用途：面向构建自主智能体的开发者，介绍让 AI 系统在无持续人工干预下分解目标、规划动作、调用工具并自我纠正的思路与模式。核心观点是“自主性靠积累而非直接授予”：应先用高约束、只做一件事且可靠的智能体，验证可靠性后再逐步增加自主度。
主要能力与模式：包含自主智能体、agent-loops、goal-decomposition、self-correction、reflection-patterns、react-pattern、plan-execute、agent-reliability、agent-guardrails 等主题。模式方面有：ReAct 智能体循环（推理与动作步骤交替）、Plan-Execute 模式（把规划阶段与执行阶段分离）、Reflection 模式（自我评估与迭代改进）。
反模式：无界自主（Unbounded Autonomy）、盲目信任智能体输出、通用型自主。
风险与对应措施（资料以 Issue/Severity/Solution 列出）：步骤过多为 critical，需减少步骤数；成本失控为 critical，需设置硬性成本上限；规模验证不足为 critical，需在生产前做规模化测试；输出未经真值校验为 high，需对照 ground truth 验证；API 客户端脆弱为 high，需构建健壮的 API 客户端；权限过宽为 high，需遵循最小权限原则；上下文用量为 medium，需跟踪上下文使用；日志为 medium，需结构化日志。
适用场景：设计自主智能体架构、评估其可靠性、制定护栏与成本限制时参考。
限制：资料未提供具体安装命令、代码示例、平台支持、收费方式或使用步骤，也未给出量化效果数据，这些内容暂未提供。相关技能建议结合 agent-tool-builder、agent-memory-systems、multi-agent-orchestration、agent-evaluation 使用。