小狍子皮皮奇

外观

大模型Agent应用开发学习路径

约 2397 字大约 8 分钟

AI实验室人工智能Agent开发LLM应用

Agent 应用开发不是“把 ChatGPT 接到网页上”。2026 年的企业 Agent 岗位更像 AI 产品工程师：你要把模型、上下文、工具、权限、审批、评测、日志和业务系统组织成一个可上线的工作流。

资料口径：本文参考 2025-07-24 至 2026-07-24 之间发布的报告、论文、技术新闻，以及 2026-07-24 访问的官方文档。

岗位定义

大模型 Agent 应用开发工程师负责构建能完成任务的 AI 应用，例如：

  • 企业知识库问答、客服、销售助理、合同审阅、财务报销自动化。
  • 代码生成、代码审查、测试生成、文档维护、研发流程 Copilot。
  • 数据分析 Agent：自然语言查询、生成 SQL、解释图表、生成报告。
  • 多步骤办公 Agent：读取邮件、调用 CRM、创建工单、等待人工审批、回写结果。

2026 年的核心变化是：企业不再只看“能不能回答”，而是看“能不能在真实流程里可靠执行”。LangChain 2026 State of Agent Engineering 把问题描述为如何可靠、经济、规模化地部署 Agent；MIT AI Agent Index 也指出，Agent 能力增强的同时，透明度、安全与评测披露仍不充分。

能力地图

能力层重点内容对应交付
工程底座Python、TypeScript、FastAPI、测试、日志可部署 API 服务
上下文工程RAG、重排、引用、权限过滤可追溯知识库问答
工具与协议Tool Calling、MCP、业务 API 集成可控工具调用
工作流编排状态、暂停恢复、人工审批可执行业务流程
评测与观测Golden set、trace、回归测试可持续迭代质量
安全与治理沙箱、最小权限、审计可上线 Agent 系统

学习路径

阶段一：工程底座（4-6 周）

步骤 1：Python 与 API 工程

核心内容

  • Python 类型标注、异常处理、并发与异步。
  • FastAPI、Pydantic、HTTP、鉴权、文件上传、流式响应。
  • pytest、日志、配置管理、依赖隔离。
  • TypeScript 基础，用于前端交互和 SDK 封装。

达标作品

做一个可部署的 API 服务：上传文件、解析内容、调用模型、返回结构化 JSON，并带测试和错误处理。

步骤 2：LLM API 与结构化输出

核心内容

  • Chat/Responses API 的消息、上下文、采样参数、Token 成本。
  • JSON Schema、函数调用、工具参数校验、重试与降级。
  • 流式输出、长任务进度、取消任务。
  • 多模型路由：强模型处理复杂任务，小模型处理分类、改写、摘要。

达标作品

实现一个“合同要点抽取器”：输入 PDF 或文本，输出固定 JSON，失败时能重试、记录原始响应、提示人工复核。

步骤 3：RAG 与上下文工程

核心内容

  • 文档解析：PDF、HTML、Markdown、表格、图片 OCR 的取舍。
  • Chunk 策略：按语义、标题、表格、代码块切分。
  • Embedding、向量库、BM25、Hybrid Search、Rerank。
  • 权限过滤、引用来源、检索失败兜底、上下文压缩。

达标作品

做一个企业知识库问答系统：答案必须带引用；无证据时拒答；能输出检索命中、重排分数和最终引用片段。

阶段二：Agent 核心能力（6-10 周）

步骤 4：工具调用与 MCP

核心内容

  • Function calling 与工具 schema 设计。
  • 工具权限：只读、写入、审批后执行、高风险操作隔离。
  • MCP 的 Host、Client、Server 角色，以及 tools、resources、prompts。
  • 工具描述质量：名称、参数、边界条件、错误返回会直接影响模型选工具。

达标作品

写一个 MCP Server，暴露三个工具：查询工单、创建草稿、提交审批。Agent 只能直接执行查询，写操作必须进入审批队列。

步骤 5：工作流、状态与 Human-in-the-loop

核心内容

  • LangGraph：状态图、节点、边、checkpoint、durable execution。
  • LlamaIndex Workflows：事件驱动的 Agent 流程。
  • 人工介入：高风险工具调用前暂停、审批后恢复。
  • 长期记忆：用户偏好、业务事实、历史任务，不把“记忆”当无限聊天记录。

达标作品

实现一个报销审核 Agent：读取票据、检查规则、生成审批意见；金额超阈值或缺少发票时暂停等待人工处理。

步骤 6：Agent 设计模式

核心内容

  • Router：根据任务分发到不同专家 Agent。
  • Planner-Executor：先生成计划，再逐步执行。
  • Reflection：执行后自检，但要控制循环次数和成本。
  • Multi-agent：只有当角色分工能降低复杂度时才使用，不把多 Agent 当装饰。

达标作品

做一个研发助理：Issue 分析、代码搜索、修改建议、测试建议、PR 摘要。要求每一步都有 trace，可以回放失败路径。

阶段三：评测、观测与安全（6-8 周）

步骤 7：离线评测与回归测试

核心内容

  • Golden set：真实业务问题、期望答案、拒答样例、边界样例。
  • RAG 评测：context precision、context recall、faithfulness、answer relevancy。
  • Agent 评测：任务完成率、工具选择正确率、审批触发率、循环/超时率。
  • CI：Prompt、模型、检索策略变更必须跑回归集。

达标作品

为知识库 Agent 建立 100 条评测集，比较两种模型、两种切片策略、两种 reranker，并输出表格化结论。

步骤 8：线上观测与成本治理

核心内容

  • Trace：每次 LLM 调用、工具调用、检索、重排、人工审批都要可追踪。
  • 指标：延迟、Token、费用、错误率、拒答率、工具失败率、用户反馈。
  • Prompt 版本管理和灰度发布。
  • 从生产 trace 反向生成评测样例。

达标作品

接入 Langfuse、MLflow Tracing 或 OpenTelemetry，把一次 Agent 执行拆成可视化 span，并能按用户、会话、工具、模型统计成本。

步骤 9：安全与治理

核心内容

  • Prompt injection、防越权、敏感信息泄露、供应链风险。
  • 工具最小权限：Agent 不应该默认拿数据库写权限、Shell 权限或管理后台权限。
  • 审批策略：写操作、外发信息、支付、删除、账号权限变更必须有人或策略引擎确认。
  • 沙箱与审计：工具输出不能直接进入命令、SQL、浏览器或办公系统。

达标作品

给自己的 Agent 做一次红队测试：构造提示注入、恶意文档、错误工具参数、越权请求、超长输入，并记录防护效果。

阶段四：作品集与面试（持续）

步骤 10：做三个可投递项目

建议项目：

  • 企业知识库 Agent：RAG、引用、权限、拒答、评测。
  • 流程自动化 Agent：工具调用、MCP、审批、状态恢复。
  • 代码或数据分析 Agent：多步骤任务、trace、成本统计、失败复盘。

每个项目都要有 README、架构图、评测结果、失败案例、部署方式和演示截图。

:::

2026 技术栈建议

层级推荐优先学习说明
应用开发Python、FastAPI、TypeScript先把普通软件工程做好
模型接入OpenAI/Anthropic/Gemini/本地模型 API不绑定单一供应商
Agent 编排LangGraph、OpenAI Agents SDK、LlamaIndex Workflows重点学状态、暂停恢复、工具调用
RAGLlamaIndex、LangChain、Qdrant/Milvus/pgvector重点是检索质量和权限，不是向量库名称
协议MCP工具、资源、Prompt 的标准化连接方式
评测DeepEval、Ragas、MLflow GenAI、人工标注评测要进入 CI
观测Langfuse、MLflow Tracing、OpenTelemetryTrace 是定位 Agent 问题的基础
安全OWASP GenAI、审批、沙箱、最小权限高风险工具必须可审计

面试与作品集标准

一份合格的 Agent 岗位作品集至少回答这些问题：

  • 这个 Agent 服务哪个业务角色，完成什么任务。
  • 它能调用哪些工具，每个工具的权限边界是什么。
  • 失败时如何兜底：拒答、重试、换模型、人工接管、回滚。
  • 如何评估质量：离线评测集、线上反馈、人工抽检。
  • 如何控制成本：模型路由、缓存、上下文压缩、并发控制。
  • 如何证明安全：Prompt 注入测试、敏感信息处理、审批日志。

常见误区

  • 只学框架，不学业务闭环：Agent 的价值来自任务完成，不来自框架名称。
  • 把 RAG 当万能补丁：检索不到、权限不对、文档质量差时，模型只会更自信地错。
  • 多 Agent 过早复杂化：单 Agent 加明确工作流能解决的问题，不要拆成多个角色聊天。
  • 没有评测就上线：Prompt 改一行、模型换一次，都可能让工具选择和答案风格变坏。
  • 给 Agent 过大权限：自主执行系统必须默认最小权限，高风险动作必须可暂停和审计。

参考资料与新闻

以下资料均为 2025-07-24 之后发布，或为官方文档在 2026-07-24 访问时的当前版本：

更新日志

2026/7/24 14:06
查看所有更新日志
  • ab787-docs: 更新 2026 AI 学习路径于
  • 026ef-重构AI入门学习路径模块，聚焦大模型Agent应用与算法方向于

版权归属：NateHHX

许可证：署名 4.0 国际 (CC-BY-4.0)