写在前面：Agent开发，今年最火

很多人一搜教程就退却——一堆框架、一堆概念、一堆"从入门到放弃"。

但真实情况是：Agent正在从AI公司的玩具，变成所有互联网公司的基建。

跟不上的代价，参考后端被替代的历史就知道了。

---

01 先问自己：你想用Agent？还是造Agent？

学习前，先明确一个核心问题——对于AI Agent，你到底想成为使用者，还是创造者？

• 使用者（Track A）：产品经理、设计师、运营、分析师。Cursor、Claude Code、Devin，这些铸好的利器用起来，让工作效率提升十倍、百倍。3-5周上手。
• 创造者（Track B）：开发者、想深入原理的人。痴迷于光剑内部的凯伯水晶、能量循环、聚焦透镜。渴望亲手从零打造。5-6个月。

两条路没有高下，只有方向不同。

但无论选择哪条，前三个阶段（Stage 0到Stage 2）是所有人的必修课。

就像无论剑客还是铸剑师，都要先完成体能训练、基础格斗和原力感知的入门。

---

02 共同基础（Stage 0-2）：新手必修课

预计花费3-5周。

---

02.1 Stage 0：基础准备（1-2周）

1. 基本编程能力：能用熟悉的语言独立写一个函数；明白什么是API，知道如何调用HTTP接口
2. 数据格式理解：看得懂JSON格式的数据；知道 {}代表对象、[]代表数组、"key": "value"是键值对
3. 版本控制工具：会在GitHub上 git clone 项目到本地电脑
4. 命令行：愿意尝试敲命令，而不是纯靠鼠标点击

• 全部肯定 → 直接跳到Stage 1
• 某项心虚 → 花一到两周，找免费入门教程补齐

这阶段不教AI，教地基。地基不牢，后面全塌。

---

02.2 Stage 1：LLM入门（1周）

很多人以为自己天天和ChatGPT聊天就是懂AI了，这是个巨大误解。

就像天天坐高铁的人，以为自己懂高铁的永磁同步牵引电机和再生制动系统。

用过 ≠ 理解

要从纯使用者稍微深入一点，去理解大语言模型（LLM）的基本原理和脾气。

① Token是什么

为什么AI的思考和计费不是按字算，而是按Token算？中文词大概是几个Token？

② 上下文窗口（Context Window）

为什么AI的记忆是有限的？为什么聊着聊着会忘记前面的内容？上下文窗口到底是个啥？

③ 大模型全家桶

GPT-5.2、Claude 4、Gemini 3、Llama 3.1……这些模型都有什么区别？

• 谁推理强？
• 谁性价比高？
• 谁更擅长写代码？
• 不同场景该选哪个？

④ 本地化部署初体验

不需要懂复杂算法，但要亲手在电脑上跑一个本地大模型。

推荐工具：Ollama——像下载App一样，一键在Mac/Windows上下载运行Llama 3、Mistral等开源模型。

当亲眼看到模型文件（好几个GB）被下载、风扇开始狂转，然后在完全离线环境里和AI对话，对"模型"这个概念的理解会瞬间具体而深刻。

---

02.3 Stage 2：Prompt设计（1-2周）

工程化的Prompt设计，教你如何通过编写严谨的指令，让AI输出稳定、可控、符合预期。

① 系统提示（System Prompt）——人设

给AI下达的最高指令，是所有行为的宪法。

要明确告诉它：「你现在是什么角色？行为边界是什么？说话风格是什么？绝对不能做什么？」

例如：「你是一个资深的Python代码审查专家。任务是找出代码中的逻辑错误和不符合PEP8规范的地方。只输出问题和修改建议，不进行任何闲聊。」

② 少样本示例（Few-shot Examples）——范例

给AI看几个具体例子，比写一万字规则描述都管用。

想让AI把非结构化文本提取成结构化JSON，就在Prompt里直接给它两三个"输入-输出"范例，AI立刻心领神会。

③ 思维链（Chain of Thought, CoT）——想清楚再说

复杂任务如果直接让AI给答案，很容易出错。

CoT技巧：命令它"不要直接给我最终答案，请先把思考过程、分析步骤一步步写出来，最后再给出结论"。

这个简单指令能奇迹般提高AI在复杂任务上的准确率——"写出来"这个动作，强迫它对自己的推理过程进行审查和梳理。

---

当你熟练运用这三招，并且通过动手练习让AI稳定地输出想要的格式和内容时，恭喜你已经从"新手村"毕业了！

现在，你站在命运的十字路口——

向左走，成为应用大师（Track A）？

向右走，成为建造宗师（Track B）？

---

03 Track A：用Agent（3-5周）

目标：成为使用现成Agent工具的顶尖高手，将工作效率提升到极致。

这条路更适合产品经理、设计师、运营、分析师，以及希望用AI赋能自己工作的开发者。

不一定需要从零写代码，但要深刻理解工具的能力边界，学会驾驭它。

---

03.1 A1阶段：了解主流CLI Agent工具

• 任务：了解市面上最主流的几款 CLI Agent工具，比如 claude-code-cli、aider、open-interpreter 等
• 行动：至少选择一款，按照教程安装好，花几天时间熟悉基本用法

---

03.2 A2阶段：掌握核心工作流Workflow

• 任务：学会用 Workflow 驯化Agent工具，让它真正融入日常工作
• 核心技能：

• 编写CLAUDE.md：让Agent知道你的项目背景、技术栈、编码规范
• 使用Slash Commands（斜杠命令）：学会把复杂任务拆解成多个步骤，通过 /edit、/test、/run 等命令一步步交给CLI Agent完成

---

03.3 A3阶段：集成与生产力落地

• 任务：将Agent的能力，从简单的代码生成，扩展到完整的自动化流程
• 核心技能：

• 接入MCP Server：学会让Agent连接到本地文件、数据库，甚至是Notion、JIRA等外部服务
• 成本控制与可观测性：理解Token消耗，学会看日志，知道Agent每一步干了什么、花了多少钱

---

走完Track A，你将成为团队里最会使用AI工具的人，生产力将是普通人的数倍。

---

04 Track B：造Agent（5-6个月）

目标：从零开始亲手打造属于自己的AI Agent，深刻理解其底层原理和架构。

⚠️ 以下每个阶段都需要每周投入 5-8 小时的学习和实践

---

04.1 Stage 3：工具调用（2-3周）

这是整条路线最最最核心的部分，没有之一！不要跳过这一步直接去学框架，否则后面学习将是空中楼阁。

亲手、不依赖任何框架，用最基础的HTTP请求和几行代码，实现一个Agent的核心循环（Loop）。

① 函数调用（Function Calling / Tool Calling）

• 原理：LLM本身只是大脑，只会生成文字——不能查天气、订机票、访问数据库
• Function Calling机制：让AI在需要做这些分外之事时，不再瞎编，而是输出一个结构化JSON对象

例如：「主人，我需要调用一个名为 query_weather 的函数，参数是 city: "北京"」

程序拿到指令后真正执行函数，把执行结果（如 {“temperature”: 25, “condition”: “晴”}）返回给AI。

AI拿到结果后再继续下一步思考。

「大脑思考 → 指示动手 → 动手反馈 → 大脑再思考」这个循环，就是所有Agent工作的本质！

② ReAct模式

• 原理：ReAct = Reasoning（思考）+ Acting（行动）
• 这是一种强大的Prompt设计模式，要求AI在每一步行动之前，先把心里想的写出来

AI的输出格式会变成：

• Thought（思考）：用户想知道北京天气，我需要一个能查天气的工具。啊，我有一个 query_weather 工具
• Action（行动）：调用 query_weather 函数，参数是 city: "北京"
• （你的程序执行后，将结果Observation返回）
• Thought（再次思考）：我拿到了天气结果，是晴天25度。现在我可以回答用户的问题了

---

04.2 Stage 4：Workflow Graph 与 Agent 框架（2-3周）

Stage 3你搞定了一个Loop，但真实业务不是单步调用，是几十步串起来。

核心问题——怎么把多个步骤画成一张工作地图？

这就是Workflow Graph。

亲手用工具画一个真实业务的工作流——不要光看视频。

画完再选框架：

• LangGraph：图结构驱动，适合复杂多分支
• AutoGPT：老牌通用，但较重
• Smol-Developer：轻量，专注代码生成
• LlamaIndex Workflows：数据流场景强

不要追新。选一个用熟，吃透它的设计哲学。

---

04.3 Stage 5：Claude Code 生态（2-3周）

到这个阶段，你已经不算新手了。

要解决一个新问题——MCP、Skills、Plugins、Hooks、Subagents，怎么合作？

这些是Claude Code生态里的核心组件，每个都解决一类问题：

• MCP：Model Context Protocol，让Agent连外部数据源
• Skills：把"能力"封装成可复用模块
• Plugins：插件机制，扩展Agent能力边界
• Hooks：钩子，监听Agent执行的特定时机
• Subagents：子Agent，让大Agent派任务给小Agent

核心能力——组合工具、定义规则、让能力可重用。

走完这一步，你会理解——Agent不是单点工具，是一个可组装的能力体系。

---

04.4 Stage 6：Memory · RAG（3-4周）

Agent做久了会发现一个问题——它会"忘记"。

聊过的上下文、读过的文档、之前做过的事，过一段时间就丢了。

核心问题——Agent怎么查文件、保存与取回重要信息？

这一步要搞定三件事——

① 最小可用 RAG

文档怎么切、Embedding怎么选、向量库怎么建、检索召回怎么提权重、重排序怎么排。

② Long-term Memory

不是简单的对话历史。是把Agent在任务中学到的东西沉淀下来，下次能用。

③ Contextual Retrieval

结合当前上下文，精准召回最相关的信息。

避免"上下文污染"——把不相关的旧信息塞进Prompt，干扰AI判断。

走完Stage 6——你的Agent开始"有记性"。

---

04.5 Stage 7：Agent 上线工程（3-4周）

Demo能跑 ≠ Agent能上线。真实环境的复杂程度，是本地Demo的100倍。

核心问题——Agent怎么在真实环境稳定运行？

加入五件事——

① Eval（评估）

跑一批金标准测试集，看成功率多少、出错分布在哪。

没有Eval的Agent，全靠运气。

② 观测（Observability）

每一步调用、每次Token消耗、每个工具返回，全部要记日志。

出问题了能立刻复盘。

③ 预算（Budget）

设硬上限——每天最多花多少钱Token。超了自动熔断，不能让它把服务器账单打爆。

④ Human-in-the-Loop（人工批准）

关键操作前，Agent先停下来问人：

“这一步我准备调用支付接口，确认继续吗？”

人按确认，才执行。

⑤ 恢复（Recovery）

Agent卡死、崩了、超时——怎么办？

自动重启 + 状态恢复 + 重试降级。

走完Stage 7——你的Agent已经不是Demo，是能扛线上流量的真系统。

---

04.6 Stage 7.5：进阶 Agentic 概念地图（1-2周选读）

到这里，你已经能独立交付企业级Agent了。

但还有12个进阶概念值得了解：

• PAR Loop：Plan-Action-Reflect，规划行动反思循环
• Agent-as-Judge：用一个Agent当另一个Agent的"评委"
• Multi-Agent Debate：多个Agent辩论得出更准答案
• Self-Reflection：Agent自我反思
• Reflexion：失败后写下经验，下次避免
• Toolformer：让模型自己学会调用工具
• ……

不用全学。挑一个跟你业务最相关的啃透。

---

04.7 Stage 8：Agent 操作介面（2-3周）

最后一个核心问题——Agent怎么操作API以外的真实环境？

很多场景，Agent要的不是API，是真实世界的交互能力：

• Computer Use：操作电脑界面、点鼠标、敲键盘
• Browser Use：自动开浏览器、抓数据、填表单
• Code Sandbox：在隔离环境里跑代码，不用担心把主机搞崩

先选一个——你想做的Agent，最需要哪一种"超能力"？

选定了，去把这个能力吃透。

---

AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓