Agent 开发正确学习路线 2026

更新日期：2026-07-02
适用对象：已经具备前端、后端或全栈基础，希望系统学习 AI Agent 开发，并能做出真实可上线项目的开发者。

这份路线的核心判断是：不要一开始就学多 Agent，也不要一开始就堆框架。正确路线是先理解 LLM 应用，再做工具调用，再做 RAG，再做状态和工作流，最后补评测、可观测性、安全和生产部署。

Agent 不是“会聊天的机器人”。工程意义上的 Agent 是一个能在目标约束下反复调用模型、工具、数据和外部系统，并能被评测、追踪、恢复和治理的应用系统。

1. Agent 的正确心智模型

一个生产级 Agent 至少由这些部分组成：

text

用户目标
-> 模型调用
-> 指令和上下文
-> 工具选择
-> 工具执行
-> 状态更新
-> 结果校验
-> 继续下一步或结束
-> 追踪、评测、成本和安全治理

可以把 Agent 理解为：

text

Agent = Model + Instructions + Tools + State + Control Loop + Guardrails + Evaluation + Runtime

各部分职责：

部分	作用	学习重点
Model	负责语言理解、推理、规划、生成	message、token、上下文、结构化输出、模型选择
Instructions	告诉模型目标、角色、边界、输出格式	system prompt、任务约束、失败恢复指令
Tools	让模型能查数据、调 API、读文件、写数据库	function calling、schema、错误消息、权限
State	记录对话、任务、运行进度和业务状态	session、checkpoint、短期记忆、长期记忆
Control Loop	决定模型和工具如何循环	agent loop、workflow、graph、retry、timeout
Guardrails	降低越权、错误输出和危险动作风险	输入校验、输出校验、审批、权限、审计
Evaluation	判断 Agent 是否真的做对	eval dataset、rubric、tool-call accuracy、回归测试
Runtime	让 Agent 可部署、可观测、可恢复	trace、日志、队列、沙箱、成本、限流

2. 总体学习顺序

阶段 0：补齐基础工程能力

Agent 开发不是只写 prompt。你需要先具备这些底层能力：

一门主力语言：Python 或 TypeScript。
HTTP、REST、SSE、WebSocket 基础。
JSON Schema、Zod、Pydantic 等结构化数据校验。
数据库基础：PostgreSQL、Redis、对象存储。
后端工程：鉴权、日志、异常处理、任务队列。
前端工程：能做一个运行状态面板、聊天界面、工作流详情页。

最低验收：

能写一个后端 API。
能接一个第三方 API。
能用数据库保存用户会话和任务结果。
能写一个前端页面展示流式输出和运行日志。

阶段 1：LLM 应用基础

先学普通 LLM 应用，再学 Agent。这个阶段要理解：

message 结构：system、user、assistant、tool。
token、上下文窗口、上下文污染、成本。
prompt 模板和变量注入。
structured output：让模型输出可解析 JSON。
streaming：把模型输出实时展示到前端。
fallback：模型失败、超时、限流时如何降级。

推荐练习：

text

做一个“需求分析助手”：
输入用户需求 -> 输出结构化 JSON -> 前端展示模块、接口、数据表、风险。

验收标准：

输出 JSON 能被程序解析。
对无效输入能返回明确错误。
前端能展示流式输出。
能记录每次调用的输入、输出、耗时和 token 用量。

阶段 2：工具调用和工具设计

工具调用是 Agent 从“聊天”变成“办事”的第一道门。这个阶段重点不是会写函数，而是会设计Agent 能正确选择和正确恢复的工具契约。

必须掌握：

function calling / tool calling。
工具名称、描述、参数 schema、返回结构。
工具错误消息要可恢复，而不是只返回 failed。
工具权限分级：只读、写入、危险操作。
工具响应不能无限塞上下文，大结果要返回摘要或文件引用。
MCP：把工具、数据源、工作流标准化暴露给 AI 应用。

工具设计示例：

type SearchDocsInput = {
  query: string
  limit?: number
}

type SearchDocsResult = {
  results: Array<{
    title: string
    url: string
    snippet: string
    score: number
  }>
}

好的工具说明应包含：

text

这个工具做什么
什么时候使用
输入字段格式
返回字段格式
常见错误和修复方式
权限边界

深化：模型其实从不“执行”工具

很多初学者以为框架把函数交给了模型。真实机制是：工具的参数 schema 和描述随请求发给模型 API，模型只是生成一段“调用申请”（工具名 + JSON 参数），由你的应用（或 Agent 框架）真正执行函数，再把结果作为一条 tool 角色消息追加回对话，供模型下一轮阅读。所以：

工具执行、校验、超时、重试、权限全部是你的代码责任，模型侧只负责“选择与填参”。
错误消息写给模型看，就要写成可恢复的提示（“字段 X 需要 ISO 日期，请修正后重试”），而不是堆栈或裸 failed——模型会读这条消息并据此修正下一次调用。
模型可一次申请多个工具调用（并行 tool calls），你的分发器要执行全部并把每个结果对应回去，缺一条回传消息就可能让整个调用卡死或报错。

推荐练习：

text

做一个“项目资料查询 Agent”：
工具 1：搜索本地 Markdown 文档
工具 2：读取指定文档片段
工具 3：生成回答并引用来源

验收标准：

Agent 能在需要查资料时主动调用工具。
工具参数错误时，Agent 能根据错误消息修正后重试。
回答必须带引用来源。
没查到资料时，不能编造。

阶段 3：单 Agent 循环

先把单 Agent 做扎实。多数业务并不需要多 Agent，真正需要的是一个边界清楚、工具可靠、可追踪的单 Agent。

可以选择的框架：

选择	适合场景
OpenAI Agents SDK	Python 项目、OpenAI 生态、希望快速获得 agent loop、tools、handoff、guardrails、sessions、tracing
LangChain `create_agent`	需要跨模型供应商、快速组合模型、工具、middleware、structured output
原生模型 API	简短流程、你想完全掌控 loop、tool dispatch 和 state

这一阶段要掌握：

agent loop 如何运行。
模型如何决定调用哪个工具。
工具结果如何回传给模型。
如何限制最大轮次，避免无限循环。
如何给危险工具加人工确认。
如何处理 tool error、模型拒答、空输出、格式错误。

深化：把 agent loop 拆成伪代码

任何框架的 Agent 循环剥开都是这十行，手写一遍是理解框架的最好方式：

python

messages = [system_prompt, user_input]
for step in range(max_iterations):          # 1. 必须有硬上限
    response = model.invoke(messages, tools=schemas)
    messages.append(response)
    if not response.tool_calls:             # 2. 没有工具申请 = 自然终止
        return response
    for call in response.tool_calls:        # 3. 逐个分发
        try:
            result = dispatch(call.name, validate(call.args))
        except Exception as e:
            result = recoverable_error(e)   # 4. 错误也回传，让模型自修
        messages.append(ToolMessage(result, tool_call_id=call.id))
raise AgentMaxIterationsError()             # 5. 超限显式失败，别静默返回

四个必须自己盯住的点：终止条件（模型不调工具 / 达到上限 / 命中 guardrail）、参数校验失败时把可恢复错误送回对话而不是抛异常、每轮 token 都在涨（历史+工具结果累积，成本非线性）、以及“模型拒答也产生一条普通回复”——循环会正常结束，但产物可能是零，业务层要能识别。用 LangChain create_agent 或 OpenAI Agents SDK 时这些都已内置（recursion_limit、tool error middleware 对应上面 5 和 4），但出了问题时能一眼定位在哪一行，靠的正是你手写过这十行。

推荐练习：

text

做一个“GitHub Issue 助手”：
用户描述问题 -> Agent 搜索项目文档 -> 生成 issue 标题、复现步骤、可能原因 -> 人工确认后创建 issue。

验收标准：

创建 issue 前必须人工确认。
工具调用轨迹可查看。
Agent 不能越权修改仓库。
失败时能说明失败在哪一步。

阶段 4：RAG 和知识库

RAG 是多数企业 Agent 的核心能力，因为 Agent 不能只依赖模型训练知识。它必须能检索公司文档、代码、数据库记录和知识库。

必须掌握：

Document Loader：加载 Markdown、PDF、网页、数据库内容。
Text Splitter：按语义切片，不要粗暴按固定长度切断句子。
Embedding：把文本转成向量。
Vector Store：Qdrant、pgvector、Chroma、Pinecone 等。
Retriever：topK、metadata filter、MMR、hybrid search。
Reranker：提升 top results 的精度。
引用来源：答案必须能追溯到文档。
检索评测：Recall@k、MRR、NDCG、人工标注集。

RAG 的正确链路：

text

原始资料
-> 清洗和切片
-> embedding
-> 入库
-> 查询改写
-> 检索
-> rerank
-> 拼接上下文
-> 生成答案
-> 引用和校验

推荐练习：

text

做一个“学习文档 RAG 问答系统”：
把本目录的学习文档入库，支持按技术主题提问，并返回引用文档路径。

验收标准：

至少准备 30 个问题作为评测集。
每个问题标注期望命中文档。
计算 Recall@5。
回答必须包含来源路径。
对资料中没有的内容明确回答“当前资料未覆盖”。

深化：RAG 评估必须分两层做

检索和生成要分开打分，否则出了问题无法归因：

层	指标	数据来源与特点
检索层	Recall@k、MRR、NDCG	人工标注“问题 -> 期望文档”集，离线纯计算，便宜、稳定，适合当回归门禁
生成层	Faithfulness/groundedness（是否超出资料）、Answer relevancy、引用正确性	常用 LLM-as-judge；⚠️ 裁判模型本身也会漂移，上线前人工抽检一致性

归因规则：top-k 里没有正确文档 -> 修检索链路（切片、embedding、混合检索、rerank）；检索到了但答错 -> 修 prompt 和生成；答对但引用错 -> 修上下文拼接与注入格式。不先定位在哪一层就调参，等于盲调。评测集要随文档更新滚动补充失败样本，每个修复回归验证一次。

阶段 5：状态、记忆和上下文工程

没有状态的 Agent 只能做一次性问答。真实 Agent 需要记住任务进度、用户偏好、审批状态和历史操作。

必须区分：

类型	说明	示例
工作上下文	当前任务运行需要的临时信息	当前步骤、工具结果、草稿
短期记忆	一个会话内持续存在	多轮对话历史、未完成任务
长期记忆	跨会话保留	用户偏好、项目知识、业务实体
持久化状态	可恢复运行	checkpoint、thread、workflow state

学习重点：

不要把所有历史都塞进 prompt。
记忆要按需检索，不要无脑加载。
会变化的事实要有时间戳或有效期。
工具结果和中间状态要可追踪、可恢复。
长任务要能断点续跑。

深化：上下文工程的三个陷阱

上下文工程（context engineering）是决定 Agent 可靠性的第一因素——模型能力不变，换对上下文往往比换模型收益更大。LangChain 官方把可控对象分为三类：进入模型调用的暂态上下文（指令、历史、工具列表）、工具能读写的持久状态（state / store / runtime context）、以及步骤之间的生命周期处理（摘要、guardrail、日志）。对应三个高频陷阱：

陷阱	症状	对策
context rot（上下文腐烂）	历史越长，模型越容易忽略中段指令、答非前问	滑动窗口 + 摘要压缩；大结果落盘只留引用；用剩余 token 预算驱动淘汰
记忆污染	一条错误“事实”写进长期记忆后，之后每个会话都被它带偏	写入走确认/策略审核；带时间戳和有效期；提供修改与删除入口
状态与记忆混用	把业务状态机数据塞进对话历史，或把对话历史当唯一状态源	可恢复的执行状态交给 checkpoint/thread；跨会话偏好交给 memory store；对话消息只是其中一种状态通道

💡 判别口径：这条信息是“本轮推理要用”（暂态注入，用完即弃）、“本会话要继续”（短期记忆 / state）、还是“下个会话还要记得”（长期记忆 / store）？三者存储、失效和检索机制完全不同，混在一起是大多数“记忆系统”失败的根因。

推荐练习：

text

做一个“个人学习教练 Agent”：
记录用户学过什么、卡在哪里、下一步计划是什么，并能跨会话继续。

验收标准：

能保存用户学习状态。
能根据历史推荐下一步。
能修改错误记忆。
能区分“当前计划”和“历史计划”。

阶段 6：工作流编排和 LangGraph

当 Agent 流程开始出现分支、循环、审批、重试、持久化时，就应该学习 LangGraph 或同类工作流框架。

LangGraph 的关键价值：

用 StateGraph 显式表达节点和边。
通过 state 管理多步任务。
通过 reducer 合并并发或多步结果。
支持 persistence、checkpoint、human-in-the-loop、streaming。
适合长时间运行、有状态、需要恢复的 Agent。

你要学会把 Agent 拆成节点：

text

接收任务
-> 需求分类
-> 检索资料
-> 生成方案
-> 工具执行
-> 人工审批
-> 最终输出

深化：LangGraph 三个底层事实（学框架前先看）

事实	对你的意义
执行按 Pregel 式 super-step 推进，checkpoint 只写在 super-step 边界	“断点续跑”的最小恢复粒度是步骤，不是代码行；节点要写成可安全重放的函数
state 字段合并由 reducer 决定，默认覆盖	并行分支写同一字段必须显式声明合并规则，否则数据静默丢失
节点内可返回 `Command`（更新+跳转），条件边可返回 `Send`（动态并行扇出）	路由、handoff、map-reduce 是三种不同机制，用错会做出难维护的图

详见《LangGraph系统学习文档》第 4.1、10、11 章。

推荐练习：

text

做一个“Agent 工作流编排台”：
前端展示图节点、运行状态、工具调用、人工审批、最终结果。

这个练习可以和已有项目文档配合：

10-项目实战与产出/前端转AI全栈学习路径_项目需求与设计稿/05-agent-workflow-studio/项目需求.md
07-AI与智能体开发/LangGraph系统学习文档.md

验收标准：

每个节点状态可视化。
支持暂停和人工审批。
支持失败重试。
支持查看每一步输入、输出、耗时。
重启服务后能恢复未完成任务。

阶段 7：评测体系

没有评测的 Agent 不能上线。Agent 是非确定性的，不能只靠“我试了几次感觉不错”。

评测要覆盖：

评测对象	指标
工具选择	是否调用了正确工具
工具参数	参数是否完整、格式是否正确
RAG 检索	Recall@k、MRR、NDCG
回答质量	准确性、完整性、引用正确性
安全边界	是否拒绝危险请求、是否需要审批
成本性能	token、延迟、工具调用次数
回归稳定性	新版本是否比旧版本退化

评测数据集建议：

text

simple：单轮问答、单工具调用
medium：多工具调用、需要检索
complex：多步骤、需要审批或状态恢复
edge：越权、无资料、错误参数、冲突信息

推荐练习：

text

为前面的 RAG 问答系统建立 50 条评测样本：
每条包含输入、期望来源、期望行为、评分维度。

验收标准：

每次改 prompt、模型、retriever、工具描述后都能跑评测。
评测结果有历史记录。
至少有一个失败样本被修复并回归验证。

阶段 8：可观测性、成本和安全

生产级 Agent 必须能解释“它为什么这么做”。你需要看到每次运行：

用户输入。
模型请求和响应。
tool calls。
tool results。
state 变化。
检索命中文档。
token 和耗时。
错误、重试、审批。

可观测性建议：

开发期使用 LangSmith、OpenAI tracing 或框架自带 trace。
服务端日志带 trace_id、user_id、thread_id、run_id。
长流程用 span 表达每一步。
生产环境保留脱敏后的运行轨迹。

安全重点：

工具权限最小化。
写操作必须有人或策略审批。
不把密钥暴露给模型上下文。
RAG 内容需要权限过滤。
防止 prompt injection 诱导工具越权。
对外部网页、用户上传文件、模型输出保持不信任。
高风险动作必须可审计、可回滚。

推荐练习：

text

给前面的 Agent 工作流编排台增加运行追踪页面：
展示 run timeline、tool call、retrieval source、token cost、error stack。

验收标准：

任意一次回答都能追踪到来源和工具调用。
敏感字段不会出现在日志里。
超时、限流、工具失败都有明确错误分类。
能统计每日调用量和成本。

阶段 9：多 Agent

多 Agent 是进阶能力，不是入门捷径。大多数场景先用单 Agent、workflow、tools 就够了。

只有在这些情况才考虑多 Agent：

单个上下文窗口放不下所有资料。
子任务可以真正并行。
不同子任务需要完全不同的工具或权限。
需要研究者、验证者、执行者互相隔离。
单 Agent 评测已经遇到明显瓶颈。

常见模式：

模式	适合场景	风险
Supervisor	有中心调度，任务可拆分	主管上下文膨胀、转述失真
Swarm / handoff	动态移交流程	容易发散、难收敛
Hierarchical	大项目分层管理	协调成本高
File-system coordination	多 Agent 共享文件状态	需要清晰目录和锁策略

推荐练习：

text

做一个“技术调研多 Agent”：
Researcher 查资料，Verifier 校验来源，Writer 生成报告，Supervisor 只做任务分配和最终整合。

验收标准：

每个 Agent 的工具和职责不同。
Verifier 能拦截无来源结论。
多 Agent 版本必须和单 Agent baseline 对比质量、成本和耗时。
如果多 Agent 没明显提升，就回退到单 Agent。

阶段 10：托管运行和后台自治

最后才学习后台 Agent、沙箱、长任务和自动 PR。这一层属于产品化和平台化。

重点能力：

sandbox：隔离运行代码和工具。
session persistence：任务中断后可恢复。
warm pool：降低冷启动。
durable log：长期运行不依赖聊天上下文。
approval boundary：合并、部署、删除、付费操作必须人审。
rollback：失败后能回退。
PR workflow：Agent 可以准备 PR，但不应默认自行合并。

推荐练习：

text

做一个“后台代码审查 Agent”：
输入仓库和任务 -> 在沙箱中读取代码 -> 生成修改建议 -> 跑测试 -> 生成 PR 草稿。

验收标准：

沙箱隔离。
有运行日志。
有测试结果。
有人工审批边界。
不自动合并、不自动部署。

3. 推荐技术栈

Python 路线

适合后端、AI 工程、RAG、数据处理：

text

Python
-> OpenAI Agents SDK 或 LangChain
-> LangGraph
-> FastAPI
-> PostgreSQL / Redis
-> Qdrant / pgvector
-> LangSmith / OpenTelemetry

TypeScript 路线

适合前端转全栈、Node.js 服务、AI 产品界面：

text

TypeScript
-> Vercel AI SDK 或 LangChain JS
-> Node.js / NestJS
-> PostgreSQL / Redis
-> 前端运行状态面板
-> MCP 工具服务

选型建议

目标	推荐
快速做 OpenAI 生态 Agent	OpenAI Agents SDK
跨模型供应商和工具生态	LangChain
长流程、有状态、可恢复工作流	LangGraph
文档问答和知识库	LangChain / LlamaIndex + Qdrant / pgvector
标准化外部工具接入	MCP
前端产品化界面	Vue / Nuxt / React + SSE/WebSocket

不要在第一周纠结框架。先用最小 API 做通，再逐步引入框架。

4. 推荐学习项目路线

项目 1：结构化输出助手

目标：掌握普通 LLM 应用。

功能：

输入自然语言需求。
输出结构化 JSON。
前端展示 JSON。
记录调用日志。

通过标准：

JSON 解析成功率高。
模型输出不合规时能重试或报错。

项目 2：工具调用助手

目标：掌握 tools。

功能：

查询本地文档。
查询外部 API。
生成带来源的回答。

通过标准：

工具选择正确。
参数错误可恢复。
不编造工具结果。

项目 3：RAG 知识库

目标：掌握企业 Agent 的资料检索基础。

功能：

导入 Markdown / PDF。
切片、embedding、向量入库。
支持问答和引用。
支持评测集。

通过标准：

Recall@5 有记录。
回答有来源。
无资料时拒绝编造。

项目 4：工作流 Agent

目标：掌握 LangGraph 或工作流编排。

功能：

节点式任务流。
支持工具调用。
支持人工审批。
支持状态恢复。

通过标准：

每个节点可追踪。
服务重启后能继续。
高风险动作必须审批。

项目 5：Agent 工作流编排台

目标：把 Agent 能力产品化。

功能：

前端展示运行图。
后端执行 workflow。
展示工具调用、状态、日志、成本。
支持手动继续、拒绝、重试。

通过标准：

非技术用户能看懂 Agent 正在做什么。
开发者能定位失败原因。

项目 6：生产级企业 Copilot

目标：综合能力毕业项目。

功能：

企业知识库 RAG。
业务系统工具调用。
权限控制。
评测系统。
可观测性。
部署和回滚。

通过标准：

有离线评测和线上监控。
有权限过滤。
有审计日志。
有成本统计。
有失败恢复方案。

5. 常见错误路线

错误路线	为什么错
一上来就多 Agent	协调成本高，调试困难，常常比单 Agent 更差。
只学 prompt，不学工具	Agent 的价值在行动能力，工具契约才是关键。
只做 demo，不做评测	没有评测就不知道改动是否变好。
RAG 只会向量 topK	真实知识库需要切片、metadata、混合检索、rerank、引用和评测。
把所有历史塞进 prompt	成本高，注意力差，还会引入过期信息。
工具权限过大	prompt injection 或模型误判可能造成真实破坏。
没有可观测性	Agent 出错时无法解释，也无法优化。
迷信框架	框架只是组织 loop、tools、state 的方式，基础能力更重要。

6. 12 周学习计划

周期	主题	产出
第 1 周	LLM API、message、structured output、streaming	结构化输出助手
第 2 周	tool calling、工具 schema、错误恢复	工具调用助手
第 3 周	RAG 基础、切片、embedding、vector store	本地文档问答
第 4 周	RAG 评测、rerank、metadata filter	带 Recall@k 的知识库
第 5 周	单 Agent loop、LangChain 或 OpenAI Agents SDK	GitHub Issue 助手
第 6 周	state、session、memory、上下文管理	学习教练 Agent
第 7 周	LangGraph StateGraph、node、edge、reducer	工作流 Agent
第 8 周	checkpoint、human-in-the-loop、失败恢复	审批型 Agent
第 9 周	evaluation、rubric、offline/online eval	50 条 Agent 评测集
第 10 周	observability、trace、cost、安全	Agent 运行追踪面板
第 11 周	multi-agent、handoff、supervisor	技术调研多 Agent
第 12 周	部署、沙箱、后台任务、PR workflow	生产级 Copilot 原型

7. 与现有文档的阅读顺序

建议按这个顺序读本目录资料：

Agent开发正确学习路线_2026.md
LangChain系统学习文档.md
LangGraph系统学习文档.md
../10-项目实战与产出/前端转AI全栈学习路径_项目需求与设计稿/04-rag-knowledge-base/项目需求.md
../10-项目实战与产出/前端转AI全栈学习路径_项目需求与设计稿/05-agent-workflow-studio/项目需求.md
../10-项目实战与产出/前端转AI全栈学习路径_项目需求与设计稿/06-enterprise-ai-copilot/项目需求.md

8. 最小毕业标准

如果你想确认自己真的入门 Agent 开发，需要做到：

能解释 Agent、workflow、RAG、tool calling、memory、evaluation 的区别。
能独立实现一个带工具调用的单 Agent。
能独立实现一个带引用来源的 RAG 知识库。
能用 LangGraph 或类似框架实现有状态流程。
能设计至少 50 条评测样本。
能追踪一次 Agent run 的模型调用、工具调用、检索来源、token 和耗时。
能说明哪些动作必须人工审批。
能把 Agent 部署成一个前后端可用的产品原型。

9. 官方资料入口

主题	官方资料
OpenAI Agents SDK	OpenAI Agents SDK
LangChain	LangChain Overview
LangGraph	LangGraph Overview
LangSmith Evaluation	Evaluation concepts
MCP	Model Context Protocol
OpenTelemetry Trace	OpenTelemetry Traces
Qdrant Retrieval Quality	Qdrant Retrieval Quality

10. 一句话总结

学习 Agent 开发的正确路线是：

text

LLM 基础
-> 结构化输出
-> 工具调用
-> 单 Agent
-> RAG
-> 状态和记忆
-> 工作流编排
-> 评测
-> 可观测性和安全
-> 多 Agent
-> 后台自治和生产化

真正的分水岭不是“会不会写 prompt”，而是能不能让 Agent 可靠调用工具、基于真实资料回答、可评测、可追踪、可恢复、可治理。

Agent 开发正确学习路线 2026 ​

1. Agent 的正确心智模型 ​

2. 总体学习顺序 ​

阶段 0：补齐基础工程能力 ​

阶段 1：LLM 应用基础 ​

阶段 2：工具调用和工具设计 ​

深化：模型其实从不“执行”工具 ​

阶段 3：单 Agent 循环 ​

深化：把 agent loop 拆成伪代码 ​

阶段 4：RAG 和知识库 ​

深化：RAG 评估必须分两层做 ​

阶段 5：状态、记忆和上下文工程 ​

深化：上下文工程的三个陷阱 ​

阶段 6：工作流编排和 LangGraph ​

深化：LangGraph 三个底层事实（学框架前先看） ​

阶段 7：评测体系 ​

阶段 8：可观测性、成本和安全 ​

阶段 9：多 Agent ​

阶段 10：托管运行和后台自治 ​

3. 推荐技术栈 ​

Python 路线 ​

TypeScript 路线 ​

选型建议 ​

4. 推荐学习项目路线 ​

项目 1：结构化输出助手 ​

项目 2：工具调用助手 ​

项目 3：RAG 知识库 ​

项目 4：工作流 Agent ​

项目 5：Agent 工作流编排台 ​

项目 6：生产级企业 Copilot ​

5. 常见错误路线 ​

6. 12 周学习计划 ​

7. 与现有文档的阅读顺序 ​

8. 最小毕业标准 ​

9. 官方资料入口 ​

10. 一句话总结 ​

Agent 开发正确学习路线 2026

1. Agent 的正确心智模型

2. 总体学习顺序

阶段 0：补齐基础工程能力

阶段 1：LLM 应用基础

阶段 2：工具调用和工具设计

深化：模型其实从不“执行”工具

阶段 3：单 Agent 循环

深化：把 agent loop 拆成伪代码

阶段 4：RAG 和知识库

深化：RAG 评估必须分两层做

阶段 5：状态、记忆和上下文工程

深化：上下文工程的三个陷阱

阶段 6：工作流编排和 LangGraph

深化：LangGraph 三个底层事实（学框架前先看）

阶段 7：评测体系

阶段 8：可观测性、成本和安全

阶段 9：多 Agent

阶段 10：托管运行和后台自治

3. 推荐技术栈

Python 路线

TypeScript 路线

选型建议

4. 推荐学习项目路线

项目 1：结构化输出助手

项目 2：工具调用助手

项目 3：RAG 知识库

项目 4：工作流 Agent

项目 5：Agent 工作流编排台

项目 6：生产级企业 Copilot

5. 常见错误路线

6. 12 周学习计划

7. 与现有文档的阅读顺序

8. 最小毕业标准

9. 官方资料入口

10. 一句话总结