让学习长成一个项目。

实施顺序

1. 挑选一个可以用脚本检验的小任务，明确输入与预期输出。
2. 运行离线 agent_loop.py，理解日志字段，再观察一个你实际使用的 Agent。
3. 制作轨迹列表，显示步骤、工具参数、工具结果、状态和耗时。

完成的证据

• 成功和失败的执行都能被展示。
• 能指明一次无效调用的原因，而非只展示最终答案。

实施顺序

1. 从 tools 和 model 两个接口开始，让模拟模型走完工具调用闭环。
2. 加入未知工具、非法参数和失败工具的测试任务。
3. 接入自己的模型 API 前，先用离线测试验证所有终止路径。

完成的证据

• 失败会返回结构化错误，不会无限重试。
• 达到步数预算能够终止，trace 可以复现行为。

实施顺序

1. 运行 evaluate.py，识别成功判据与模拟 token 口径。
2. 将任务分成开发集和保留集，预先写下改动假设。
3. 只改变一项策略，报告成功率、总成本和成功任务成本。

完成的证据

• 保留失败任务，不挑选漂亮的样本。
• 成本表标明模拟、估算或真实账单的来源。

实施顺序

1. 先用实验室估算 KV cache，列出权重和运行时额外显存。
2. 按 vLLM 当前官方文档选择支持的硬件、模型和版本。
3. 复用已有评测集，记录 TTFT、输出 token 数、请求耗时和成功率。

完成的证据

• 提供硬件、精度、上下文长度、并发和版本记录。
• 对能力损失分类，区分模型能力与工具协议错误。

实施顺序

1. 画出模型、工具和排队的耗时分布，选取最大且可改变的一项。
2. 写出假设、控制变量、预期指标，再做优化。
3. 运行同一负载，保存原始记录，解释收益与质量代价。

完成的证据

• 至少一组对照实验，失败假设也要保留。
• 别人能根据环境与命令复现结果，结论不超出测量范围。