🛠️ Agent 专业开发人员
对标 Stanford / Berkeley 官方课程体系，从会调 API 到能设计、落地、评测生产级 AI Agent 系统
⏱ 约 120–160 小时（3–6 个月业余时间） · 完成后你将：独立开发带工具调用、记忆、RAG 的 Agent 应用；掌握 MCP 协议，能把任何系统接入 Agent；建立评测（Eval）体系，让 Agent 从 demo 走向可靠
← 返回路径列表
第一阶段 · 打牢地基：LLM 原理与 API
🎯 理解 Transformer/上下文/Token，能熟练使用主流 LLM API
🧠 核心要点（站内速览）
- Transformer 本质是『注意力加权的信息筛选器』，理解它就理解了 Agent 为什么会幻觉、为什么会遗忘
- 上下文窗口是 Agent 的工作记忆：一切设计（RAG/摘要/记忆）都是在跟有限上下文做斗争
- API 三件套：messages / temperature / tools。结构化输出（JSON mode）是 Agent 工程的基石
- Token 即成本：学会估算与优化 prompt 长度，是工程师与玩家的分水岭
第二阶段 · Agent 核心范式：ReAct、工具与记忆
🎯 掌握 Agent 运行的三大循环：思考-行动-观察，学会工具设计与状态管理
🧠 核心要点（站内速览）
- Agent = LLM + 循环。ReAct 模式（Reason→Act→Observe）是几乎所有框架的底层骨架
- 工具设计比模型选择更重要：参数清晰、职责单一、返回对 LLM 友好的文本
- 记忆分层：短期（上下文）/ 长期（向量库）/ 任务态（数据库）。别上来就上向量库，先想清楚检索什么
- 失败是常态：每个工具调用都要有超时、重试与兜底提示
第三阶段 · 框架与编排：LangGraph / CrewAI / 多智能体
🎯 在真实框架里构建多步骤、多角色系统，理解何时该用框架、何时手写
🧠 核心要点（站内速览）
- Anthropic 的建议：能不用框架就不用——框架解决编排，也带来黑盒与调试成本
- LangGraph 把 Agent 建模成状态机，适合有明确流程的业务；CrewAI 适合角色分工型任务
- 多智能体不是人多力量大：每个新 Agent 都增加错误传播面，先单 Agent 打磨到极限
- Human-in-the-loop：关键节点插入人工确认，是从玩具到生产的分界线
第四阶段 · 接入现实：MCP 与系统集成
🎯 掌握 Model Context Protocol，把 Agent 接到数据库、浏览器、内部系统
🧠 核心要点（站内速览）
- MCP 是 Agent 时代的 USB 接口：一次实现，任何支持 MCP 的客户端都能用你的工具
- Server/Client 架构：把公司内部 API 包成 MCP Server，是当前最实用的落地方式
- 安全第一：工具即权限。最小权限、只读默认、敏感操作二次确认
- 上下文工程：给模型的信息要像给新员工的 onboarding 文档——精确、分层、可检索
第五阶段 · 可靠与生产：评测、监控、成本
🎯 建立 Eval 体系与可观测性，让 Agent 系统可持续迭代
🧠 核心要点（站内速览）
- 没有评测就没有迭代：先建 20 个黄金用例（golden set），每次改动跑一遍
- LLM-as-judge 有偏差，关键场景要人工抽检；记录每次会话的 trace（LangSmith/Langfuse）
- 成本三板斧：模型分级（大小模型混用）、缓存、上下文裁剪
- 生产 Agent 的四道防线：输入过滤 → 工具白名单 → 输出校验 → 人工兜底