息构造、ReAct 主循环、工具调用分发、以及符合 Agent Skills 协议（agentskills.io）的技能系统（渐进式披露：系统提示只放技能目录，完整内容按需加载）。最终 Agent 要在 SWE-Bench 式的任务里修好一个有 bug 的国际象棋应用，产出 fix.patch。模型生成的代码全部在 Modal 云端沙箱里执行，学生自己处理"模型写的代码不能在本机跑"这一真实约束。
- Part 2（上下文压缩）：实现模型自动生成"工作记忆"的 context compaction——保留任务目标、已试路径、失败教训，压掉旧的中间步骤——并在一个真实 SWE-Bench 任务（django__django-15368）上对比开启/关闭压缩的 token 消耗，写权衡分析报告。
- Part 3（象棋 Agent）：复用同一个循环写一个下棋 Agent，包含：UCI 走子工具、无状态的局面模拟工具、以及程序化工具调用（让模型写 Python 代码在沙箱里批量调用模拟工具做搜索，最后只提交一步真实走子）——这正是当前"agentic search"的前沿做法。此外还要求做一个 2×2 的观察消融实验（两个模型 × 是否提供合法走法列表），按证据而非输赢评分。
评分细则精确到"并行工具调用至多执行一步真实走子、其余必须可恢复地拒绝""所有工具错误必须是可恢复的观察而非异常"这类生产级 Agent 工程的细节。可以说，做完作业一，学生对 SWE-agent / OpenHands 这类系统的内部机制就不是"听说过"而是"手写过"了。
后续两份作业同样指向核心能力：作业二（Eval）设计衡量 Agent 正确性与功能的评测框架——评测恰是目前 Agent 研究最缺方法论的一环；作业三（Training）实现训练流程，把 SFT/RL 课的内容落地。
期末研究项目占 50% 成绩（提案 5% + 中期检查 5% + 海报展示 10% + 报告 30%），2–3 人一组，从 11 月起课堂时间大量让位给项目。课程政策里明确鼓励把项目做成论文，甚至写了"如果 TA 和教授的建议实质性改进了你的项目，考虑邀请他们署名"——研究导向非常诚实。
评分与政策：几个值得注意的设计
- 个人作业占 40%，研究项目占 50%，另有 10% 的"课程亮点"（lecture highlights）：每次课后 24 小时内在 Canvas 提交一条"有思考的收获或问题"，22 次机会取 20 次计算——用轻量机制保证持续听课，而非期末突击。
- AI 工具政策颇为前沿：允许在作业和项目报告里使用 AI 工具，但禁止用于 lecture highlights，且课程会通过口试式 quiz 检验学生能否解释自己提交的每一处设计决策——"AI 可以帮你写，但你必须能答辩"。这在 2026 年的课程设计里是一个相当成熟的平衡方案。
- 代码复用规则明确：题目要求自己实现的方法，不允许拿别人的现成实现替代；每份作业有 2 天免申请的宽限日（slack days）。
生态与开放性
课程已获得四家算力赞助：Fireworks、Modal、Prime Intellect、Sail——学生在作业中使用 Modal 沙箱和赞助的推理额度，这解释了为什么"个体研究生也能真做 Agent RL"。
更重要的是开放性：PPT 和视频全部公开（课程 YouTube 播放列表已开始更新，Neubig 在推文中专门强调"感兴趣的人可以跟读"），作业一仓库也是公开的。对校外自学者而言，理论上可以完整跟下这条流水线。
总体评价
客观地说，这门课在三个层面上有标杆意义：
- 教学结构上，它把当前 Agent 领域分散的知识（工具调用、上下文工程、技能与记忆、RL 训练、沙箱安全、评测）第一次组织成了一条因果连贯的课程叙事——从 harness 到 eval 到 RL，正是"如何造出一个更强 Agent"的真实路径，而非论文列表的堆砌。
- 工程深度上，作业的约束设计（远程沙箱、可恢复错误、渐进披露、程序化工具调用、消融实验）直接对标 OpenHands、SWE-agent 等一线开源系统的实践，超出了多数"做 demo"级别的课程作业。
- 研究生态上，密集的客座讲师阵容（Narasimhan、Sasha Rush、Akari Asai、Eric Wallace、JY Koh 等）加上占一半成绩的研究项目，使它实质上成为 CMU 的一场 Agent 研究人才的集体孵化。
如果说它有门槛，那就是先修要求不低（需要真正训过语言模型），且 RL 训练部分依赖赞助算力，自学者在作业三和项目环节难以完全复现。但就"系统性地理解 2026 年 LLM Agent 的建造、评测与训练全貌"而言，这大概是目前公开可及的最完整的一门课程。
