AI Agent 学习路线¶
Agent 不只是一次模型调用。一个能稳定完成任务的 Agent，需要模型能力、上下文工程、工具与知识系统、运行时、评估体系和后端工程共同配合。
01 / 模型与 Agent 核心¶
先建立最小闭环：用户目标 → 模型判断 → 工具调用 → 结果反馈 → 最终回答。
- 模型层：LLM / VLM、推理、结构化输出与 Tool Calling。
- Agent 核心层：Context + Tools、ReAct、Planning。
- 工程层：Harness、约束、验证、纠错与失败恢复。
阶段项目：做一个只有 1–3 个工具的任务助手，并为每个工具补充参数校验、超时和可读错误信息。
02 / 上下文、工具与知识¶
| 系统 | 重点 | 常见问题 |
|---|---|---|
| 上下文工程 | Prompt、Skills、压缩、KV Cache | 信息过载、关键约束丢失 |
| 工具系统 | Tool Calling、MCP、API、Sandbox | 权限过宽、参数错误、执行失败 |
| 知识系统 | Memory、RAG、Vector、BM25、Hybrid RAG | 召回不准、知识过期、引用缺失 |
阶段项目：给助手接入一个真实 API 和一个小型知识库，保留检索证据，并测试“找不到答案”的行为。
03 / Agent Runtime¶
Runtime 管理状态、任务、工作流与异步执行。将一次复杂任务拆成明确步骤，并让每一步都能被记录、重试或取消。
建议先实现单 Agent 工作流，再选择一个方向扩展：
- Coding Agent：Code / Shell、File / Git。
- Multi-Agent：Supervisor、任务分派与 Handoff。
- Multimodal：Voice、Computer Use 与图像理解。
04 / Eval、Observability 与自进化¶
没有评估，就无法判断 Agent 是否真的变好。为典型任务建立小型数据集，记录成功率、延迟、Token、工具错误和人工评分，并通过 Trace 定位失败步骤。
自进化应建立在评估结果上：沉淀有效 Memory、复用 Skill、记录 Reflection，同时为自动修改设置边界和回归验证。
推荐实践顺序¶
- 单轮模型调用与结构化输出。
- 单工具调用与参数验证。
- ReAct 或显式工作流。
- RAG、Memory 与引用。
- 异步任务和持久化状态。
- Trace、评估集和回归测试。
- Coding Agent、Multi-Agent 或多模态专项。
后端能力是 Agent 的底座
鉴权、数据库、缓存、队列、文件存储、日志和部署决定了 Agent 能否从 Demo 走向稳定应用。建议与后端学习路线并行推进。