# AI 学习路径与大纲：从模型调用到生产级 Agent

依据：极客时间《AI Agent 全栈工程师训练营课程大纲》，28 页。使用 Chrome DevTools MCP 打开预览页，并通过页面已加载的 PDF.js 逐页提取文本。

原始 PDF：[课程大纲](https://cdn.weibanzhushou.com/1667925038706197505/link_radar/PaoPao/AI_Agent_%E5%85%A8%E6%A0%88%E5%B7%A5%E7%A8%8B%E5%B8%88%E8%AE%AD%E7%BB%83%E8%90%A5_%E8%AF%BE%E7%A8%8B%E5%A4%A7%E7%BA%B2__mromyryg1bdr.pdf)

说明：以下为基于原文重组的学习方案。周数、练习、验收建议及第 0 阶段由本文补充，并非原课程承诺。原文涉及的软件与框架作为课程主题列出，本文未额外核查其当前版本和功能。

## 1. 学习目标与适用人群

目标是独立构建一个能够调用工具、执行多步任务、检索知识、恢复失败、接受评测并部署运行的 Agent 系统。

适合：已有 Python、后端或全栈开发基础，希望转向大模型应用、RAG 或 Agent 工程的开发者。

这份材料主要覆盖 AI 应用工程。数学、机器学习算法、模型训练与微调不在其主要范围内；希望走算法研究路线时，需要另补这些课程。

## 2. 总体学习路径

编程与服务基础 → 稳定调用 LLM → 工具运行时 → 单 Agent 与状态机 → 上下文、记忆与 RAG → Skill、多 Agent 与评测 → 生产部署 → 业务交付。

建议以一个持续演进的代码仓库贯穿全程，逐步形成三个可独立演示的成果：

1. Tool Runtime：展示工具接入、权限控制和执行治理。
2. Codebase Agent：展示代码理解、多步执行、检索与失败恢复。
3. Eval & Production Platform：展示质量评估、追踪、版本对比和部署能力。

| 阶段 | 建议时间 | 对应原文 | 核心问题 | 阶段交付 |
|---|---|---|---|---|
| 0. 工程基础 | 额外 2–4 周，已有基础可跳过 | 补充内容 | 能否独立开发与测试服务？ | 一个带测试的 API 服务 |
| 1. LLM 应用基础 | 第 1–2 周 | 第一章，P3–6 | 如何稳定调用模型？ | LLM Gateway |
| 2. 工具与 MCP | 第 3–4 周 | 第二章，P6–9 | 如何可靠执行工具调用？ | Tool Runtime |
| 3. Agent 执行系统 | 第 5–7 周 | 第三章，P9–13 | 如何完成并恢复多步任务？ | Codebase Agent v1 |
| 4. Context、Memory、RAG | 第 8–10 周 | 第四章，P13–16 | 如何提供准确且足够的上下文？ | Codebase Agent v2 |
| 5. Skill、多 Agent、Eval | 第 11–13 周 | 第五章，P16–21 | 如何复用能力并证明效果提升？ | 评测与协作平台 |
| 6. 生产工程 | 第 14–15 周 | 第六章，P21–25 | 如何部署、监控、回滚？ | 可运行的交付版本 |
| 7. 业务综合项目 | 第 16–18 周 | 第七章，P25–28 | 如何解决真实业务问题？ | 综合项目与交付报告 |

时间假设：每周投入 8–12 小时，已有基本开发能力；按阶段验收结果调整进度。

### 配套网上课程

已补充[课程导航](learning/README.md)、[资源目录与核查说明](learning/courses.md)及[18 周实践计划](learning/weekly-plan.md)。按各阶段指定章节学习，无需把所有课程从头重复看完。

| 阶段 | 主修资源 | 补充资源 |
|---|---|---|
| 0 | CS50P、FastAPI 中文教程 | Docker 官方入门 |
| 1 | Datawhale LLM Universe、Hello-Agents 第 3 章 | Prompt 专项短课、FastAPI 流式传输 |
| 2 | Hugging Face MCP Course、Hello-Agents 第 10 章 | Function Calling 专项短课 |
| 3 | LangChain Academy：Introduction to LangGraph 模块 1–3 | Hugging Face Agents Course、Hello-Agents 第 4/7 章 |
| 4 | Hello-Agents 第 8/9 章、LLM Universe、LangGraph 模块 5 | Anthropic 上下文工程文章、检索和记忆专项短课 |
| 5 | Hello-Agents 第 12 章、LangGraph 模块 4、Promptfoo 教程 | Agent 评测、Skill、持续测试专项短课 |
| 6 | Docker 教程、LangGraph 模块 6、Full Stack LLM Bootcamp | vLLM 官方 Quickstart |
| 7 | Hello-Agents 第 14/16 章、DeerFlow 官方项目研读 | Full Stack 的 UX 与项目讲解 |

## 3. 分阶段学习大纲

### 阶段 0：工程基础（补充）

学习内容：

- Python：类型标注、异常处理、模块管理、异步调用、虚拟环境。
- HTTP、JSON、REST、流式传输的基本概念。
- FastAPI、数据校验、配置与密钥管理。
- Git、测试、SQL、Docker、日志与基本故障排查。

练习：开发一个能保存任务、查询状态并处理异常的 API 服务。

验收：能从干净环境启动服务，运行测试，并根据日志定位一个请求失败原因。

### 阶段 1：LLM API、Prompt 与结构化输出

学习内容：

- 模型请求与响应、消息角色、Token、上下文窗口、调用参数。
- Prompt 的任务定义、约束、示例、模板与版本管理。
- JSON Schema、Pydantic、输出校验、格式失败与有限重试。
- Streaming、SSE、取消请求、连接中断。
- 多模型适配、超时、限流、降级，以及成本和延迟统计。

项目：LLM Gateway，统一封装模型调用、结构化输出和流式响应。

练习：从一段需求描述中提取目标、约束和待确认项，返回经过校验的结构化结果。

验收：既能处理成功响应，也能演示超时、非法输出与取消请求；每次调用可追踪模型、耗时和用量。结构合规与内容正确分别验证。

### 阶段 2：Function Calling、Tool Runtime 与 MCP

学习内容：

- Function Calling 的请求、参数生成、执行与结果回传。
- Tool Registry：名称、描述、输入输出 Schema、错误类型、版本。
- 参数校验、身份透传、读写权限、审计和风险分级。
- 超时、重试、降级；补充理解写操作的幂等性，避免重试产生重复副作用。
- MCP Client/Server，以及工具、资源和提示模板的接入。

项目：实现一个统一工具运行时，接入文件搜索、代码读取、测试执行等工具，并连接一个 MCP Server。

验收：非法参数在执行前被拒绝；越权调用留下记录；失败有明确错误；能从 Trace 中还原一次工具调用。

关键区分：模型负责提出工具调用，运行时负责校验并执行；MCP 解决标准化接入，业务权限仍需系统实现。

### 阶段 3：Agent Loop、状态机与 Codebase Agent

学习内容：

- ReAct、Plan-and-Execute、观察—执行—反馈循环。
- 固定 Workflow 与动态 Agent 的适用边界。
- 任务拆解、依赖、动态调整计划、终止条件与预算上限。
- 状态机、Checkpoint、取消、中断恢复、人工接管。
- 文件、命令、网络与容器的执行边界。
- Harness 如何组织模型、工具、上下文和任务状态。
- 在理解基本循环后，学习原文列出的 LangGraph 状态图与编排主题。

项目：Codebase Agent v1，先完成代码理解，再加入受控修改和测试修复。

练习：

1. 定位项目登录链路，输出带文件依据的说明。
2. 为一个函数补充测试，读取失败结果并尝试修复。
3. 中断任务后从持久化状态恢复。

验收：任务有明确终态；重复失败不会无限循环；变更能通过 diff 检查；测试结果和失败原因均可追踪。

### 阶段 4：Context Engineering、Memory 与 RAG

学习内容：

- 上下文选择、优先级、预算、压缩及污染诊断。
- 区分任务状态、工作记忆、长期记忆和项目知识。
- 记忆的写入、检索、更新、删除、来源与可信度。
- 文档解析、分块、元数据、代码 AST 分块。
- Embedding、向量检索、BM25、混合检索、查询改写、Rerank。
- 引用、证据一致性、检索质量评估。
- 知识库的版本、权限、时效和冲突维护。

项目：Codebase Agent v2，增加代码与文档索引、项目记忆和上下文诊断报告。

练习：回答“新增一个支付渠道需要修改哪些模块”，为结论提供文件和行号依据；资料不足时显式说明。

验收：使用固定问题集比较关键词检索、向量检索与混合检索；检查引用是否支持结论；上下文压缩后仍能保留目标、约束和未完成事项。

### 阶段 5：Skill、多 Agent 与 Eval

建议把本阶段的简单评测提前到阶段 1：从少量固定任务开始，持续积累失败样本。

学习内容：

- Skill 的适用条件、输入输出、步骤、依赖、权限与版本。
- 单 Agent 与多 Agent 的取舍。
- Supervisor、Planner/Executor、Reviewer 的协作方式。
- 子任务委托、上下文隔离、结构化结果、冲突处理与预算控制。
- Golden Dataset、规则评测、结构校验、人工评审、LLM-as-Judge。
- 成功率、引用准确率、恢复率、人工接管率、成本和延迟。
- 失败分类、Trace 分析、版本对比与回归检查。

项目：先实现单 Agent 评测，再按需要增加架构、测试、安全等分析角色，比较协作收益与额外成本。

练习：建立约 30 个学习用任务，覆盖正常输入、证据不足、工具超时、权限拒绝和任务恢复。这个规模用于学习起步，不代表生产验证充分。

验收：在相同任务集和可比条件下输出版本对比；记录失败样本；抽查自动评分与人工判断的一致性；未观察到提升时保留结论。

### 阶段 6：工程化、部署与可观测性

学习内容：

- 云端、私有化与混合部署的选择因素。
- 原文列出的 vLLM、TGI、Triton 等推理服务主题，按业务需要选学。
- 缓存、并发队列、批处理、限流、熔断与模型路由。
- 模型、工具和任务 Trace，失败回放及其适用边界。
- 模型、Prompt、工具、RAG 策略和知识库版本管理。
- Feature Flag、灰度、回滚、监控和告警。
- 密钥管理、日志脱敏、租户权限与数据隔离。
- Docker Compose、环境配置、Runbook。

项目：把已有 Agent 打包为可部署版本，提供健康检查、评测入口与故障处理说明。

验收：在新环境启动；模拟一次外部工具故障并定位；切换和回滚一个配置版本；统计单任务成本；保存一次故障演练记录。

### 阶段 7：综合项目与产品交付

原文先以 DeerFlow 的请求入口、Agent 工厂、工具装配、中间件、沙箱、子代理、Skill 和持久化为架构分析线，再给出两类综合应用。

项目方向 A：深度研究平台。

- 输入研究问题，输出带来源的分析报告。
- 实现检索、事实核验、证据整理、报告生成与人工复核。
- 用引用质量、任务完成率、时间和成本评估结果。

项目方向 B：软件开发协作系统。

- 输入开发任务，输出代码变更、测试结果和审查材料。
- 实现任务拆解、开发、审查、测试与 CI 集成。
- 用测试结果、变更范围、人工接管率和交付耗时评估结果。

学习时先选一个方向完成闭环，再扩展第二个。涉及 DeerFlow、GitHub Channel、ACP 的具体实现，以原文作为研读线索，落地前核查对应项目文档。

最终交付：需求与场景边界、架构图、可运行项目、演示任务、评测报告、失败案例、成本记录和部署手册。

## 4. 执行方式与优先级

每周参考安排：2 小时阅读与概念验证，5–7 小时开发，1–3 小时评测、复盘和文档整理。

每次学习完成一个闭环：提出问题 → 实现最小能力 → 跑固定任务 → 分析失败 → 记录改进证据。

优先掌握：模型调用、结构化输出、工具校验、单 Agent 循环、状态恢复、引用、基础评测与 Trace。

随后补齐：混合检索、上下文压缩、Skill、系统化回归、部署与成本控制。

按需深入：多 Agent 大规模协作、自托管推理、复杂平台封装。用实际任务证明需求后再增加这些复杂度。

## 5. 与 FDE 学习的衔接建议

若与 FDE 学习并行，可让每个技术模块都对应一份业务交付物：

| FDE 工作 | 对应技术能力 | 可检查成果 |
|---|---|---|
| 访谈与需求澄清 | Prompt、结构化输出 | 事实、约束、假设与待确认问题清单 |
| 业务流程拆解 | Tool、Workflow、Agent Loop | 工具清单、流程图、接管节点 |
| 知识与产品核查 | RAG、引用、知识版本 | 带证据的核查报告 |
| 沙盘与验收 | Eval、Trace、失败诊断 | 标准任务集、执行记录、验收结论 |
| 上线与运营 | 部署、监控、回滚、成本 | Runbook、故障演练、运营指标 |

技术学习的最终检查问题：这个系统为谁完成了什么任务，依据是什么，失败时如何处理，效果如何衡量？