学习路线

我不相信「收藏即学会」。这三条路线是给自己排的优先级 —— 从后端底子走到 Agent 应用, 每一站都标了「先做什么、坑在哪、什么时候该停」。

很多人一上来就问「用哪个框架」,这是错的问题。Anthropic 在他们的工程博客里给过一个很清楚的区分 —— 大多数场景用固定的 workflow 就够了,硬上 Agent 只会换来更慢、更贵、更难调。建议先花十分钟把概念理清,再决定要不要上「Agent」这个词。

STEP 01 能对话 模型调用、流式输出、多轮上下文
STEP 02 能动手 Function Calling,模型自己选工具
STEP 03 有知识 RAG:切块、嵌入、检索、重排
STEP 04 有骨架 图编排、上下文、人工确认
STEP 05 能上线 工具系统、观测、评估、飞轮
01

先读概念,别急着写代码 半天

动手前先把「Workflow 和 Agent 到底差在哪」搞清楚。这不是学术问题 —— 它直接决定你的架构选型。Anthropic 那篇是业内被引用最多的入门材料,讲清了五种 workflow 模式,也明确说了什么时候不该用 Agent。

重点看这两句:「Workflows 是预定义代码路径编排 LLM 和工具」「Agents 是 LLM 动态决定自己的流程」。想清楚你的场景属于哪一种。
待写 我用一个客服场景讲清 Workflow 和 Agent 的分界
02

把一次对话调通 1-2 天

不要用框架起步。建议先直接用模型 API,很多模式几行代码就能实现。你需要亲手写一遍 HTTP 调用、处理流式返回、拼装多轮消息,才能理解框架在替你做什么。

目标很朴素:能用 curl 或十几行 Python 拿到一次流式回复,并让第二句话接得住第一句的上下文。
各家上游现在基本都兼容 OpenAI 协议。把 base_url、model、api_key 全放进环境变量,之后换供应商就不用改代码。
待写 从零跑通一次流式对话:那些框架替你做的事
03

让模型会调工具 3-5 天

Function Calling 是 Agent 的分水岭。核心只有一件事:你把可用的函数描述给模型,它自己决定什么时候调、传什么参数。框架会帮你把「模型要调工具 → 执行 → 结果回灌 → 生成回答」这个循环封起来。

Anthropic 有个反直觉的观察:他们做 SWE-bench 的 Agent 时,花在优化工具定义上的时间比优化提示词还多。工具的命名、参数、描述,就是模型的世界观。
待写 工具调用的三个工程问题:超时、幂等与重试边界
04

给模型接上自己的知识 1-2 周

RAG 是这条路上坑最多的一站。顺序别乱:先切块 → 再嵌入 → 存向量库 → 检索 → 加引用。很多人一上来就纠结用哪个向量库,其实切块策略对效果的影响远大于换个数据库。

已有 从关键词到语义:为什么 RAG 一定要做混合检索
05

用图编排把稳定部分焊死 1 周

到这一步你会发现:光靠提示词约束不住模型。像「知识类问题必须先检索」「投诉不要进 Agent」这种规则,写在提示词里模型随时可以不听 —— 要用确定性的流程节点把它固定下来。

待写 为什么我用 LangGraph 而不是纯 Agent 循环
06

接外部工具生态 3-5 天

MCP 是这两年被推得最广的一套协议,本质是「让 Agent 统一地接上外部工具和数据源」。官方文档把它类比成 USB-C:一份实现,到处能插。自己写一个 MCP Server 是最快的理解方式。

待写 手写一个 MCP Server:比读规范快十倍的理解方式
07

让它能被运维 持续

这一步最容易被跳过,但它是「玩具」和「系统」的分界线:可观测(每次调用的完整链路)、评估(检索和回答质量怎么量化)、成本(钱花在哪类问题上)、数据飞轮(答不上来的问题怎么变知识)。

Anthropic 的三条原则里有一条就是:优先透明,显式展示 Agent 的规划步骤。可观测不只是排障手段,也是设计要求。
待写 从玩具到系统:Agent 上生产前必须补的四件事