目标岗位：AI Agent 开发工程师（应用型、工程型）
学习时长：8 周（全职投入）
最终产出：2-3 个生产级、可部署的 Agent 系统 + 完整的全栈技术能力
用8周，打造从原型到生产的完整工程能力
✅ 8周系统课程：从 LangChain 基础到生产级 Agent 系统架构
✅ 每周代码实战：手撕 RAG、Agent、多智能体，将想法变为高可用服务
✅ 2个工业级项目：完成从需求分析、技术选型、开发部署到监控优化的全流程
✅ 生产级技术栈：掌握 FastAPI, Docker, Redis, Prometheus 等后端必备技能
✅ 顶级面试能力：搞定系统设计、性能优化、故障排查等高频面试题
|
系统设计
|
工程实现
|
业务理解
|
✅ 至少2个完整系统项目：端到端可运行，有线上部署经验
✅ 量化的业务指标提升：如 QPS+100%、P99延迟-80%、成本-50% 等数据
✅ 丰富的生产级技术栈：LangChain + FastAPI + Milvus + Redis + Docker + Prometheus
✅ 生产化经验：有部署、监控、性能优化、异常处理的实战经历
- 课程: 吴恩达: Generative AI for Everyone
- 课程: 微软: Generative AI for Beginners
- 课程: HuggingFace NLP Course
- 教程: 《动手学大模型应用开发》 - Datawhale开源教程
- 教程: 《面向开发者的 LLM 入门教程》 - 吴恩达课程中文版
- 教程: 《开源大模型食用指南》 - 快速微调与部署教程
- 教程: 《AI-Guide-and-Demos》 - API到本地部署微调指南
- 书籍: 《Build a Large Language Model (From Scratch)》
- LLM框架: LangChain, LlamaIndex, Dify
- Agent框架: AutoGen, CrewAI, AgentScope
- 向量数据库: Milvus, Qdrant, Chroma
- 推理引擎: vLLM, SGLang, Ollama
- 评估工具: RAGAs, DeepEval, LangSmith
- 社区: HuggingFace, ModelScope, 魔乐社区
- 博客: Lil'Log (OpenAI), 科学空间（苏剑林）, Chip Huyen
- 资源库: Awesome LLM Resources
- 可视化: 100+ LLM/RL 算法原理图 - 通过图解理解算法原理
- 可视化: Interactive Transformer Explainer - 交互式理解Transformer
学习内容:
- 后端基础: FastAPI 路由、异步 I/O、Pydantic 数据校验
- LangChain 核心: LLM, Prompt Templates, Output Parsers, LCEL
- Naive RAG 流程: Document Loaders, Text Splitters, Embeddings, Vector Stores
- 向量数据库: FAISS/ChromaDB 本地化使用
手撕系列:
- FastAPI 搭建 "Hello, World" API 服务
- LangChain LCEL 编写第一个 LLM Chain
- 30分钟手撕一个完整的 Naive RAG 应用
解锁技能:
- 熟练使用 FastAPI 搭建 API
- 掌握 LangChain 核心组件与 LCEL 表达式语言
- 能够从零开始，快速构建一个基于文档问答的 RAG Demo
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 1 | FastAPI 快速入门 | 教程: FastAPI Official Tutorial | 掌握 FastAPI 基础，能够创建路由、处理请求 |
| 2 | LangChain 核心概念 | 文档: LangChain Quickstart 课程: 吴恩达: LangChain for LLM Application Development 课程: Building Systems with the ChatGPT API |
理解 LangChain 六大核心模块，熟练使用 LCEL |
| 3 | RAG Part 1: 加载与分割 | 文档: LlamaIndex Loaders 工具: Unstructured.io, MinerU, Docling |
掌握不同格式文档 (PDF, MD) 的加载和文本分块策略 |
| 4 | RAG Part 2: 向量化与存储 | 教程: FAISS Intro 教程: Sentence Transformers |
理解 Embedding 原理，使用 FAISS/Chroma 构建本地向量索引 |
| 5-6 | 手撕 Naive RAG 系统 | 教程: RAG from Scratch 概念: LLM Powered Autonomous Agents 教程: 动手学大模型应用开发 参考: 面向开发者的LLM入门教程 |
整合 FastAPI + LangChain，完成一个端到端的文档问答 API |
| 7 | 周度总结与项目部署 | 将本周的 RAG 项目用 Docker 打包，并成功运行 |
学习内容:
- Advanced RAG 技术: Query Transformation, Re-ranking, Hybrid Search
- RAG 评估: 使用 RAGAs, TruLens 进行自动化评估
- 生产级向量数据库: Milvus/Zilliz Cloud 部署与使用
- 数据处理: Unstructured.io 解析复杂文档
手撕系列:
- 实现 BM25 + 向量的混合检索
- 引入 Cohere Rerank 模型提升检索精度
- 使用 RAGAs 评估 RAG 系统的 Faithfulness 和 Answer Relevancy
- Docker 部署 Milvus 并进行增删改查操作
解锁技能:
- 掌握 10+ 种 RAG 优化策略
- 能够建立 RAG 系统的自动化评估流水线
- 熟练使用生产级的分布式向量数据库 Milvus
- 具备处理复杂、非结构化文档的能力
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 8 | Query Transformation | 教程: LlamaIndex Query Transforms | 实现 HyDE, Multi-Query 等查询改写策略 |
| 9 | 混合检索与重排 (Rerank) | 教程: LlamaIndex Reranking 论文: Modular RAG |
实现 BM25 + Embedding 混合检索，并集成 Reranker |
| 10-11 | RAG 评估体系 | 文档: RAGAs 评估框架 工具: FlashRAG, DeepEval, Lighteval |
学习 RAG 核心评估指标，并用 RAGAs 评估优化前后的系统性能 |
| 12 | 生产级向量数据库 (Milvus) | 文档: Milvus Quick Start 替代: Infinity, Qdrant |
使用 Docker 部署 Milvus，并掌握其 Python SDK |
| 13 | 高级数据处理 | 文档: Unstructured.io 工具: MinerU, PDF-Extract-Kit, Docling, GOT-OCR2.0 |
使用 Unstructured/MinerU 解析包含表格、图片的复杂 PDF |
| 14 | 周度总结与系统升级 | 将第一周的 RAG 系统升级，集成混合检索、Reranker 和 Milvus |
学习内容:
- Agent 核心: ReAct 框架, Planning, Tool Use, Memory
- Tool Calling: OpenAI Function Calling, Tool Schema 定义
- 工具开发: 如何将 API, 数据库查询等封装为 Agent 可用的工具
- 错误处理: 工具调用失败的重试、降级策略
手撕系列:
- 实现 3个 自定义工具 (天气查询, SQL数据库查询, API调用)
- 基于 LangChain 构建一个可以链式调用工具的 Agent
- 使用 OpenAI Function Calling 实现结构化数据提取
解锁技能:
- 深刻理解 Agent 的"思考-行动"工作流
- 能够开发、测试、维护自定义工具集
- 掌握 Function Calling 的原理与应用
- 具备构建能处理真实世界任务的 Agent 的能力
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 15 | Agent 核心概念 | 博客: LLM Powered Autonomous Agents 文档: LangChain Agents 论文: ReAct |
理解 ReAct 框架，并运行一个 LangChain 官方的 Agent 示例 |
| 16 | 自定义工具开发 | 教程: LangChain Custom Tools 参考: MCP协议, MCP教程 |
编写一个查询天气的自定义工具，并集成到 Agent 中 |
| 17 | SQL & 数据库工具 | 教程: LangChain SQL Agent | 构建一个能根据自然语言查询数据库的 SQL Agent |
| 18 | Function Calling 实战 | 文档: OpenAI Function Calling 指南: GPT Best Practices |
使用 OpenAI API 实现一个能根据用户问题调用函数的 Agent |
| 19 | Agent Memory | 文档: LangChain Memory 工具: Mem0, MemoryScope |
为 Agent 添加对话历史记忆 (ConversationBufferMemory) |
| 20 | Agent 错误处理 | 教程: Error Handling in Agents | 为工具调用添加重试机制 (tenacity 库) 和降级策略 |
| 21 | 周度总结与项目构建 | 构建一个集成 RAG 和 Web 搜索工具的 "研究助手" Agent |
学习内容:
- 缓存策略: Redis 缓存 LLM 响应和 Embedding 结果
- 异步处理:
asyncio,aiohttp实现高并发- 批处理优化: Embedding 和 LLM 调用的批处理
- 推理加速: vLLM, TensorRT-LLM 部署与使用
手撕系列:
- 为 RAG 系统引入 Redis 缓存，对比优化前后性能
- 将 FastAPI 的同步接口改造为异步接口
- 部署 vLLM 并通过 API 进行推理
解锁技能:
- 掌握 LLM 应用的核心性能优化手段
- 能够将系统的 QPS 提升 10 倍以上
- 熟练使用 Redis 进行缓存设计
- 具备部署和使用高性能推理引擎的能力
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 22 | 性能瓶颈分析 | 工具: py-spy, Scalene | 学习使用 cProfile, py-spy 等工具分析现有 Agent 系统的性能瓶颈 |
| 23 | 缓存优化 (Redis) | 教程: FastAPI with Redis 工具: LiteLLM Caching |
为 Agent 系统添加 Redis 缓存，缓存 LLM 响应 |
| 24-25 | 异步处理 (Async) | 教程: FastAPI Async 示例: LangChain Async |
将系统中 I/O 密集型操作 (如 API 调用) 改造为异步 |
| 26 | 批处理优化 (Batching) | 教程: Batch Processing | 实现 Embedding 和 Reranker 的批处理，提升吞吐量 |
| 27 | 高性能推理 (vLLM) | 文档: vLLM Quickstart 替代: SGLang, TensorRT-LLM, LMDeploy 概览: Awesome Inference |
使用 vLLM 部署一个开源模型 (如 Llama 3)，并测试其吞吐量 |
| 28 | 周度总结与性能压测 | 使用 locust 或 jmeter 对优化前后的系统进行压测，并记录 QPS, P99 等指标 |
学习内容:
- Agent 链路追踪: LangSmith, OpenTelemetry
- 指标监控: Prometheus 监控业务和系统指标
- 可视化: Grafana 创建监控大盘
- 日志系统: ELK Stack (Elasticsearch, Logstash, Kibana)
- 容器化部署: Docker, Docker Compose
手撕系列:
- 为 Agent 应用集成 LangSmith，追踪每一步的调用和延迟
- 使用 Prometheus 暴露自定义指标 (如 Token 消耗, 缓存命中率)
- 使用 Docker Compose 将 FastAPI + Milvus + Redis 整套系统一键部署
解锁技能:
- 具备构建完整 LLM 应用可观测性体系的能力
- 能够快速定位和诊断线上问题
- 掌握基于 Docker 的容器化部署和编排
- 拥有完整的 DevOps for LLM Apps 经验
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 29 | 链路追踪 (LangSmith) | 文档: LangSmith 替代: OpenTelemetry, LangFuse |
将 LangSmith 集成到现有 Agent 应用中，分析调用链路 |
| 30 | 指标监控 (Prometheus) | 教程: Prometheus Python Client 集成: FastAPI Instrumentator |
暴露 API 的 QPS, 延迟, 错误率等核心指标 |
| 31 | 可视化 (Grafana) | 教程: Grafana Dashboard | 安装 Grafana，并创建一个简单的监控大盘来展示 Prometheus 指标 |
| 32 | 容器化 (Docker) | 教程: Docker for FastAPI 最佳实践: Docker Best Practices |
为 FastAPI 应用编写 Dockerfile 并成功构建镜像 |
| 33 | 服务编排 (Docker Compose) | 教程: Docker Compose 示例: Full Stack FastAPI |
编写 docker-compose.yml 文件，一键启动整个应用栈 |
| 34 | 日志系统 | 教程: Python Logging 工具: Loguru, structlog |
配置应用将日志输出为 JSON 格式，为接入 ELK 做准备 |
| 35 | 周度总结与生产环境模拟 | 模拟一次线上故障，并使用本周学习的工具链进行问题定位 |
学习内容:
- Multi-Agent 框架: AutoGen vs. CrewAI
- Agent 角色定义: 如何设计具有不同职责和能力的 Agent
- 通信机制与工作流: GroupChat, Sequential/Hierarchical flow
- 状态管理: 如何在多个 Agent 之间共享和传递状态
手撕系列:
- 使用 AutoGen 构建一个“研究员-程序员-测试员”协作的软件开发团队
- 使用 CrewAI 构建一个“旅行规划师-本地向导-预订专员”的旅行 Agent
解锁技能:
- 掌握至少两种主流的 Multi-Agent 开发框架
- 能够根据复杂业务需求，设计和实现多智能体协作系统
- 理解不同协作模式 (如层级式 vs. 对话式) 的优缺点
🌟 每日学习计划
| 天数 | 学习主题 | 资源链接 | 目标 |
|---|---|---|---|
| 36-37 | AutoGen 核心概念 | 文档: AutoGen Tutorial 论文: AutoGen Framework |
学习 ConversableAgent, GroupChat 等核心概念，并运行官方示例 |
| 38 | AutoGen 实战 | 示例: AutoGen Examples | 实现一个"研究员-程序员-测试员"的 Multi-Agent 系统 |
| 39-40 | CrewAI 核心概念 | 文档: CrewAI Docs 教程: CrewAI Quickstart |
学习 Agent, Task, Crew, Process 的概念，并运行官方示例 |
| 41 | CrewAI 实战 | 示例: CrewAI Examples | 实现一个"旅行规划师-本地向导-预订专员"的 Multi-Agent 系统 |
| 42 | 框架对比与总结 | 更多框架: agentUniverse, AgentScope, Qwen-Agent, Lagent, PraisonAI 概览: Awesome Agents |
对比 AutoGen 和 CrewAI 的设计哲学、优缺点和适用场景 |
核心目标：完成 1-2 个可写进简历的完整系统，并准备面试。
业务场景: 为某电商公司构建智能客服系统，自动回答 80% 的重复性用户问题 (订单状态、物流、退款等)。
技术要求:
- 数据源: 对接 FAQ 文档、商品信息数据库 (PostgreSQL)。
- 核心: 实现一个混合检索 RAG，优先从数据库精确查询，无法命中再从文档模糊检索。
- 性能: 系统 QPS > 200, P99 延迟 < 500ms。
- 监控: 完整的 LangSmith + Prometheus + Grafana 监控体系。
- 部署: 使用 Docker Compose 部署。
简历亮点: 高并发、低延迟、生产级监控、节省XX人力成本。
业务场景: 为投资分析师构建自动化报告生成 Agent，输入公司名，自动完成信息搜集、分析和报告撰写。
技术要求:
- Multi-Agent: 使用 CrewAI 构建，包含
信息搜集Agent(调用搜索引擎、API)、财报分析Agent(解析PDF财报、计算关键指标)、报告撰写Agent。- 工具集: 集成 Google Search, SEC API, 文件读写等至少 5 个工具。
- 稳定性: 强大的异常处理和重试机制，任务成功率 > 95%。
- 工作流: 设计一个顺序工作流，并记录每一步的中间产出。
简历亮点: Multi-Agent 协作、复杂工作流自动化、为分析师提升XX%工作效率。
🌟 学习计划 (2周)
| 天数 | 学习主题 | 目标 | |
|---|---|---|---|
| 43-47 | 项目一：智能客服 RAG | 完成需求分析、架构设计、核心功能开发 | |
| 48-51 | 项目一：优化与部署 | 完成性能优化、监控集成和 Docker 部署，撰写项目文档 | |
| 52-56 | 项目二：自动化投研 Agent | 完成需求分析、Agent 设计、工具开发和工作流实现 | |
| 57-58 | 简历撰写与项目总结 | 指南: Tech Resume Guide 参考: AI面试指南 |
按照开发岗模板，将两个项目经历量化地写入简历 |
| 59-60 | 系统设计与面试 Mock | 资源: OpenAI Cookbook, GPT Best Practices 题库: LLM系统设计面试题 课程: LLM Evaluation: A Complete Course |
准备高频系统设计题，并进行 1v1 模拟面试 |
精选业界最优质的学习资源，助你快速提升工程能力
- ⭐ 推荐指数: ★★★★★
- 📖 内容: Agent 开发完整教程，从基础到进阶
- 🎯 适合: 快速上手 Agent 开发，掌握框架使用
- 💡 亮点: 中文友好、实战导向、案例丰富
- ⭐ 推荐指数: ★★★★★
- 📖 内容: RAG 系统完整实现，涵盖文档解析、检索、生成
- 🎯 适合: 构建企业级 RAG 系统、性能优化
- 💡 亮点: 完整代码、最佳实践、生产级方案
- ⭐ 推荐指数: ★★★★☆
- 📖 内容: 快速微调工具，降低资源消耗
- 🎯 适合: 需要快速微调、资源有限的场景
- 💡 亮点: 速度快、易上手、成本低
- ⭐ 推荐指数: ★★★★★
- 📖 内容: Web UI 微调平台，支持 SFT、LoRA、DPO
- 🎯 适合: Function Call 微调、模型定制化
- 💡 亮点: 可视化界面、功能全面、易于使用
- ⭐ 推荐指数: ★★★★☆
- 📖 内容: 数据清洗、格式转换、质量评估
- 🎯 适合: RAG 数据准备、知识库构建
- 💡 亮点: 自动化工具、提升数据质量
- ⭐ 推荐指数: ★★★★★
- 📖 内容: 从零实现 GPT，理解模型原理
- 🎯 适合: 深入理解 LLM 工作机制、面试加分
- 💡 亮点: 代码简洁、注释详细、理解本质
- ⭐ 推荐指数: ★★★★☆
- 📖 内容: 从零构建对话模型
- 🎯 适合: 理解对话系统、端到端实现
- 💡 亮点: 完整流程、实战导向
- ⭐ 推荐指数: ★★★★★
- 📖 内容: Agent 开发、RAG 系统、上下文工程、面试指南
- 🎯 适合: 系统化学习、求职准备、技术路线规划
- 💡 亮点: 开发岗/算法岗双路线、实战项目、简历模板
- 先学习 Hello-Agents 建立 Agent 开发基础
- 浏览 nanoGPT 了解模型原理（可选）
- 深入 All-in-RAG 学习 RAG 系统搭建
- 使用 LLaMA-Factory 进行 Function Call 微调（可选）
- 用 Easy-Dataset 处理数据
- 参考 AgentGuide 完成项目
- 构建完整的生产级系统
- 准备面试和简历
后端: FastAPI + LangChain + Milvus/Chroma
数据处理: Easy-Dataset
监控: LangSmith + Prometheus + Grafana
部署: Docker + Docker Compose
框架: CrewAI / AutoGen / LangGraph
工具: LangChain Tools + Custom Tools
工作流: State Machine + Task Queue
监控: LangSmith + 自定义日志