AI Agent 全栈进阶｜系统化学习路线专题
目录
•
•
◦
◦
◦
◦
◦
◦
•
•
◦
◦
Agent 是当前 AI 领域非常火热的概念，越来越多的开发者开始学习 Agent 开发。趁着手头项目告一段落，我也加入了学习 Agent 的大军，打算在博客上记录下这段学习的心路历程。
这篇博客就是我的学习地图。
一、Agent 是什么
在学习 Agent 之前，我们先梳理一下 Agent 的概念
名词解释Lite版：Agent 是一种基于大模型、能够根据用户指令执行复杂任务的程序。
它与传统 Chatbot 的核心区别在于执行能力。Chatbot 负责对话，根据输入生成文本回复，一问一答；而 Agent 则接收一个目标，通过大模型规划步骤、调用外部工具（API、数据库等）、处理中间结果，最终交付完成的任务。
它的核心构成可以概括为：大模型（LLM） + 工具（Tools） + 记忆（Memory） + 规划（Plan）。
二、Agent 学习路线规划
我把学习过程分成了几个阶段。主流的开发语言是 Python，框架我打算用 LangChain ，生态比较健全
1、大模型基础与对话调用
这是所有 AI 应用的起点。必须掌握大模型 API 的调用方式，才能在此基础上构建更复杂的应用。
代码块
Plain Text
* LLM API 调用（流式输出、多模态输入）
* 提示词工程
* 对话历史管理
2、 工具调用 与结构化输出
这是给 Agent 赋能的关键，让大模型不仅能生成文本，还能生成可解析的结构化数据，从而触发程序逻辑，为后续调用外部系统、执行任务提供可能。
代码块
Plain Text
* Function Calling 原理
* 工具（Tool）的定义与注册
* JSON Schema 约束输出
* 实现最小化的工具调用循环
3、RAG 检索增强生成
RAG 解决大模型知识截止的问题，让 Agent 能基于私有数据或实时信息回答。
代码块
Plain Text
* RAG 核心流程：检索 -> 增强 -> 生成
* 向量数据库与 Embedding 模型
* 文档解析与索引构建
4、Agent 设计模式
掌握主流的 Agent 工作模式，才能根据不同场景选择最合适的架构。
代码块
XML
* ReAct 模式：Thought -> Action -> Observation 循环
* Plan-and-Execute 模式：先规划后执行
* Reflection 模式：自我反思与修正
5、Agent 记忆 机制
让 Agent 能够处理长任务和多轮对话，保持上下文连贯。
代码块
Plain Text
* 短期记忆与长期记忆
* 上下文管理策略（滑动窗口、摘要压缩）
* 基于向量数据库的记忆存储与召回
6、工程化与兜底
Demo 能跑不代表能上线。生产环境中 Agent 容易出现各种故障，必须有工程化手段保证其稳定可靠。
代码块
Plain Text
* Agent 常见故障：死循环、幻觉、误调用
* 可观测性与评估（Eval）
三、Agent 项目推荐
推荐几个开源项目，适合学习开发 Agent 时做参考。
•
LangGraph 101：https://github.com/langchain-ai/langgraph-101
◦
LangGraph 官方入门示例项目，包含多个循序渐进的教程，适合学习复杂 Agent 工作流的构建。
•
Langchain-Chatchat：https://github.com/chatchat-space/Langchain-Chatchat
◦
基于 LangChain 的开源对话问答项目，演示了 RAG、多模型接入等实战应用，代码结构清晰，非常适合学习参考。
•
Claude Code：https://gitcode.com/GitHub_Trending/cl/claude-code
◦
Claude 源码，无需多言。