AI Agent 工程学习路线
这个模块解决什么问题
这个模块负责回答三个问题：
- 学什么 — AI Agent 工程需要掌握哪些知识
- 按什么顺序学 — 从基础到工程化的学习路径
- 学到什么程度 — 每个阶段的学习目标和验收标准
它不是概念百科，而是一张工程学习地图，把零散的知识点串联成可执行的学习路径。
学习地图
| 阶段 | 学习主题 | 对应文章 | 学习目标 |
|---|---|---|---|
| 1 | LLM 应用基础 | Agent 基础 | 理解 LLM 调用形态、上下文窗口、模型能力边界 |
| 2 | Prompt Engineering | Prompt Engineering | 掌握 Prompt 设计原则、结构化输出、Few-shot 技巧 |
| 3 | Context Engineering | Context Engineering、Context Window 管理 | 理解任务上下文、RAG 证据、Memory、State、Trace 如何分层进入模型，并能控制长上下文成本、相关性和可信边界 |
| 4 | RAG | RAG 基础 | 理解检索增强生成的完整链路和工程化要点 |
| 5 | RAG vs Fine-tuning | RAG vs Fine-tuning | 区分外部知识检索和模型行为训练的适用边界 |
| 6 | Tool Calling | Tool Calling | 理解工具注册、参数生成、工具选择、结果回填 |
| 7 | Realtime Voice Agent | Realtime Voice Agent、Realtime Voice Agent Engineering | 理解低延迟语音交互、打断、语音 UI、高风险确认、状态和工具调用 |
| 8 | Browser / Computer Use Agent | Browser / Computer Use Agent、Computer Use Agent Safety | 理解 GUI 自动化、浏览器操作、截图/DOM 观察、高风险动作审批和第三方指令隔离 |
| 9 | Agent Runtime | Agent Runtime、OpenAI Agents SDK Engineering、Responses API Tool Orchestration | 理解 Agent 运行时循环、状态管理、工具编排、handoff、guardrail 和停止条件 |
| 10 | Memory / Persistence | Memory / Persistence、Agent Memory Store Design | 理解短期记忆、长期记忆、上下文压缩、写入策略、遗忘和持久化策略 |
| 11 | 长期记忆系统 | 长期记忆系统设计、Agent Memory 评测 | 理解用户偏好、项目事实、记忆写入、检索、更新、遗忘和评测机制 |
| 12 | LangGraph 状态机 | LangGraph 状态机 | 掌握 State、Node、Edge、Checkpoint 的设计和使用 |
| 13 | Multi-Agent / Handoff | Multi-Agent 架构 | 理解多 Agent 协作模式、调度策略、结果整合 |
| 14 | Guardrails / Human Approval | Guardrails / Safety、Human-in-the-loop | 理解安全边界、权限控制、Hook 拦截和人工审批 |
| 15 | Agent Harness | Agent Harness 总览 | 理解 Runtime、Memory、Tool、Guardrails、Trace、Eval 如何组成生产级骨架 |
| 16 | Trace / Evaluation | Trace 与 Evaluation | 理解 Trace 记录、自动评测、失败样本沉淀 |
| 17 | Production Engineering | Production Engineering | 理解部署、监控、成本控制、Prompt 管理 |
和工程化笔记的关系
学习路线关注“学什么”，工程化笔记关注“怎么做”。两者互为补充。
| 学习主题 | 对应工程化笔记 |
|---|---|
| RAG | RAG 工程化、向量数据库 |
| RAG vs Fine-tuning | Eval Dataset 设计、LLM Gateway |
| Context Engineering | Context Window 管理、Agent Trace、LLM Gateway |
| Tool Calling | API 安全、Tool Registry 工程化、Responses API Tool Orchestration、MCP Resources and Prompts Design、MCP Server、MCP Gateway 架构 |
| Browser / Computer Use | Computer Use Agent Safety、Agent 安全威胁模型、Agent Trace、Browser Agent E2E Acceptance |
| Agent Runtime | OpenAI Agents SDK Engineering、Responses API Tool Orchestration、Agent Trace、异步任务、Agent Queue 与 Backpressure |
| Memory / Persistence | 数据库设计、Agent Memory Store Design、Agent Trace、长期记忆系统设计、Agent Memory 评测 |
| LangGraph / Multi-Agent | Agent Trace、Eval Pipeline |
| Guardrails / Safety | API 安全、上线检查清单 |
| Agent Harness | MCP Server、Agent Trace、Eval Pipeline |
| Production Engineering | FastAPI、Docker 部署、可观测性 |
和面试题库的关系
学习路线建立知识体系，面试题库检验表达能力。学完一个主题后，可以通过对应面试题验证理解深度。
| 学习主题 | 对应面试题 |
|---|---|
| Agent 基础 | Agent 面试题 |
| Context Engineering | Agent 面试追问库 |
| RAG | RAG 面试题 |
| RAG vs Fine-tuning | 大模型工程面试题 |
| Tool Calling | LLM 工具调用面试题 |
| Browser / Computer Use | Agent 面试追问库 |
| LangGraph | LangChain / LangGraph 面试题 |
| Agent Harness / Guardrails | Agent 面试题、大模型工程面试题 |
| Production Engineering | 大模型工程面试题 |
推荐学习顺序
第一阶段：建立 LLM 应用基础
先理解 LLM 调用的基本形态、上下文窗口和 Prompt Engineering。这是所有后续内容的基础。
第二阶段：学习 RAG 和 Tool Calling
RAG 让模型能结合外部知识回答问题，Tool Calling 让模型能调用外部工具执行操作。这两个是 Agent 的核心能力前置。
第三阶段：进入 Agent Runtime、Memory 和 LangGraph
在理解 RAG 和 Tool Calling 的基础上，学习 Agent 的运行循环、状态管理、记忆系统和流程编排。
第四阶段：补齐 Guardrails、Harness、Trace / Evaluation
这一阶段关注 Agent 如何从 Demo 变成工程系统：权限、审计、人工审批、执行轨迹、评测集和失败样本闭环。
第五阶段：进入 Production Engineering 和项目实战
最后补齐部署、监控、成本控制、回滚方案，并把知识点落到可展示项目中。
三大模块联动
站点由三个核心模块组成，分别解决学习、落地和表达三个问题：
- 学习路线负责回答：学什么、按什么顺序学
- 工程化笔记负责回答：怎么落地、怎么部署、怎么评估
- 面试题库负责回答：怎么表达、怎么回答追问
三者不是孤立的，而是“学 → 做 → 答”的闭环。学完一个主题后，到工程化笔记看怎么落地，再到面试题库练怎么表达。
当前状态
当前已完成 AI Agent 学习路线的第一轮补齐，基础能力、Agent Runtime、Memory / Persistence、Guardrails、Agent Harness、Trace / Evaluation 与 Production Engineering 已形成独立页面。后续重点是继续加深 RAG、Production 和项目实战内容，并把知识点沉淀到可展示项目中。