🎯 目标定位：从"API调用侠"到"Agent系统工程师"——掌握设计、调试和运维复杂Agent系统的核心能力。
| 阶段 | 周期 | 核心主题 | 关键产出 |
|---|---|---|---|
| 第一阶段 | 第1-2周 | LLM基础、RAG实战、工程化预习 | 手写ReAct Agent + 可观测RAG系统 |
| 第二阶段 | 第3-4周 | LangChain/LangGraph、多Agent协作 | 复杂Agent工作流 + 多Agent协作Demo |
| 第三阶段 | 第5-6周 | API化、智能网关、综合实战 | 端到端生产级Agent应用 |
🎯 学习目标：理解Agent底层原理，手写实现ReAct Agent，奠定扎实基础。
- 配置Python开发环境（推荐uv/pipenv）
- 安装并测试主流LLM SDK（OpenAI、Anthropic等）
- 完成首次API调用，理解Token、Temperature等核心参数
- 实践：编写一个简单的对话脚本
- 掌握Python
asyncio异步编程范式 - 使用Pydantic实现LLM结构化输出
- 学习Prompt工程核心技巧：
- System Prompt设计原则
- Few-shot Prompting
- Chain-of-Thought (CoT)
- ReAct Prompting
- 实践：构建一个带结构化输出的Prompt模板库
- 理解ReAct范式：Reason + Act 循环
- 从零实现Agent核心组件：
- LLM调用层
- Tool定义与注册机制
- Thought-Action-Observation循环
- 终止条件判断
- 实践：手写一个能使用搜索/计算工具的ReAct Agent
本周交付物：一个不依赖任何Agent框架的手写ReAct Agent实现
🎯 学习目标：掌握RAG全链路技术，引入可观测性与评估体系。
- 实现基础RAG流水线：
- 文档加载与分块（Chunking策略）
- 向量化与向量数据库（Chroma/Milvus等）
- 相似度检索与答案生成
- 进阶RAG策略：
- 混合检索（BM25 + 向量检索）
- 重排序（Reranking）
- 查询重写与扩展
- 实践：构建一个基于企业文档的问答系统
- 接入LangFuse记录调用链：
- Trace/Span概念理解
- 关键指标埋点（延迟、Token消耗、成本）
- RAG系统评估：
- 使用Ragas框架进行自动化评估
- 核心指标：Faithfulness、Answer Relevance、Context Precision
- 实践：为RAG系统编写评估脚本并生成报告
本周交付物：一个带可观测性和评估体系的进阶RAG系统
🎯 学习目标：掌握主流Agent框架，用可控图构建复杂Agent。
- 核心抽象学习：
- Chain：顺序链、并行链、条件链
- Agent：ReAct Agent、OpenAI Functions Agent
- Tool：内置工具与自定义工具
- 记忆系统（Memory）：
- ConversationBufferMemory
- ConversationSummaryMemory
- VectorStore-backed Memory
- 实践：用LangChain重写第一周的ReAct Agent
- 核心概念：
- State定义与类型安全
- Node与Edge
- 条件分支与循环
- 实战项目：
- 用Graph构建带记忆的对话Agent
- 实现条件分支（如：意图分类路由）
- 加入Human-in-the-loop机制
- 实践：用LangGraph实现一个多步骤工作流Agent
本周交付物：基于LangGraph的复杂Agent工作流实现
🎯 学习目标：理解多Agent协作范式，掌握至少一种多Agent框架。
- 选择并深入学习一个框架（推荐CrewAI）：
- Agent角色定义与分工
- Task编排与依赖管理
- 通信机制与结果聚合
- 完成一个完整Demo：
- 多角色协作场景（如：研究员+写手+审校）
- 理解与LangGraph的设计差异
- 实践：对比LangGraph与CrewAI的适用场景
- 设计一个跨Agent协作任务：
- 场景示例：联合撰写行业报告
- Agent分工：信息收集 → 数据分析 → 内容撰写 → 质量审核
- 实现并调试协作流程
- 总结多Agent系统的设计模式与常见陷阱
本周交付物：一个完整的多Agent协作Demo及框架对比分析
🎯 学习目标：掌握Agent服务化部署与生产级运维能力。
- 学习FastAPI核心概念：
- 路由定义与参数校验
- 异步端点设计
- 流式响应（Streaming）
- 将Agent封装为RESTful API：
- 统一请求/响应格式
- 错误处理与状态码
- API文档自动生成
- 实践：部署一个可远程调用的Agent服务
- 智能网关配置：
- 多模型路由策略
- Fallback机制（主模型失败自动切换）
- 速率限制与配额管理
- 成本优化：
- 模型选择策略
- Token预算控制
- 实践：配置一个带Fallback和限流的LiteLLM网关
- 常见故障模式与应对：
- LLM幻觉检测与缓解
- Tool调用失败重试策略
- 超时与降级处理
- 调试技巧：
- 利用LangFuse Trace定位问题
- 日志分析与可视化
- 单元测试与集成测试
- 实践：模拟故障场景并验证系统恢复能力
本周交付物：一个带智能网关和监控的生产级Agent服务
🎯 学习目标：构建完整的企业级Agent系统，整合全链路技能。
- 智能运维助手：查询监控、分析日志、执行预定义修复脚本
- 智能客服系统：意图识别、知识库检索、工单生成
- 数据分析Agent：数据查询、可视化生成、报告撰写
- 确定选题与需求分析
- 设计Agent工作流与工具集
- 技术选型与架构设计
- 输出：项目设计文档
- 实现Agent核心逻辑
- 开发/集成工具集
- 通过API提供服务
- 输出：可运行的Agent系统
- 接入LiteLLM网关
- 接入LangFuse监控
- 编写Ragas评估脚本
- 输出：质量保障报告
- 编写项目README
- 录制演示视频
- 复盘整个开发过程
- 输出：完整的项目文档与演示
🎯 最终里程碑：完成一个端到端、可演示的生产级Agent应用，并构建一套完整的质量保障体系。
- 能独立手写ReAct Agent，不依赖框架
- 理解并实现了基础RAG与进阶检索策略
- 能为系统接入可观测性并编写评估
- 熟练使用LangChain/LangGraph构建复杂Agent
- 理解多Agent协作范式并完成协作Demo
- 能对比不同框架的适用场景
- 能将Agent封装为生产级API服务
- 掌握LiteLLM网关配置与故障调试
- 完成一个完整的综合实战项目
- 《LangChain实战》
- 《Building LLM Applications for Production》
- DeepLearning.AI 相关课程
- GitHub：关注langchain-ai、microsoft/autogen等仓库
- Discord：LangChain、CrewAI官方社区
- HuggingFace：模型与数据集资源
AgentLearning/
├── week01-llm-basics/ # 第一周：LLM基础
│ ├── async_demo/ # 异步编程示例
│ ├── prompt_engineering/ # Prompt工程
│ └── react_agent/ # 手写ReAct Agent
├── week02-rag/ # 第二周：RAG实战
│ ├── basic_rag/ # 基础RAG
│ ├── advanced_rag/ # 进阶RAG
│ └── evaluation/ # 评估脚本
├── week03-langchain/ # 第三周：LangChain/LangGraph
│ ├── chain_demo/ # Chain示例
│ └── langgraph_agent/ # LangGraph实战
├── week04-multi-agent/ # 第四周：多Agent协作
│ └── crewai_demo/ # CrewAI/AutoGen示例
├── week05-production/ # 第五周：生产级应用
│ ├── fastapi_service/ # FastAPI封装
│ └── litellm_config/ # LiteLLM配置
└── week06-capstone/ # 第六周：综合实战
└── project/ # Capstone Project
- 以终为始：每个阶段开始前，先明确最终交付物是什么
- 动手优先：理论理解后立刻编码实践，避免"只看不练"
- 记录问题：建立个人知识库，记录踩坑经验与解决方案
- 定期复盘：每周结束时回顾学习成果，调整下周计划
- 关注生产：始终思考"这个功能在生产环境会怎样"
💡 核心理念：不追求成为"API调用侠"，而是培养"Agent系统工程师"的系统思维与工程能力。