Agent 学习路径（入门到进阶）

学习背景

• 基础：Python + Rust 高级后端、大数据开发

• 环境：国内开发环境

• 目标：构建复杂 Agent，覆盖面试常见问题

• 时间：每天 1 小时

学习方式：对话迭代式

1. 抛出问题或场景

2. 提问、表达想法

3. 讨论、补充知识点

4. 理解到位后进入下一轮

5. 偏离时拉回主线

阶段一：核心概念

第1轮：Agent 本质

• 起点：Agent vs ChatBot 的区别

• 探索：能力边界、核心组件

• 面试问题：

  • 什么是 Agent？和 ChatBot 的区别？

  • Agent 的核心组件有哪些？

第2轮：Agent 如何"行动"

• Tool Use 原理

• Function Calling 机制

• 面试问题：

  • Function Calling 的实现原理？

  • Agent 如何调用外部工具？

第3轮：Agent 如何"思考"

• Planning、推理链

• ReAct 架构

• 面试问题：

  • ReAct 是什么？工作原理？

  • CoT、ToT、GoT 区别？

第4轮：Agent 如何"记忆"

• Memory 系统

• RAG 基础

• 面试问题：

  • 短期记忆 vs 长期记忆？

  • RAG 和微调的区别？

阶段二：技术架构

单 Agent 架构

• Agent 执行循环

• 规划模块设计

• 工具编排策略

• 错误处理机制

• 面试问题：

  • 画出 Agent 架构图

  • 如何处理工具调用失败？

多 Agent 架构

• 协作模式：Supervisor、层级、对等

• 通信机制

• 冲突解决

• 面试问题：

  • Multi-Agent 有哪些协作模式？

  • LangGraph vs AutoGen vs CrewAI？

阶段三：核心能力深入

RAG 进阶

• Embedding 选择

• 切分策略

• 检索优化（混合检索、重排序）

• 幻觉问题

• 评估方法

• 面试问题：

  • 如何提高检索准确率？

  • 如何评估 RAG 系统效果？

Planning 与推理

• Chain of Thought (CoT)

• Tree of Thoughts (ToT)

• 自我反思机制

• 动态规划

阶段四：工程实践

生产环境考量

• 成本优化（Token 消耗、缓存）

• 延迟优化（流式输出）

• 可观测性（日志、追踪）

• 安全性（prompt injection 防护）

• 评估体系

项目实战（选1-2个）

1. SQL Agent：自然语言查询数据库

2. 知识库问答：企业文档 RAG 系统

3. 代码助手：代码生成 + 解释 + 调试

4. 数据分析 Agent：自动生成分析报告

资源清单

国内可访问资源

学习资源

• DeepSeek 开放平台文档

• LangChain 中文教程

• LlamaIndex 官方文档

• 论文：ReAct、CoT、ToT

• 开源项目：LangGraph、MetaGPT、Dify