New tools for building agents 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/new-tools-for-building-agents/ 角度：Responses API primitives、tools、Agents SDK、tracing 采用原因：适合支撑“官方已把 agent 定义为系统原语组合，而非 prompt 外壳”。
Agents 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/agents 角度：tools、guardrails、knowledge and memory、logic nodes、route to other agents、trace grading 采用原因：适合支撑“官方 agent 清单本质上是一份系统组件清单”。
Building effective agents 作者/机构：Anthropic 年份：2024 URL：https://www.anthropic.com/engineering/building-effective-agents 角度：workflow vs agent、retrieval、tools、memory、routing、orchestrator-workers 采用原因：适合支撑“agent 是架构模式与系统流程，不是 prompt 技巧”。
Create custom subagents 作者/机构：Anthropic 年份：2026 URL：https://code.claude.com/docs/en/sub-agents 角度：独立 context window、tool access、permissions、delegate 采用原因：适合支撑“agent-to-agent delegation 已被正式产品化，而非 prompt 角色扮演”。
Technical Overview - Agent Development Kit (ADK) 作者/机构：Google 年份：2026 URL：https://google.github.io/adk-docs/get-started/about/ 角度：Agent、Tool、Callbacks、Session & State、Memory、Runner、Event 采用原因：适合支撑“Google 几乎以系统原语表方式定义 agent”。
What is Microsoft Foundry Agent Service? 作者/机构：Microsoft 年份：2026 URL：https://learn.microsoft.com/en-us/azure/foundry/agents/overview 角度：runtime、tool calls、lifecycle、memory、observability、workflow agents 采用原因：适合支撑“企业平台把 agent 定义为托管运行时系统”。
ReAct: Synergizing Reasoning and Acting in Language Models 作者/机构：Shunyu Yao 等 年份：2023 URL：https://arxiv.org/abs/2210.03629 角度：reasoning + acting、环境反馈 采用原因：适合支撑“只要接环境，agent 就进入动作闭环，而非单轮回答”。
Reflexion: Language Agents with Verbal Reinforcement Learning 作者/机构：Noah Shinn 等 年份：2023 URL：https://arxiv.org/abs/2303.11366 角度：失败反馈、episodic memory、反思回路 采用原因：适合支撑“agent 需要错误后学习与反馈闭环”。
Voyager: An Open-Ended Embodied Agent with Large Language Models 作者/机构：Guanzhi Wang 等 年份：2023 URL：https://arxiv.org/abs/2305.16291 角度：环境交互、执行错误、自我验证 采用原因：适合支撑“真实环境中的 agent 必须处理回传与验证”。
SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering 作者/机构：John Yang 等 年份：2024 URL：https://arxiv.org/abs/2405.15793 角度：agent-computer interface、执行接口、观测接口 采用原因：适合支撑“agent 关键不只是会说，而是有执行和观测接口”。
如何实现工具使用（How to implement tool use） 作者/机构：Anthropic 年份：2026 URL：https://docs.anthropic.com/zh-CN/docs/agents-and-tools/tool-use/implement-tool-use 角度：tool_use、tool_result、pause_turn、错误回传 采用原因：适合支撑“工具接入后，系统必须处理执行、结果回传和恢复协议”。
Building agents with the Claude Agent SDK 作者/机构：Anthropic 年份：2025 URL：https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk 角度：agent loop、verify work、repeat、规则校验 采用原因：适合支撑“官方工程实践已把 agent 定义为闭环系统”。
Handling Function Calls with Reasoning Models 作者/机构：OpenAI Cookbook 年份：2025 URL：https://cookbook.openai.com/examples/reasoning_function_calls 角度：function call loop、结果回注、终止条件 采用原因：适合支撑“函数调用场景本质是显式系统循环，不是 prompt 文案问题”。
Build a coding agent with GPT 5.1 作者/机构：OpenAI Cookbook 年份：2025 URL：https://cookbook.openai.com/examples/build_a_coding_agent_with_gpt-5.1 角度：shell execution、审批、超时、外层重试 采用原因：适合支撑“能动手做事的 agent 必须拥有运行时和恢复机制”。
Conversation state 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/conversation-state 角度：stateless request、多轮会话对象、历史计费 采用原因：适合支撑“多轮 agent 不可能只靠长 prompt，必须有会话状态对象”。
Effective context engineering for AI agents 作者/机构：Anthropic 年份：2025 URL：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents 角度：context engineering、context rot、有限上下文资源 采用原因：适合支撑“工程重点已从 prompt engineering 转向 context engineering”。
Memory overview 作者/机构：LangChain / LangGraph 年份：2026 URL：https://docs.langchain.com/oss/python/concepts/memory 角度：短期记忆、长期记忆、thread、checkpointer 采用原因：适合支撑“真正可用的 agent 需要 memory subsystem，而非超长 prompt”。
Generative Agents: Interactive Simulacra of Human Behavior 作者/机构：Joon Sung Park 等 年份：2023 URL：https://arxiv.org/abs/2304.03442 角度：经验记录、反思、检索、规划 采用原因：适合支撑“长时程一致性需要可写可检索可反思记忆结构”。
Cognitive Architectures for Language Agents (CoALA) 作者/机构：Theodore R. Sumers 等 年份：2024 URL：https://arxiv.org/abs/2309.02427 角度：模块化 memory、结构化 action space、decision process 采用原因：适合支撑“从理论上看，agent 的本体就是系统而不是 prompt”。
MemGPT: Towards LLMs as Operating Systems 作者/机构：Charles Packer 等 年份：2023 URL：https://arxiv.org/abs/2310.08560 角度：分层 memory、interrupt、control flow 采用原因：适合支撑“长 prompt 无法替代分层记忆与显式控制流”。
MemoryBank: Enhancing Large Language Models with Long-Term Memory 作者/机构：Wanjun Zhong 等 年份：2023 URL：https://arxiv.org/abs/2305.10250 角度：长期记忆、记忆更新、人格一致性 采用原因：适合支撑“跨轮长期一致性需要记忆写入/检索机制”。
Tracing | OpenAI Agents SDK 作者/机构：OpenAI 年份：2026 URL：https://openai.github.io/openai-agents-python/tracing/ 角度：LLM spans、tool calls、handoffs、guardrails、custom events 采用原因：适合支撑“agent 需要运行时可观测性，因此本质是工作流系统”。
Trace grading | OpenAI API 作者/机构：OpenAI 年份：2026 URL：https://platform.openai.com/docs/guides/trace-grading 角度：trajectory eval、tool calls、回归定位 采用原因：适合支撑“agent 评测不能只看结果，必须看轨迹”。
Demystifying evals for AI agents 作者/机构：Anthropic 年份：2026 URL：https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents 角度：自动化 eval、production monitoring、人工审查 采用原因：适合支撑“agent 是持续运行且会漂移的系统”。
Improve agent quality with Insights Agent and Multi-turn Evals, now in LangSmith 作者/机构：LangChain 年份：2025 URL：https://blog.langchain.com/improve-agent-quality-with-insights-agent-and-multi-turn-evals-now-in-langsmith/ 角度：multi-turn eval、thread-level 评测 采用原因：适合支撑“agent 评测对象是过程与目标完成度，不是单步输出”。
Catch production failures early with LangSmith Alerts 作者/机构：LangChain 年份：2025 URL：https://blog.langchain.com/catch-production-failures-early-with-langsmith-alerts/ 角度：alerts、错误率、延迟、在线评测 采用原因：适合支撑“agent 需要生产监控与告警，而不是只调 prompt”。
LLM Observability | AutoGen 作者/机构：Microsoft / AutoGen 年份：2026 URL：https://microsoft.github.io/autogen/0.2/docs/topics/llm-observability/ 角度：logging、tracking、metrics、monitoring 采用原因：适合支撑“官方生态已把 observability 定义成 agent 基础设施”。
Trace an agent | Vertex AI Agent Builder 作者/机构：Google Cloud 年份：2026 URL：https://cloud.google.com/agent-builder/agent-engine/manage/tracing 角度：Cloud Trace、LLM spans、执行 DAG、遥测日志 采用原因：适合支撑“云平台把 agent 当作需要 tracing 的运行服务单元”。
AgentOps: Enabling Observability of LLM Agents 作者/机构：Liming Dong、Qinghua Lu、Liming Zhu 年份：2024 URL：https://arxiv.org/abs/2411.05285 角度：AgentOps、trace、monitoring、analytics 采用原因：适合支撑“agent 需要专门的运维与观测学科”。
A practical guide to building agents 作者/机构：OpenAI 年份：2025 URL：https://openai.com/business/guides-and-resources/a-practical-guide-to-building-ai-agents/ 角度：模型 + 工具 + orchestration + guardrails、run loop、exit condition、handoff 采用原因：适合支撑“没有显式系统设计时，agent 会退化成 prompt stuffing”。
Operator System Card 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/operator-system-card/ 角度：OCR 误读、错误累积、循环、确认与监督 采用原因：适合支撑“真实 agent 失败模式必须靠系统结构而非重试处理”。
Choose a design pattern for your agentic AI system 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/architecture/choose-design-pattern-agentic-ai-system 角度：sequential、parallel、loop、review、coordinator、human-in-the-loop 采用原因：适合支撑“没有显式 pattern、critic 与 termination condition，agent 会失控”。
Choose your agentic AI architecture components 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/architecture/choose-agentic-ai-architecture-components 角度：state、memory、sandbox、IAM、network policy、observability 采用原因：适合支撑“agent 需要架构级组件，不是一次对话”。
Vertex AI Agent Engine Memory Bank overview 作者/机构：Google Cloud 年份：2026 URL：https://cloud.google.com/agent-builder/agent-engine/memory-bank/overview 角度：长期记忆子系统、memory poisoning、strict access control 采用原因：适合支撑“长期记忆必须被抽成独立系统组件”。
Cloud CISO Perspectives: How Google secures AI Agents 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-secures-ai-agents 角度：human controllers、limited powers、observable actions 采用原因：适合支撑“没有显式权限边界和可观察性，agent 会走向 rogue actions”。
Effectively building AI agents on AWS Serverless 作者/机构：AWS 年份：2025 URL：https://aws.amazon.com/blogs/compute/effectively-building-ai-agents-on-aws-serverless/ 角度：control cycle、session state management、authentication、remote tool governance 采用原因：适合支撑“云上 agent 一旦进入生产，必须把状态、身份、观测和工具治理做成系统能力”。
Reactive Reasoning and Planning 作者/机构：Michael P. Georgeff, Amy L. Lansky 年份：1987 URL：https://cdn.aaai.org/AAAI/1987/AAAI87-121.pdf 角度：PRS、belief / desire / intention、执行中持续反应与修正 采用原因：适合支撑“从经典 agent 理论开始，agent 就被理解为闭环运行系统，而非单次输入输出”。
Intelligent Agents: Theory and Practice 作者/机构：Michael Wooldridge, Nicholas R. Jennings 年份：1995 URL：https://www.cambridge.org/core/journals/knowledge-engineering-review/article/abs/intelligent-agents-theory-and-practice/CF2A6AAEEA1DBD486EF019F6217F1597 角度：agent theory、architectures、languages 采用原因：适合支撑“agent 首先是架构与编程系统问题，其次才是局部决策问题”。
BDI Agents: From Theory to Practice 作者/机构：Anand S. Rao, Michael P. Georgeff 年份：1995 URL：https://cdn.aaai.org/ICMAS/1995/ICMAS95-042.pdf 角度：belief、desire、intention、状态与执行承诺 采用原因：适合支撑“agent 核心在内部状态、目标承诺与持续决策，不是 prompt-response”。
Reinforcement Learning: A Survey 作者/机构：Leslie Pack Kaelbling, Michael L. Littman, Andrew W. Moore 年份：1996 URL：https://www.scs.cmu.edu/afs/cs/project/jair/pub/volume4/kaelbling96a-html/rl-survey.html 角度：状态、动作、奖励、延迟反馈 采用原因：适合支撑“agent 的标准学术定义本就是状态-动作-反馈系统”。
Between MDPs and Semi-MDPs: A Framework for Temporal Abstraction in Reinforcement Learning 作者/机构：Richard S. Sutton, Doina Precup, Satinder Singh 年份：1999 URL：https://papersdb.cs.ualberta.ca/~papersdb/uploaded_files/470/paper_SPS-aij.pdf 角度：temporal abstraction、options、分层动作 采用原因：适合支撑“workflow/orchestration 的深层理论基础是多时间尺度控制系统”。
ReAct: Synergizing Reasoning and Acting in Language Models 作者/机构：Shunyu Yao 等 年份：2023 URL：https://arxiv.org/abs/2210.03629 角度：reasoning + acting + observation loop 采用原因：适合支撑“LLM agent 已明确进入推理-行动-观察循环结构”。
AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation 作者/机构：Qingyun Wu 等 年份：2024 URL：https://www.microsoft.com/en-us/research/publication/autogen-enabling-next-gen-llm-applications-via-multi-agent-conversation-framework/?lang=zh-cn 角度：multi-agent conversation、角色分工、控制流、基础设施 采用原因：适合支撑“orchestration 是 agent 系统本体的一部分，而不是 prompt 自然长出来的”。
附录 G：分章资料清单