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

抛出问题或场景 提问、表达想法 讨论、补充知识点 理解到位后进入下一轮 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）

SQL Agent：自然语言查询数据库 知识库问答：企业文档 RAG 系统 代码助手：代码生成 + 解释 + 调试 数据分析 Agent：自动生成分析报告

资源清单

国内可访问资源

类型 推荐 说明 LLM API DeepSeek 国产最强，API 兼容 OpenAI LLM API 通义千问 阿里云，文档齐全 向量数据库 Milvus 国产，性能强 Embedding BGE / m3e 国产开源，中文效果好

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