🐟的Agent开发学习路线

文档首先路线基于AI生成然后我针对自己的学习经历，路线做了一些相关优化，主要还是对我自己的背景下学习路线的整理（后端转Agent开发经历），我认为目前Agent开发还是很新型的岗位，不像后端没有沉淀很久，成型的八股，面试会问的也是基础和目前相关的热点（mcp，skil等等），我相信未来AI的应...

文档首先路线基于AI生成然后我针对自己的学习经历，路线做了一些相关优化，主要还是对我自己的背景下学习路线的整理（后端转Agent开发经历），我认为目前Agent开发还是很新型的岗位，不像后端没有沉淀很久，成型的八股，面试会问的也是基础和目前相关的热点（mcp，skil等等），我相信未来AI的应用场景会越来越多，与其恐惧ai带来的传统革命，不如成为AI的创造者和使用者

食用注意：避免篇幅过长，这里主要是过一遍Agent开发需要学习的名词，不会做深度解析，可以通过本文了解需要学习的大概内容，避免迷茫

💡 这里打个广告，我想和志同道合的人一起维护一个开源Agent项目，可以是垂直领域的业务Agent，有一定应用价值。也可以是类似于Go语言复写优化mem0，或者Agent各种能力的优化的想法，或者其他奇思妙想idea都可以，大家欢迎交流！！这是一个社区——识海，如果大家也有同样的想法，想参与别人的项目，或者有项目想邀请人一起参与，可以加qq群聊一起交流一下，欢迎：750807478 推荐一下我们小伙伴做的的项目：https://github.com/Sea-Go/Sea-BreakTheWaves,https://github.com/Sea-Go/Sea-RideTheWind

作者背景

博主本身是27届，大二暑期开始实习，从Go后端开发入门Agent开发，有两段后端实习基础，在第二段实习有机会接触了Agent开发相关的内容，加上在学校实验室做过一些RAG，大模型的研究（人工智能专业），一下经历是我这个背景下的思考

下面是我 一月份 面试过的大厂，中厂Agent开发相关岗位，列这些是想说明我有切身面过很多Agent相关岗位，比较了解面试官想要什么，Agent相关的面试模式：

快手Agent开发（二面挂）
快手c端广告 java + Agent开发（offer）
minimax Agent开发（offer）
字节跳动懂车帝 Agent架构开发（offer）
商汤人才计划AI Agent开发（offer）
腾讯提前批HR线 AI全栈（三面挂），这个本身就不太匹配，事业线也不是很好，算是练手，技术栈java+py

第一部分：核心知识与必备基础（大模型基础八股）

💡 如果你是后端，想补一点agent相关的知识，那Transformer架构，GPT架构，机器学习深度学习的基础不是你必须的，但是你最好了解现在比较火的mcp，skil，functioncal等概念

1.1 大模型与 Agent 基础概念

https://www.promptingguide.ai/zh/techniques/tot

这里是大模型的基础知识，重点包括Transformer架构，GPT架构，机器学习深度学习的基础

Transformer 架构：一切的基石。现代 LLM（如 GPT 系列）都基于此架构。你不需要从零实现它，但理解其核心的 自注意力机制 (Self-Attention) 如何让模型理解上下文至关重要。
精选资料：
图解 Transformer (The Illustrated Transformer) (英文，强烈推荐)：这篇博客用通俗易懂的图文形式解释了 Transformer 的工作原理，是入门的黄金标准。
什么是 GPT？Transformer 工作原理的动画展示 (中文翻译)：3Blue1Brown 的视频译文，用动画直观展示了数据在 Transformer 内部的流动过程。

开山鼻祖级别的存在，如果想做agent开发一定要有印象，大模型各种应用基本离不开Transformer

LLM 推理与调用：我们通常通过 API 来使用大模型。你需要了解如何调用 OpenAI、Anthropic (Claude) 或国产大模型的 API，并理解 Token、温度 (Temperature)、Top-p 等核心参数的含义

温度，top-p这些参数需要了解，八股会问！！！

提示工程 (Prompt Engineering)：与 LLM 沟通的艺术。好的提示能极大提升模型表现。你需要掌握一些基本原则，如提供清晰指令、上下文、示例（Few-shot Learning）等。

编写prompt的能力，结合Skill相关概念学习

函数调用/工具使用 (Function Calling / Tool Use)：这是 Agent 的“手和脚”。LLM 本身无法与外部世界交互，但通过函数调用，它可以“请求”我们执行代码（如查询数据库、调用 API、搜索网页），从而获取外部信息或执行操作。

Function Calling部分现在常用MCP，需要了解MCP和fc的区别，这个经常问！！！

1.2 Agent 系统基本架构

一个Agent 系统通常包含以下几个部分，理解这个流程至关重要。

⚠️ 原文图片缺失

第二部分：主流的开发框架

学习目标：工欲善其事，必先利其器。第二周我们将聚焦于当前最主流的 Agent 开发框架，学习如何使用它们快速搭建 Agent 应用，并理解各自的优劣势。

最佳实践：对于初学者，强烈建议从 LangChain开始。拥有最庞大的社区和最丰富的文档资源。掌握其中一个，再触类旁通其他框架会容易得多。

💡 如果你会python 先学LangChain就好了，其次是掌握Agent评测——langsimith 如果你想学基于Go的agent开发，可以学习字节开源的Eino框架

2.1 主流 Python Agent 框架对比

框架	核心优势	适用场景	上手难度	官方链接
LangChain & LangGraph	大而全的“瑞士军刀”，组件化程度高，生态最成熟，支持几乎所有主流模型和工具。LangGraph 提供了更灵活的图结构来构建复杂 Agent。	快速原型验证、构建复杂的 Agent 工作流、多工具协作。	★★☆☆☆ (概念较多)	LangChain / LangGraph
LlamaIndex	专注 RAG，数据索引和检索能力极强，尤其擅长处理复杂文档（如 PDF、PPT），与 LangChain 无缝集成。	构建知识库问答、文档分析、数据驱动的 Agent。	★★☆☆☆	LlamaIndex
AutoGen (Microsoft)	多 Agent 协作框架，擅长通过定义不同角色的 Agent 并让它们对话来解决复杂问题。	模拟团队协作（如“产品经理+程序员+测试”小组）、代码生成与调试、复杂规划任务。	★★★☆☆	AutoGen

第三部分：RAG - 让 Agent 拥有你的知识（很重要，必不可少）

可以参考这里https://www.notion.so/RAG-31917df30269805b9b16ea5c4e17a67a?source=copy_link

学习目标：掌握检索增强生成（Retrieval-Augmented Generation, RAG）的核心技术栈。这是让 Agent 能够基于私有知识（如公司内部文档、个人笔记）进行回答的关键，也是目前商业应用最广泛的场景。

💡 其实Rag这块如果深入学习，干货也非常多，各个场景适用的Rag优化策略不同，Rag种类也很多，并且如果是工业界实际落地，也需要针对数据类型，效果等深入完善系统，这里只做简单罗列，在后面视频会深入解析Rag整个流程和优化

3.1 RAG 核心流程

RAG 的本质是“先检索，再生成”。当用户提问时，系统首先从知识库中找到最相关的文档片段，然后将这些片段和用户问题一起作为上下文，交给 LLM 生成最终答案。

3.2 RAG 技术栈拆解

文档加载与切分 (Loading & Splitting)
加载：首先需要从各种来源（PDF, TXT, HTML, Notion, ...）加载文档。
切分：将长文档切分成更小的、语义完整的块 (Chunks)。切分的好坏直接影响检索效果。常见的策略有按字符数切分、按 Token 数切分、递归字符切分等。
主流工具：LangChain 和 LlamaIndex 都提供了丰富的 DocumentLoaders 和 TextSplitters。
嵌入与向量存储 (Embedding & Vector Stores)
嵌入 (Embedding)：使用 Embedding 模型将文本块转换为高维向量。这些向量能够捕捉文本的语义信息，相似的文本在向量空间中距离更近。
向量数据库 (Vector Database)：专门用于存储和高效检索这些高维向量的数据库。
精选资料：
什么是 Embedding？ (英文，Pinecone 出品)

第四部分：多智能体，React，A2A，ToT，CoT这些概念

💡 实际应用的业务Agent架构都是相当复杂的，这里需要去学习更深入的Agent技术，包括A2A的具体实现，是什么，React的具体实现，解决了什么问题，多智能体架构是什么，怎么多协同，这个阶段我还是推荐通过一个项目去学习

一、ReAct（Reason + Act）

📌 核心论文

ReAct: Synergizing Reasoning and Acting in Language Models https://arxiv.org/abs/2210.03629

这是所有 Agent 框架的祖师爷级论文。

它解决了什么问题？

在 ReAct 之前：

要么纯 CoT（只推理，不查资料）
要么工具调用（直接调用工具，没有显式推理链） ReAct 做了一件事：

Thought -> Action -> Observation -> Thought -> Action -> ...

模型：

先思考
再决定是否调用工具
再根据结果继续思考这让 Agent：
能动态查资料
能纠错
能自我反思

二、多智能体（Multi-Agent）📚 推荐论文

CAMEL: Communicative Agents for Mind Exploration https://arxiv.org/abs/2303.17760
AutoGen（微软） https://github.com/microsoft/autogen

AutoGen 是目前最有代表性的多智能体框架。

🎯 多智能体解决的问题

单 Agent 问题	多 Agent 解决方式
上下文爆炸	角色拆分
推理能力弱	专家化
复杂流程难控	流程分层

🧱 常见多 Agent 架构

1️⃣ Supervisor 模式

Planner -> Worker -> Reviewer

2️⃣ Debate 模式

Agent A  Agent B
Judge

3️⃣ loop 模式（推荐你重点学）

👉 看：

LangGraph
AutoGen GroupChat

第五部分：上下文工程

Agent 的记忆与状态：为了完成复杂任务，Agent 需要记住之前的对话历史（短期记忆）和关键信息（长期记忆）。我们通常使用简单的缓冲区或更高级的向量数据库来实现。

本质就是上下文工程，这个可以看一下Memgpt这篇论文，其次是我后面会出的mem0架构的讲解，这里不细讲

一、MemGPT

论文：

MemGPT: Towards LLMs as Operating Systems

https://arxiv.org/abs/2310.08560

它的核心思想：

把 LLM 当操作系统

内存分成：

Working Memory（上下文窗口）
Archival Memory（外部存储）
Recall 机制
Memory Paging 像极了操作系统的：

RAM + Disk + Page Swap

这篇论文会改变你对 Agent 的理解。

二、mem0（工程化实现）（仿造人脑海马体的记忆框架）

mem0 的核心思想是：

自动提取重要记忆，而不是存全部历史

区别于传统 buffer memory：

只存“重要事实”
自动更新
可长期使用推荐你看：

https://github.com/mem0ai/mem0

三、向量数据库与记忆

学习方向：

Embedding 原理
Top-K 检索
Hybrid Search（BM25 + Dense）
父子索引

四、上下文工程的核心能力

真正高级的 Context Engineering 包括：

Prompt 编排
动态裁剪
Memory 压缩
Summary 机制
角色化上下文隔离
Token 预算调度

第五部分：评测、安全、监控与链路追踪

4.1 评测与可观测性 (Evaluation & Observability)

“没有度量，就没有优化。” 如何客观地评估 Agent 的表现，是其能否上线的核心问题。

核心评测维度：
RAG 质量：上下文精度 (Context Precision)、上下文召回率 (Context Recall)、答案忠实度 (Faithfulness)、答案相关性 (Answer Relevancy)。
Agent 质量：任务完成率、工具使用正确率、鲁棒性等。
评测方法：
人工评估：最可靠，但成本高。
LLM-as-a-Judge：使用更强大的 LLM（如 GPT-4）来评估 Agent 的输出，是目前的主流方案。

工具/框架	核心特点	亮点功能	官方链接
LangSmith	LangChain 官方出品，集日志、监控、调试、评估于一体的平台。与 LangChain/LangGraph 无缝集成。	可视化追踪 Agent 每一步的思考和工具调用，轻松调试；支持在线和离线评估，自定义评估器。	官网
TruLens	专注于 RAG 的 “三元组” 评估（答案、上下文、问题之间的相关性），提供细粒度的可观测性。	开箱即用的 RAG 评估指标，可视化展示检索与生成环节的问题。	官网
Phoenix (Arize)	基于 OpenTelemetry 的开源 LLM 可观测性工具，支持日志、评估、可视化，与各种框架集成良好。	强大的可视化能力，能通过 Embedding 聚类发现问题数据。	官网
DeepEval / OpenAI Evals	更偏向于单元测试和基准测试的评估框架，让你像写 Pytest 一样编写 LLM 的评测用例。	与 CI/CD 流程集成，自动化回归测试。	DeepEval / OpenAI Evals