2025-2026 年，AI Agent 成为大厂和创业公司争相投入的方向，Agent 开发、应用、架构类岗位快速增长。这个方向区别于 AI 算法研究（模型训练、数学推导）和 AI 基础设施（推理引擎、集群调度、MLOps），更聚焦于如何用 LLM 构建智能系统——工具调用、RAG 管线、多 Agent 协作、上下文处理等工程化能力。面试考察的也正是这些内容：ReAct 循环、工具调用设计、RAG 管线构建、多 Agent 协作编排……
如果你想进入这个方向，需要的不是零散的文章，而是一张完整的技术地图。
AI Agent 相关的资料并不少，但三个痛点普遍存在：太浅——停留在调 API 和跑 demo 的层面，缺少深度；太散——每篇文章讲一个点，拼不成体系；断层——从 demo 到生产之间有一道巨大的鸿沟，很少有人讲如何跨越。
这是一本面向「学习 + 面试」的系统化指南。16 章从底层原理到工程交付逐层递进，每章解决一个核心问题，前后衔接形成闭环。它覆盖 Agent 开发的完整知识栈，每一层都讲清楚为什么，而不只是怎么做。无论系统学习还是备战面试，这份路线图都能帮你建立完整的知识框架，查漏补缺。
如果你属于以下任一角色，这个指南都会对你有用：
- AI 爱好者——看清整个领域的技术版图与演进方向
- 求职者——系统备战 Agent 岗位面试，查漏补缺
- 开发者——建立完整的 Agent 知识体系，而不只是学会用某个框架
- 产品经理 / 技术管理者——理解 Agent 能做什么、不能做什么、以及如何做技术决策
| 阶段 | 章节 |
|---|---|
| 🎯 基础认知 | 01 生态认知 · 02 LLM 基础 |
| 🛠 核心技能 | 03 模型接入 · 04 Prompt 工程 · 05 工具调用 · 06 Agent 循环 |
| 🏗 架构设计 | 07 上下文工程 · 08 知识检索（RAG） · 09 记忆管理 · 10 框架与编排 · 11 扩展协议 · 12 多 Agent 协作 |
| 🚀 工程交付 | 13 评测 · 14 可观测 · 15 安全与治理 · 16 产品交付 |
什么是 Agent？它和 Chatbot / Workflow 有什么区别？
LLM 是什么？怎么工作、能做什么、不能做什么？
核心概念：
能力与限制：
深入理解：
怎么调用 LLM？模型之间有什么差异？
怎么精确控制 LLM 输出？
- Prompt 工程入门
- Prompt 设计模式：从推测到精准控制
- 结构化输出：让 LLM 输出稳定的 JSON
- System Prompt 设计：定义 Agent 的核心行为
- Prompt 鲁棒性：应对意外输入
- Prompt 调试与评估
LLM 怎么调用外部函数和工具？
Agent 的核心循环怎么工作？
模式与原理：
- Agent 与 Chatbot / Workflow 的区别
- Agent 核心循环
- Agent 模式全景
- ReAct 模式
- Plan-and-Execute 模式
- Reflexion 与其他 Agent 模式
- Agent 停止条件设计
动手实现：
怎么高效管理 Agent 的上下文窗口？
怎么让 Agent 基于外部知识回答？
Agent 怎么记住之前发生的事？
怎么用框架管理复杂 Agent？
- Agent 框架概述与选型
- LangChain 详解
- LangGraph 详解（一）
- LangGraph 详解（二）
- CrewAI 详解
- Dify 详解
- OpenAI Agents SDK 与 Google ADK
MCP / A2A / AGENTS.md 是什么？
多个 Agent 怎么协作完成复杂任务？
怎么知道 Agent 好不好？
怎么追踪 Agent 的行为和成本？
怎么防止 Agent 越权和失控？
怎么把 Agent 部署上线？
知识体系参考 Anthropic Building Effective Agents、OpenAI Prompt Engineering Guide、LangGraph Documentation 等权威资料，各篇文章末尾附有完整参考链接。