用一个不依赖 Web 框架的 Python 示例，理解 AI 应用部署时的配置、健康检查、进程和优雅退出等基本边界。

用 Python 标准库实现一个可运行的异步缓存与并发控制示例，理解如何减少重复调用、提高吞吐并估算成本。

从信任边界出发，用 Python 最小示例理解 Prompt Injection、敏感信息泄露，以及为什么模型输出不能直接获得执行权限。

从可重复的测试集、检查规则和通过率开始，构建一个不依赖真实模型调用的 AI 应用评估最小闭环。

用 Python 标准库为一次模型调用建立请求级日志和 Trace，掌握 AI 应用排错所需的最小可观测性。

用纯 Python 为 Agent 增加风险分级、人工审批和拒绝默认机制，理解高风险工具为什么不能由模型直接执行。

用纯 Python 区分 Agent 状态、短期记忆与持久化，并实现一个可恢复的最小任务示例。

用纯 Python 实现一个单 Agent 的最小决策循环，理解状态迁移、工具执行和硬停止条件。

从一个纯 Python 的最小示例认识 Agent 的四个基本组成，并理解它与普通单次模型调用的区别。

在一次模型请求和工具执行之间加入状态、白名单与停止条件，使用 Python 实现一个可验证的最小 AI 工作流。