AI Agent 101 —— 全栈工程师训练营

你的 AI Agent 全栈起点班，从现在开始付出 101 分的努力。

为什么有这个项目

市面上的「AI Agent 全栈工程师训练营」广告铺天盖地，价格不菲，但课程内容大同小异，且对 2026 年最新 Agent 热点覆盖不足。

于是我把这些训练营的数据爬下来，结合 2026 年最新 AI 行业趋势——A2A 协议、Agent FinOps、合规治理、AI Coding Agent 等——重新规划了一份大纲，再联合 GLM 5.2、GPT-5.6 系列、Claude Opus 4.8、Claude Fable 5 等主流模型，一起围绕这份大纲输出了循序渐进、可持续跟进学习的详细课程讲义。每章节均配有完整的代码实现，代码存放在独立仓库中。

面向人群

本课程面向已具备基础开发能力的后端、全栈或平台工程师，应至少掌握：

• Python 基础、异步编程和面向对象设计
• HTTP API、FastAPI 或同类 Web 框架
• SQL、PostgreSQL 或同类关系型数据库
• Git、单元测试、Docker 和命令行开发
• 基础前端开发能力，能够阅读 TypeScript/React 代码

项目驱动

整套课程围绕同一个持续演进的项目 Agent Engineering Platform（agent-platform/）展开。每一章只增加少量能力，最终交付一个可部署、可评测、可治理的全栈 Agent 平台。

第一章：从零构建 LLM Gateway

稳定调用模型，网页流式返回结果。先做 Mock Provider 再接真实模型，先跑通再优化。

1. 第 1 课：建立一个可测试的后端
2. 第 2 课：先接 Mock Provider，再接真实模型
3. 第 3 课：接入 OpenAI-compatible 模型服务
4. 第 4 课：结构化输出和错误边界
5. 第 5 课：实现 SSE 流式接口
6. 第 6 课：创建前端流式对话页
7. 第 7 课：为第一章补齐测试和 Golden Tasks

第二章：构建 Tool Runtime 与 MCP 接入

安全发现和调用工具。先让工具能被安全执行，模型工具选择在第三章接入。

1. 第 8 课：理解工具调用的边界
2. 第 9 课：定义工具、调用和审计协议
3. 第 10 课：实现 Tool Registry
4. 第 11 课：实现权限、审批、超时和审计
5. 第 12 课：测试 Tool Runtime
6. 第 13 课：创建工具管理和审批页面
7. 第 14 课：最小 MCP Server 选修实验

第三章：实现可恢复的 Agent Loop 与 Codebase Agent

多步任务执行、暂停、恢复和代码修改。从 Scripted Decider 开始，最后才接入真实模型。

1. 第 15 课：把「对话」变成「任务」
2. 第 16 课：保存任务和 Checkpoint
3. 第 17 课：定义 Agent Decision 并实现 Scripted Decider
4. 第 18 课：实现最小 Agent Loop
5. 第 19 课：审批、取消和恢复
6. 第 20 课：构建受限 Codebase 工具和 Sandbox
7. 第 21 课：接入真实模型决策和任务工作台

第四章：Context、Memory 与 Codebase RAG

检索代码和文档，管理项目记忆。让 Agent 在有限上下文内找到能支持结论的代码证据。

1. 第 22 课：先量化 Context，而不是盲目压缩
2. 第 23 课：把代码和文档解析成可引用的 Chunk
3. 第 24 课：先实现可解释的关键词检索
4. 第 25 课：接入 Embedding、Hybrid Search 和 Rerank
5. 第 26 课：项目记忆与 Context Builder 集成
6. 第 27 课：创建代码知识页面和 RAG 对照实验

第五章：Multi-Agent、Skill 与 A2A

多个 Agent 分工协作。先问“是否应该多 Agent”，再写协作代码。

1. 第 28 课：判断是否需要 Multi-Agent
2. 第 29 课：定义 Subtask 和结果协议
3. 第 30 课：实现并行 Supervisor
4. 第 31 课：结果聚合、冲突和 Reviewer
5. 第 32 课：把重复任务封装为 Skill
6. 第 33 课：A2A 选修实验
7. 第 34 课：创建协作任务页并完成验收

第六章：Agent Eval、回归测试与质量改进

用数据证明 Agent 是否变好了。不再只能说「这次 Demo 看起来不错」。

1. 第 35 课：建立 Golden Dataset
2. 第 36 课：实现规则评测器
3. 第 37 课：保存 Trace 并定位失败步骤
4. 第 38 课：谨慎使用 LLM-as-Judge
5. 第 39 课：回归测试和版本对比
6. 第 40 课：创建 Eval Dashboard 和自动化入口

第七章：生产工程、可观测性与 FinOps

部署、监控、成本控制和回滚。把本机项目变成可重复部署的服务。

1. 第 41 课：把本地依赖写成 Docker Compose
2. 第 42 课：配置、密钥和健康检查
3. 第 43 课：结构化日志、Trace 和 Replay
4. 第 44 课：建立 Token 预算和 FinOps 报表
5. 第 45 课：版本、灰度和回滚
6. 第 46 课：运维治理台和本章验收

第八章：身份、审批、审计与治理

身份、权限、审计、脱敏和人工监督。把风险要求翻译成可实现的工程控制。

1. 第 47 课：从风险矩阵开始，而不是从法规名词开始
2. 第 48 课：分开用户、Agent 和工具身份
3. 第 49 课：实现持久化审批单
4. 第 50 课：数据脱敏、隔离和审计
5. 第 51 课：Human-in-the-loop 和 Kill Switch
6. 第 52 课：合规与审计页面、本章验收

第九章：完成一个可展示的全栈 Agent 产品

从已有能力中选一个真实场景，冻结范围、交付产品、部署演示和答辩。

1. 第 53 课：写一页产品需求
2. 第 54 课：冻结架构和核心任务
3. 第 55 课：完成全栈用户流程
4. 第 56 课：做一次真实的质量改进
5. 第 57 课：部署、演示与答辩

---

每章结束时，项目都应能运行；下一章不是推倒重来，而是在上一章的代码和数据上叠加能力。

你将学到

完成本课程后，你将具备以下能力：

模型接入与工具调用

• 结构化输出、流式响应、错误边界与重试策略
• Tool Registry、权限控制、调用审计与 MCP 协议

长程任务与上下文管理

• Agent Loop、Checkpoint、Sandbox 沙箱、Codebase Agent
• Context Budget 预算控制、Memory 记忆管理、Codebase RAG 检索

多 Agent 协作与工程闭环

• Supervisor 调度、Skill 技能编排，A2A 协议（选修）
• Golden Tasks 基准评测、Trace 追踪、FinOps 成本管控、合规治理

代码仓库

本仓库仅存放课件文档，教程代码在独立仓库，同样使用分支区分各章进度：

ricoNext/agent-platform —— 配套的 Agent Engineering Platform 全栈项目代码

分支	内容	说明
chapter-xx	各章代码（完成态）	切换到对应分支即可获得该阶段完整代码

# 克隆代码仓库
git clone https://github.com/ricoNext/agent-platform.git

# 从初始骨架开始

# 查看第 1 章节 第1课完整代码
git checkout chapter-01

主线技术栈

一门主线，循序渐进。其他工具仅在对比或选修实验中涉及。

领域	主线选择	用途
后端	Python 3.12、FastAPI、Pydantic v2	API、数据校验与服务编排
模型接入	OpenAI-compatible Provider 抽象	统一接入云端或本地模型
数据库	PostgreSQL	用户、任务、工具、评测和审计
缓存/队列	Redis	会话、状态、事件与限流
向量检索	PostgreSQL + pgvector 或 Qdrant	向量检索与项目知识库
Agent 编排	先手写最小 Loop，后 LangGraph 对照	先理解原理，再学框架
前端	React / Next.js、TypeScript	对话、任务、审批、Trace 与 Dashboard
前端测试	Playwright	验证用户真实流程
后端测试	pytest、httpx	单元测试、接口测试和 Agent 回归测试
部署	Docker Compose	本地与教学环境一键启动

每次新引入工具，都会先解释：解决什么问题、没有它会怎样、为什么现在引入。

内容分层

层级	范围	要求
🔴 核心必修	第 1~4 章、第 6 章基础、第 7 章基础、第 9 章综合项目	提交代码、测试、评测报告和部署文档
🟡 进阶选修	A2A、ACP、AG-UI、推理服务优化、Kubernetes、治理 Agent	以专题实验或案例报告完成，不阻塞主线结业
🟢 案例阅读	DeerFlow 源码、Claude Code / Cursor 架构、跨组织 Agent 协作	输出架构分析报告，不要求完整复刻

常见认知盲点

多数 Agent 课程默认学员已了解以下内容，导致初学时反复卡壳。本课程在相应章节明确补齐：

• HTTP ≠ 模型调用：模型调用也是网络请求，同样会超时、限流、断开和返回非法数据
• 模型输出 ≠ 程序结果：自然语言必须经 Schema 校验才能进入业务代码
• 工具调用 ≠ 函数调用的语法糖：工具有权限、风险、审计、超时和副作用
• Agent ≠ 更长的 Prompt：Agent 是模型、工具、状态、上下文和执行环境组成的循环系统
• 上下文 ≠ 越长越好：无关信息会污染模型决策，同时增加延迟和成本
• RAG ≠ 上传文件自动变聪明：解析、切分、召回、重排、引用和评估，每一步都可能出错
• 多 Agent ≠ 多调几次模型：协作需要任务边界、上下文边界、权限边界和结果协议
• Demo 成功 ≠ 系统可靠：必须保存任务集、轨迹、失败样本和版本对比结果
• 部署成功 ≠ 可以上线：上线还需要密钥、租户、审计、告警、成本、灰度和回滚
• 前端 ≠ 最后加一层页面：Agent 的暂停、审批、失败和恢复必须在 UI 中可理解、可操作