AgentGuide

AgentGuide

---

💡 核心理念

📌 本项目定位：资源整合 + 系统化路径 + 实战导向

🎯 我们的原则：

• ✅ 站在巨人的肩膀上 - 互联网已有的优质资源（课程、教程、论文），我们直接引用，不重复造轮子
• ✅ 只分享干货 - （坚持更新中，欢迎催更）
• ✅ 提供系统化路径 - 将碎片化资源串联成完整学习路线，告诉你先学什么、再学什么
• ✅ 求职导向 - 每个知识点都标注"面试怎么考"、"简历怎么写"

💪 AgentGuide 的独特价值：不是简单的资源堆砌，而是系统化 + 求职导向 + 实战验证的完整解决方案！

🧭 按目标进入

🛠️ 开发岗路线	🔬 算法岗路线	🔥 科研前沿专题
面向工程落地与系统实践	面向原理、算法与实验能力	面向 Agent 前沿研究方向
进入开发岗学习路线	进入算法岗学习路线	进入科研前沿专题

📚 查看完整文档导航

前沿研究：Follow RSI

Follow RSI 是我维护的递归自我改进（RSI）进展追踪与 Harness 自进化证据库，重点关注 Agent 如何根据执行反馈改进可复用的提示、工具、技能与工作流。读论文时一起看留出集、同预算对照、跨模型迁移和代码等证据；未知项保留未知，新发现经人工审核后进入公开动态。

• 进入 Follow RSI 网站：查论文、证据卡片与阅读路线。
• 先读《为什么 AI 还不会自我进化》：从评测与泛化问题理解自进化的边界。
• Follow RSI GitHub 仓库：Star 收藏，查看资料与审核记录。

📑 目录

🎯 核心内容：

• 💡 关于本项目 - Agent开发指南、转行大模型、高级RAG、大模型面试
• 🆕 求职新范式 - 1-2-5框架、个人品牌、投递策略
• 🧭 Agent 求职通关 Todo List - 当前优先级、8阶段学习产出、项目落地5步法
• 🚦 6步学习路径 - 从岗位选择到拿Offer
• 🔬 算法岗 vs 🛠️ 开发岗 - 岗位选择决策树
• 📚 学习路线图 - 算法岗10-15周 | 开发岗8-12周
• 💼 实战项目 - 开源优质项目合集 + Agent 项目
• 📖 技术教程 - LangGraph、RAG、上下文工程、监督微调、强化学习
• 🎯 面试题库 - 1500+题/面经、系统设计、编程题
• 🔥 2026 前沿面试专题 - 自进化 Agent、Agentic RL、AI Infra、Coding Agent、世界模型、图像/语音生成

🛠️ 快速导航：

• Follow RSI：Harness 自进化证据库 · 先读深度解读
• ⭐ 阿东作品推荐：learn-workbuddy - 从 0 搭建 WorkBuddy-style Desktop Agent Harness，clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测
• 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
• 🧭 新手快速开始 | 📚 完整文档导航 | 💼 项目导航

---

📖 关于本项目

3 分钟了解为什么你需要 AgentGuide

🧭 你可能正卡在这些地方

• 会调用模型、也接过工具，但 Agent 一跑长任务就早停、循环、丢状态，出了问题不知道怎么定位
• LangGraph、OpenAI Agents SDK、MCP、Skills、Multi-Agent 概念很多，却缺少一张完整的系统架构图
• Context、Memory、Tools、权限、Sandbox、Trace 混在一起，Demo 能跑，离可靠系统还很远
• RAG 做过基础问答，但复杂文档、多模态、引用溯源、评测集与线上观测没有形成闭环
• 项目只有功能截图，没有基线、指标、失败分析和工程取舍，简历写不实，面试经不起追问
• 想进入 Agent 方向，却不清楚开发岗、算法岗、Agentic RL 和前沿研究分别需要什么能力与作品
• 论文、框架和开源项目更新太快，不知道哪些值得学、先做什么、如何沉淀成可验证成果

AgentGuide 是什么？

AI Agent 工程、研究与求职的开源知识库

AgentGuide 围绕 “做得出、跑得稳、测得准、讲得清” 组织内容，不绑定单一框架，也不止于资源收藏：

• Agent 系统与 Harness：Agent Loop、Workflow / Agent / Multi-Agent 边界、状态、调度、权限与运行时
• Context Engineering 与 Memory：上下文分层、检索、压缩、长期记忆、Prompt Cache 与成本优化
• Tools 与协议生态：Tool Schema、MCP、Skills、A2A / ACP、Browser / Computer Use 与 Sandbox
• RAG 与知识系统：文档解析、Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Multimodal RAG 与引用溯源
• Eval、Observability 与 Safety：评测集、Trace / Replay、LLM-as-a-Judge、红队、HITL 与生产可靠性
• Post-training 与 Agentic RL：SFT、DPO / GRPO、轨迹数据、Reward / Verifier、长程信用分配与环境构建
• 项目、研究与求职：可复现实战、开源项目、前沿论文、实验设计、简历表达、系统设计与面试题库

🗺️ AgentGuide 在 LLM 生态中的定位

我们覆盖 AI Agent 开发的完整技术栈 - 从模型微调到应用部署的全流程：

📌 AgentGuide 涵盖的核心技术栈（2026 版）：

🤖 Agent 应用层

• ✅ Agent / Workflow
  • LangGraph、OpenAI Agents SDK
  • AutoGen、CrewAI、Pydantic AI
  • Dify、n8n、Flowise
• ✅ 任务形态
  • Research / Coding / Web Agent
  • Multi-Agent / Supervisor / Handoff
  • Computer Use / Browser Automation

🧩 Agent Harness 层（核心）

• ✅ Context Engineering
  • System / Memory / Retrieval / Trace
  • Context Compression、Prompt Cache
• ✅ Tools & Protocols
  • Tool Schema、MCP、Skills
  • A2A / ACP、权限分级
• ✅ Reliability
  • Sandbox、HITL、Retry、Cost Guard
  • Trace、Replay、Observability

📊 Data / Eval / Training 层

• ✅ RAG & Data
  • Docling、MinerU、Unstructured
  • Milvus、Qdrant、Chroma、FAISS
  • GraphRAG、Agentic RAG、Multimodal RAG
• ✅ Eval & Safety
  • Promptfoo、DeepEval、Inspect、RAGAS
  • WebArena、OSWorld、SWE-bench
• ✅ Post-training
  • SFT、LoRA / QLoRA、DPO / GRPO
  • Tool-use / Trajectory 数据合成

💡 AgentGuide 的完整覆盖：

🔬 算法工程师路径：

• Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略
• RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回
• Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测

🛠️ 开发工程师路径：

• Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制
• 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装
• 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队

🔀 通吃型路径：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。

---

🎯 适合人群

求职目标：

• ✅ AI Agent 算法工程师 | AI Agent 开发工程师 | RAG 系统工程师
• ✅ LLM 应用工程师 | 大模型工程师 | 多模态算法工程师

学习需求：

• ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills
• ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness
• ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧

🌟 AgentGuide 的 6 大核心价值

• ✅ 从零基础到面试通过的完整路线
• ✅ 理论 → 工具 → 实战 → 求职，环环相扣
• ✅ 不用再到处找资料，一个仓库学完全部

• ✅ 每个知识点都标注"面试怎么考"
• ✅ 提供真实大厂面试题
• ✅ 手把手教你如何将项目写进简历

• ✅ 持续收集高质量开源项目

• ✅ 同一项目，可投算法岗或开发岗
• ✅ 算法线：原理、创新、实验设计
• ✅ 开发线：架构、优化、系统设计

• ✅ 所有内容永久免费
• ✅ 作者一线大模型算法工程师
• ✅ 社区驱动，欢迎贡献

• ✅ 10 分钟跑通第一个 Agent
• ✅ 2-3 周完成简历级项目
• ✅ 8-10 周系统掌握，准备面试

---

🎁 学完 AgentGuide，你能获得什么？

从“会调用模型”到“能设计、实现、评测并讲清一个可靠的 Agent 系统”

✅ 【架构认知】分清 Chatbot、Workflow、Agent 与 Multi-Agent，理解 Agent Loop 和 Harness
✅ 【工程能力】掌握 LangGraph / OpenAI Agents SDK、Context Engineering、Memory、Tools、MCP 与 Skills
✅ 【RAG 能力】能设计 Hybrid Retrieval、Rerank、引用溯源、GraphRAG、Agentic RAG 与 Multimodal RAG
✅ 【可靠性】会构建 Eval Set、Trace / Replay、LLM-as-a-Judge、Sandbox、HITL、权限和成本控制
✅ 【训练认知】理解 SFT、DPO / GRPO、工具调用与轨迹数据合成、Reward / Verifier 的基本方法
✅ 【项目交付】完成 2-3 个可运行、可评测、可复现的项目，并写清架构、指标、取舍与失败分析
✅ 【面试表达】能围绕原理、系统设计、实验结果和工程权衡回答追问，而不是背“标准答案”
✅ 【求职路径】明确算法岗与开发岗能力差异，用项目、开源贡献和技术内容构建作品集

---

🚦 从零到Offer的完整路径（快速导航）

👋 新来的同学看这里！先看新范式，再按步骤执行，8-10周拿到Offer！

🆕 新范式

求职新范式

做出什么 > 学过什么

🎯 第一步

确定目标岗位

算法 vs 开发？

💡 第二步

拿Offer方法论

如何准备？

📚 第三步

学习路线

学什么？

💼 第四步

实战项目

做什么？

🎓 第五步

系统学习

技术细节

🎯 第六步

面试冲刺

如何面试？

⚡ 重要提醒：

1. 一定要先完成"第一步"和"第二步" - 确定方向再学习！
2. "第四步"实战项目最重要 - 简历的核心竞争力！
3. 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！

---

🆕 求职新范式：做出什么 > 学过什么

⚡ 求职规则已经变了。2026年，HC:投递比约1:200，核心问题不再是"我够不够格"，而是"我用什么方式让自己被看见"。

1-2-5 求职框架

维度	内容
1个原则	从"我会什么"转向"我做出了什么"
2条轨道	Agent开发（工程落地）vs Agent算法（研究创新）
5步链路	简历 → 投递 → 模拟面试 → Vibe Coding → 成果展示

工具不再是壁垒，你用工具做出的东西才是。

旧方式 vs 新范式

环节	旧方式	新范式
简历	一份通用简历打天下	AI读JD，动态生成针对性版本
投递	手动上传，逐一投递	一键全网投，AI做适配分析
模拟面试	背八股，刷题库	AI扮演面试官，无限迭代实战
Vibe Coding	手写算法题	AI协作设计Agent系统
成果展示	PDF+截图	个人站+在线demo+社区影响力

个人品牌：让面试官主动找你

个人网站必备要素（免费部署：Vercel/GitHub Pages，5分钟上线）：

• 每个项目一个页面 + 在线可访问的demo链接
• 技术Blog：至少3篇有深度的原理解析
• 社区数据：GitHub Star数 / 真实用户数
• 时间线里程碑

简历项目描述公式：

❌ 「参与开发了一个AI客服系统」 ✅ 「基于LangGraph + MCP构建多Agent客服系统，工具调用成功率94%，响应时长从3.2s降至0.8s，日处理10万+对话」

投递策略：AI筛简历时代的人工突围

招聘方也在用AI筛简历——两个AI在对话，人的主动触达反而更稀缺。

核心目标公司（5-10家）走人工路线：

1. Boss/猎聘找具体的Hiring Manager或Team Lead
2. 提前关注他们的开源项目/技术Blog
3. 带着具体问题主动联系（不是「请问还招人吗？」）
4. 目标：一个warm intro，不是冷申请

时机窗口： 3-6月提前批竞争烈度比8-9月低30-40%，往往是真正的机会窗口。

说几句实话

• 语言不是门槛，设计才是。 Python/TypeScript AI都能帮你写。但Agent状态机怎么设计、Memory何时截断、工具调用失败如何fallback——这些必须你自己想清楚、讲明白。
• AI工具人人都有，判断力才是壁垒。 会用Cursor写代码不算竞争力。当AI给你一个错误的Agent设计，你能30秒内发现并说清楚为什么错——这才是L5和L3的分水岭。
• 分享即异步面试。 一篇深度Blog、一个有Star的仓库，相当于提前通过了一轮面试。
• 拿结果说话。 不是"我学过LangChain"，是"我用LangGraph做了一个有300个真实用户的工具"。

新增优质资源

核验日期表示已访问上游并核对项目定位，不代表运行过全部示例。具体范围与版本限制见资源核验记录；其他未标注日期的外链视为未核验。

资源	简介	链接	最近核验
learn-workbuddy	从 0 搭建一个 WorkBuddy-style Desktop Agent Harness：clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测，不提取源码，只复现核心机制	GitHub	2026-11-05
Superpowers	由可组合 Skills 构成的 AI Coding 完整开发工作流，覆盖需求梳理、计划、TDD、系统调试、代码评审和完成前验证	GitHub	2026-11-05
Learn Claude Code	从零构建 Coding Agent Harness；当前主线 s01-s17，覆盖工具调用、权限、上下文压缩与协作，旧版章节编号另行保留	GitHub	2026-11-05
Harness 项目选型与二开	从轻量内核到企业平台、RAG 与自进化，按目标选项目、设计改动并建立评测和简历证据	去重项目清单	—（站内索引）
claw0	10章10个核心概念~7000行Python，从while循环到生产级Agent网关	GitHub	2026-11-05
hello-agents（Datawhale）	系统性智能体教程，涵盖核心原理、上下文、Memory、协议、评估与多 Agent 实践	GitHub	2026-11-05
OpenClaw	可本地部署的个人 AI 助手，支持 Telegram、Discord、Slack 等消息渠道	GitHub	2026-11-05
Anthropic官方：Building Effective Agents	Anthropic 的经典 Agent 设计原则；原文已提示 2024 年的工具示例需参考当前文档	链接	2026-11-05
Vibe Coding 教程	AI 协作编程基础课与实战专栏，区分免费基础课和 Premium 项目内容	链接	2026-11-05

后续实践重点：在 Superpowers 的 Skills 工作流基础上，我将重点使用 grill-me / grilling 系列 Skills。它们会一次只追问一个问题，逐项压测计划、决策与设计中的假设、依赖、边界和取舍；达成共同理解后，再进入实现。

---

🧭 Agent 求职通关 Todo List（新增）

不是链接收藏夹，是可以照着执行的 todo list。

目标很简单：从“我学过什么”，推进到“我做出了什么、怎么验证、怎么写进简历、怎么讲给面试官听”。

• 完整路线：2026 Agent 求职通关路线
• 项目落地方法：如何落地一个可写进简历的 Agent 项目
• 工程核心专题：Agent Harness Engineering

How To Use

你的状态	建议入口
零基础	从 6步学习路径 开始，先建立 Agent / Workflow / RAG / Multi-Agent 的坐标系
会 LLM 应用	重点补 Agent Loop、Tool Use、Context Engineering、Eval，不要只停留在 API 调用
想做项目	直接进入 实战项目，按“Spec → Coding → Eval → 复盘”推进
准备面试	对照 面试题库，重点准备 Agent Loop、工具设计、记忆、评测、可靠性
只想找资料	看 技术教程 和 资源导航，优先读官方文档、工程博客和可运行项目

What To Learn Now

Agent 方向变化很快，当前更值得投入的是能落地、能验证、能讲清楚取舍的工程能力：

优先级	方向	为什么重要
1	Claude Code / Codex-style Coding Agents	真实代码库、shell、文件编辑、测试、权限、上下文压缩，是理解 Agent 工程的最佳样本
2	Agent Harness Engineering	Agent 能力很大一部分来自 harness：工具协议、权限、状态、反馈、回放、CI、评测
3	Context Engineering	Agent 的核心不是“写提示词”，而是控制信息在正确时间以正确格式进入模型
4	Skills / MCP / A2A / ACP	Skills 负责能力复用，MCP 连接工具，A2A 连接 Agent，ACP 连接宿主应用
5	Browser / Computer-Use Agents	浏览器和桌面操作是 Agent 从 demo 走向真实任务的重要边界
6	Evaluation / Observability / Safety	没有 eval、trace、权限边界的 Agent，只能算 demo，不能算可交付系统

8 阶段学习产出

阶段	学什么	产出物
Stage 0	区分 chatbot、workflow、agent、multi-agent	一页笔记：为什么你的场景需要 Agent
Stage 1	最小 Agent Loop、结构化输出、工具调用	50-150 行最小 Agent
Stage 2	Tool Use、RAG、Memory、引用与失败处理	一个资料研究助手
Stage 3	现代 Agent Harness：工具、权限、状态、日志、子任务	可调试的 harness demo
Stage 4	Multi-Agent 协调：planner / executor / reviewer / router	一个 research → write → review 小系统
Stage 5	Skills、MCP、A2A、ACP 与能力封装	一个可复用 SKILL.md 或工具协议 demo
Stage 6	Browser / Computer-Use Agent	一个只操作公开网页的 browser agent
Stage 7-8	Eval、Observability、Safety、部署	20 条 eval case + 一个别人能 clone 跑的 Agent 项目

项目落地 5 步法

1. 建立全局认知：先搞清楚目标项目的 agent loop、tool registry、context 拼装、memory、channel 抽象。
2. 准备 AI 编程环境：沉淀 CLAUDE.md / AGENTS.md、需求规格、实现计划和跨会话 todo。
3. 建立项目理解 Skill：把项目结构、关键模块、测试方式写成可复用的项目理解文档。
4. 先写 Spec，再写代码：明确目标用户、工具列表、权限策略、失败处理、成本约束、成功标准。
5. 评测 + 归因 + 消融实验：记录通过率、失败原因、工具调用次数、成本、延迟，把结果写进简历。

面试深水区

面试不只问“会不会 LangChain”，更会追问你有没有真正写过能跑的 Agent：

• Agent Loop：observe → think → act → observe，最大步数、停止条件、错误恢复、HITL 怎么设计？
• Context + Cost Engineering：上下文分层、压缩、缓存友好结构、模型路由、token 成本怎么降？
• Tool Design：工具命名、description、schema、分页截断、权限分级、工具选错怎么修？
• Memory System：working / episodic / semantic memory，什么值得存、怎么召回、什么时候遗忘？
• Eval + Governance：component / trajectory / end-to-end eval，golden dataset 怎么来，trace 怎么审计？
• Reliability Engineering：idempotency、timeout、retry、cost guard、permission tier、observability 六件套。

简历三维表达法

不要只写“基于大模型实现智能问答”。一个 Agent 项目要从三维表达：

维度	怎么写
架构表达	Agent loop、工具注册、会话状态、上下文裁剪、权限确认、记忆和错误恢复
业务表达	业务场景、关键工具、数据源、用户路径、约束条件
结果表达	评测集规模、成功率、失败类型、成本优化、消融实验结论

示例：

基于轻量 Agent Harness 构建垂直场景助手，使用 ReAct loop + dispatch 表注册 5 个业务工具，四层分级 context 管理 system / long-term / short-term / turn 信息；高风险操作接入三级权限确认，20 条评测 case 端到端通过率 82%，通过上下文压缩和模型路由将 token 成本降低 60%。

---

🎯 第一步：确定你的目标岗位

核心理念：选择 > 努力！选对方向，事半功倍！

🤔 AI Agent 岗位的两条主线

在大模型时代，Agent 方向的岗位主要分为两条线：

🔬 算法工程师线

核心工作：算法创新、论文研究

日常任务：

• 读论文、设计算法
• 跑实验、做消融
• 写论文、开源贡献

产出形式：

• 论文发表（顶会/期刊）
• 算法库、开源项目
• 专利、技术报告

评价标准：

• 算法性能提升（+15%准确率）
• 创新性（新架构、新策略）
• 影响力（论文引用、Star数）

岗位数量：⭐⭐⭐ 中等
竞争激烈度：⭐⭐⭐⭐⭐ 很激烈
薪资天花板：⭐⭐⭐⭐⭐ 很高（60-200万）

🛠️ 开发工程师线

核心工作：系统搭建、业务落地

日常任务：

• 写代码、优化系统
• 对接业务、解决问题
• 性能调优、监控告警

产出形式：

• 生产系统上线
• 业务指标提升
• 用户满意度提高

评价标准：

• 系统稳定性（P99延迟<500ms）
• 业务价值（成本降低40%）
• 工程能力（QPS、并发、可用性）

岗位数量：⭐⭐⭐⭐⭐ 最多
竞争激烈度：⭐⭐⭐ 适中
薪资天花板：⭐⭐⭐⭐ 较高（40-80万）

🎯 你应该选哪条线？

问题1：你的核心优势是什么？

├─ 数学/理论强 + 喜欢钻研原理 + 有论文发表
│   → 【算法工程师线】
│   
│   细分方向选择：
│   ├─ 想优化 Agent 算法 → Agent 算法工程师（Memory优化、规划策略）
│   ├─ 想优化 RAG 算法 → RAG 算法工程师（检索策略、Reranker）
│   └─ 想改进模型本身 → 模型算法工程师（Reasoning、对齐）
│
└─ 工程能力强 + 喜欢做系统 + 注重落地
    → 【开发工程师线】
    
    细分方向选择：
    ├─ 想做业务应用 → Agent 应用开发（RAG系统、RPA、智能客服）⭐ 推荐
    ├─ 想做基础设施 → AI Infra 开发（推理部署、训练平台）
    └─ 想做产品化 → AI 应用开发（前端集成、产品化）

问题2：有什么背景？

• ✅ 有论文/科研经历 → 优先算法线
• ✅ 有工程/项目经验 → 优先开发线
• ✅ 两者都有 → 通吃策略（最推荐！）

⭐ 最佳策略：两手抓！

• 简历中既有算法项目（论文、算法优化）
• 又有开发项目（完整系统、业务指标）
• 可以同时投两类岗位，机会翻倍！

---

🎯 技术方向细分（重要！）

🔬 算法线细分方向

1. 上下文工程算法工程师 ⭐⭐⭐⭐⭐ 最热门！

技术方向：

• RAG 算法：GraphRAG、Agentic RAG、Reranker 训练
• Agent 算法：Memory 机制、规划算法优化、Multi-Agent 协作
• 多模态算法：跨模态对齐（CLIP改进）、多模态融合

项目示例：

• GraphRAG 检索算法优化（召回率 +12%）
• Agent Memory 压缩算法（存储 -60%）
• Agentic RAG 策略设计（准确率 +20%）

岗位数量：⭐⭐⭐⭐（大厂+头部创业公司）

---

2. 模型算法工程师 ⭐⭐

技术方向：

• Reasoning 算法（Long COT、工具调用 RL）
• 对齐算法（RLHF、DPO、GRPO）
• 模型架构（MoE、长文本、Attention 改进）

岗位数量：⭐⭐（主要在大厂研究院）

---

🛠️ 开发线细分方向

1. 上下文工程开发工程师 ⭐⭐⭐⭐⭐ 岗位最多！

技术方向：

• RAG 系统：企业知识库、智能客服、文档解析
• Agent 应用：RPA 自动化、研究助手、工作流 Agent
• 多模态系统：图文检索、OCR pipeline、视觉问答

项目示例：

• 企业级 GraphRAG 知识问答系统（服务1000+员工）
• Agent 驱动的 RPA 系统（自动化率80%，节省200万/年）

岗位数量：⭐⭐⭐⭐⭐（所有 AI 公司都需要）

---

2. AI Infra 开发工程师 ⭐⭐⭐

技术方向：

• 推理服务部署（vLLM、TGI、Triton）
• 训练平台搭建（KubeFlow、Ray）
• 模型服务化（API 网关、负载均衡、监控）

岗位数量：⭐⭐⭐（大厂需求多）

基于 OpenAI、DeepMind、Meta、蚂蚁等大厂真实 JD 总结

三层能力模型

Layer 1：后端与系统功底（基础能力）

• 大型分布式、高并发、高性能系统设计
• 云原生 PaaS 平台、Kubernetes 架构理解
• 价值：Agent 系统本质是复杂分布式服务

Layer 2：Agent 核心技术（重点能力）

• 混合 Agent 架构（单 Agent vs Multi-Agent）
• 上下文工程（动态打包、向量索引、信息检索）
• 工具编排（Tool 设计、Function Calling）
• 记忆与个性化（Memory 设计、Mem0、Zep）
• 任务规划（Orchestration、Workflow）
• 评估体系（如何证明 Agent 比人工更好？）

Layer 3：模型理解（加分项）

• 主流模型长短板（GPT-4/Claude/Llama 选择）
• 微调能力（Function Call 微调、垂直领域适配）
• 强化学习基础（Agent RL、DPO）

从"调包侠"到"真实项目"的关键转变

❌ 玩具项目：

• 只用 LangChain 跑个 demo
• 没有评估、没有优化、没有生产化考虑
• 面试一问就穿帮

✅ 真实项目：

• 具体业务场景（智能客服、RPA、研究助手）
• 完整技术栈（文档解析 + 高级 RAG + Agentic 逻辑）
• 量化评估（构建测试集、使用 Ragas、持续追踪优化）
• 生产化考虑（成本控制、性能优化、可观测性、异常处理）

📖 完整技术方向详解：转行大模型热门方向准备指南

💡 新手建议：优先选择上下文工程开发（RAG/Agent 系统），岗位最多、最易落地

---

💡 第二步：拿Offer的方法论

不同岗位，完全不同的准备策略！

🔬 算法工程师 - 如何准备？

简历重点：

✅ 必须强调：

• 算法创新："提出XX算法"、"改进XX方法"、"设计XX策略"
• 实验验证：对比实验、消融实验、baseline对比、指标提升
• 论文/专利："论文在投XXX"、"发表于XXX"
• 开源贡献："开源代码XX stars"

❌ 尽量少提：

• 业务指标（用户数、QPS）
• 系统架构细节
• 工程优化

项目示例（算法岗）：

【Agentic RAG 策略优化】
- 问题：多跳推理场景召回率低（实验测得62%）
- 方法：提出基于RL的子图采样算法，优化路径排序策略
- 实验：在KGQA数据集上F1提升12%，对比5种baseline
        消融实验：RL策略贡献8%，路径排序贡献4%
- 产出：论文在投EMNLP（一作），代码开源300+ stars
- 技能：强化学习、图神经网络、知识图谱

面试准备重点：

• 📚 理论深度（能推导算法原理）
• 🧪 实验设计（对比实验、消融实验）
• 📄 论文阅读（顶会最新进展）
• 💻 代码实现（能手撕核心算法）

🛠️ 开发工程师 - 如何准备？

简历重点：

✅ 必须强调：

• 完整系统："搭建XX系统"、"端到端实现"、"上线服务"
• 业务价值：服务用户数、处理量、业务指标提升
• 性能优化：QPS提升、延迟降低、成本节省
• 技术栈：具体框架、工具、数据库、部署方案
• 工程能力：高并发、高可用、监控告警

❌ 不要过度强调：

• 算法细节和理论推导
• 论文（开发岗更看重系统）

项目示例（开发岗）：

【企业级 Agent 自动化系统】
- 背景：客服部门日均5000+重复工单，人力成本高
- 技术：LangChain + WebShaper + Mem0
        多Agent协同（规划Agent、执行Agent、审核Agent）
        集成20+工具（数据库、API、浏览器操作）
- 优化：异常重试机制，成功率从70%→95%
        并发处理，吞吐量提升5倍
- 成果：自动化率80%，效率提升3倍
        节省人力成本200万/年，获部门最佳项目奖
- 技能：Agent开发、工具集成、系统监控

面试准备重点：

• 🏗️ 系统设计（高可用、高并发）
• ⚡ 性能优化（缓存、批处理）
• 🔧 工程实践（部署、监控、异常处理）
• 💼 业务理解（为什么这样设计）

🔀 通吃策略 - 如何准备？（⭐ 最推荐）

为什么推荐通吃？

1. 机会翻倍：可同时投算法和开发岗
2. 展现全栈：大模型时代，算法+工程都重要
3. 灵活适配：大厂偏算法，创业公司偏工程

理想简历结构（3-4个项目）：

项目1：算法创新型 🔬
  → 体现算法能力：Agent Memory优化 / Agentic RAG策略
  → 关键词：论文、实验、开源
  
项目2：系统落地型 🛠️
  → 体现工程能力：完整RAG系统 / Multi-Agent应用
  → 关键词：业务指标、性能优化、上线
  
项目3：微调/训练型（加分项）
  → 体现训练能力：Function Call微调 / RLHF
  → 关键词：多少卡、参数设置、训练稳定性

AgentGuide 的学习路径：

1. 先学理论（第一部分）- 建立算法认知
2. 再学工具（第二部分）- 掌握工程技能
3. 做实战项目（第三部分）- 同时准备算法版和开发版
4. 面试准备（第四部分）- 掌握两类面试技巧

---

📚 第三步：基于岗位的学习路线

根据你在"第一步"的选择，选择对应的学习路线

🎯 快速导航

🚀 新手推荐：

• 📘 AgentGuide开源学习路线（简易版） - 从零到Offer完整路径，8-15周系统化学习方案，包含完整资源清单 ⭐⭐⭐

🔬 算法 / 具身方向新增：

• 🧠 前沿算法岗位完整学习指南 - 覆盖算法岗从工程基础、模型训练、RAG/Agent、多模态到推理部署的完整能力栈
• 🤖 具身智能与 VLA 完整学习指南 - 面向 VLA/机器人岗位的多模态、动作建模、仿真、Sim2Real 与数据闭环路线

📋 详细路线（按岗位分）：

🗺️ 选择你的学习路线

🔬 算法岗学习路线

学习时长：10-15 周
难度：⭐⭐⭐⭐⭐
产出：论文 + 开源项目

学习重点：

• 📚 理论深度（能推导公式）
• 🧪 实验设计（对比、消融）
• 📄 论文阅读（顶会前沿）
• 💻 算法实现（手撕核心）

项目类型：

• Agentic RAG 策略优化
• Agent Memory 压缩算法
• Multi-Agent 协作策略

👉 查看详细路线图

🛠️ 开发岗学习路线

学习时长：8-12 周
难度：⭐⭐⭐
产出：完整系统 + 业务指标

学习重点：

• 🏗️ 系统设计（架构、扩展性）
• ⚡ 性能优化（缓存、批处理）
• 🔧 工程实践（部署、监控）
• 💼 业务理解（痛点、价值）

项目类型：

• 企业级 RAG 系统
• Agent 自动化系统
• Multi-Agent 协作应用

👉 查看详细路线图

---

🗺️ 通用学习流程图

graph TD
    A[开始学习 AI Agent] --> B{你的背景是什么?}
    
    B -->|算法/研究背景| C[第一部分: 核心理论<br/>深入理解 Agent 原理]
    B -->|开发/工程背景| D[第二部分: 核心技术栈<br/>快速上手开发框架]
    
    C --> E[第二部分: 核心技术栈<br/>掌握工具和框架]
    D --> F[第一部分: 核心理论<br/>补充理论基础]
    
    E --> G[第三部分: 系统设计与实战<br/>完成简历项目]
    F --> G
    
    G --> H[第四部分: 面试指南<br/>准备求职]
    
    H --> I{目标岗位?}
    
    I -->|算法工程师| J[强化: 论文复现 + 实验设计<br/>准备算法面试题]
    I -->|开发工程师| K[强化: 系统架构 + 性能优化<br/>准备系统设计题]
    I -->|全栈 Agent 工程师| L[双线并进<br/>准备两类面试]
    
    J --> M[投递简历 + 面试]
    K --> M
    L --> M

⏱️ 学习时间概览

学习路线	时长	每日投入	适合人群
🔬 算法岗路线	10-15周	4-6小时	有科研背景，想做创新
🛠️ 开发岗路线	8-12周	2-4小时	有工程背景，想做落地

💡 建议：点击上面的"查看详细路线图"，获取每日学习计划和详细任务清单

---

💼 第四步：完成实战项目（可写进简历）

这是最重要的一步！没有项目，一切都是空谈！

AgentGuide 提供 简历级实战项目，每个项目都提供：

• ✅ 完整的代码实现
• ✅ 系统架构设计
• ✅ 算法岗和开发岗两种简历写法
• ✅ 面试时如何讲解

👉 直接跳转到实战项目：点击这里查看项目

---

🎓 第五步：系统学习 Agent 技术（技术准备）

💡 学习目标：掌握 Agent 开发完整技术栈，从理论到实战全覆盖
🔬 算法岗重点：深入理解原理，能推导公式，关注创新点
🛠️ 开发岗重点：熟练使用框架，快速实现功能，注重工程化

📊 技术能力四层模型

我们将 Agent 技术划分为四大能力层级，每个层级对应不同的学习模块：

📑 内容导航

章节	内容介绍	进展
🔰 L1-基础认知层	理解核心概念、掌握基本原理（1-2周）
模块1：Agent核心概念解析	智能体定义与分类体系、5级自主性模型
模块2：技术演进历程与趋势洞察	从专家系统到神经网络的发展轨迹
模块3：大模型工作原理	Transformer/分词/训练/推理/对齐技术
🛠️ L2-开发实现层	掌握框架工具、完成系统搭建（3-4周）
模块4：经典Agent范式手撕实现	ReAct、Plan-Execute、Reflection模式
模块5：低代码平台快速验证	LangChain、Dify、Coze、n8n工具使用
模块6：主流框架深度实战	LangGraph、AutoGen、AgentScope、CrewAI
模块7：自研Agent框架设计原理	消息路由、工具注册、异常处理、日志追踪
🚀 L3-高阶优化层	检索优化、上下文管理、模型训练（4-5周）
模块8：检索增强生成（RAG）全栈技术	数据预处理、索引构建、检索优化、高级RAG
模块9：上下文工程	Write/Select/Compress/Isolate四大策略
模块10：智能体通信标准与协议	MCP、A2A、ANP协议详解
模块11：模型微调与强化学习	SFT、LoRA、PPO、DPO、GRPO算法应用
模块12：性能评估与效果量化	评估维度、测试框架、自定义评估方法、🔥Anthropic评估完全指南	✅

---

🔰 L1-基础认知层详解

学习时长：1-2 周 | 难度：⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 理解 Agent 的本质定义与核心组件
• ✅ 掌握 Transformer 架构与大模型基础
• ✅ 了解 Agent 技术发展历程与未来趋势

📚 学习内容

模块1：Agent 核心概念解析

• 智能体定义、类型、范式与应用
• 5级自主性分类体系
  • L1: 基础响应器（Responder）
  • L2: 路由模式（Router）
  • L3: 工具调用者（Tool Caller）
  • L4: 多智能体协作（Multi-Agent）
  • L5: 完全自主（Autonomous）
• Agent 系统解剖学
  • 角色与聚焦（Role & Focus）
  • 记忆系统（Memory）
  • 工具生态（Tools）
  • 安全防护（Guardrails）

📖 阅读：什么是 AI Agent？

模块2：技术演进历程与趋势洞察

• 符号主义时代（1950s-1990s）
• 连接主义崛起（1990s-2010s）
• 深度学习革命（2012-2020）
• LLM 驱动的 Agent 时代（2020-至今）
• 关键里程碑论文解读
  • ReAct（推理+行动）
  • Reflexion（自我反思）
  • AutoGPT（自主规划）
  • Multi-Agent（协作涌现）

模块3：大模型工作原理（Agent的大脑）

Agent 的"大脑"是 LLM，理解大脑的工作原理是构建 Agent 的前提

知识模块	核心内容	学习要点
架构层	Transformer、Self-Attention、MoE	注意力机制、上下文窗口、位置编码（RoPE/ALiBi）
数据层	Word2Vec、BPE、WordPiece	Tokenizer 原理、中文分词（jieba）、Token 计算
训练层	预训练、SFT、LoRA/QLoRA	分布式训练、参数高效微调、显存优化技巧
推理层	vLLM、TGI、量化技术	PagedAttention、GPTQ/AWQ 量化、推理优化
对齐层	RLHF、PPO、DPO	Reward Model、策略优化、人类偏好对齐

📖 DeepSeek 系列完整深度笔记 🆕
📖 LLaMA 系列完整深度笔记 🆕
📖 Qwen 系列深度学习笔记 🆕

---

🛠️ L2-开发实现层详解

学习时长：3-4 周 | 难度：⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 手撕核心 Agent 架构（ReAct、Plan-Solve、Reflexion）
• ✅ 掌握主流开发框架（LangChain、AutoGen、AgentScope）
• ✅ 能够独立搭建完整的 Agent 系统

🔨 实操内容

模块4：经典 Agent 范式手撕实现

从零实现三大核心模式：

1. ReAct 模式

• Thought（思考）→ Action（行动）→ Observation（观察）
• 工具调用与结果解析
• 循环终止条件设计

2. Plan-Execute 模式

• 任务分解（Task Decomposition）
• 子任务规划与执行
• 依赖关系处理

3. Reflection 模式

• Self-Evaluation（自我评估）
• Error Analysis（错误分析）
• Strategy Adjustment（策略调整）

📖 实战教程：手撕 ReAct

模块5：低代码平台快速验证

工具选型与使用：

1. 代码优先（Code-First）

• LangChain/LangGraph：工业界标准
• LlamaIndex：数据导向，RAG 首选
• AutoGen/CrewAI：Multi-Agent 协作
• AgentScope：阿里开源，易上手

2. 低代码/无代码（Low-Code）

• Dify：开源 LLM 应用平台
• Coze/扣子：字节跳动，快速搭建
• n8n：工作流自动化神器

模块6：主流框架深度实战

框架能力对比与应用：

框架	核心特性	适用场景	学习资源
LangGraph	图导向、状态管理、循环控制	复杂工作流、需要精确控制的场景	—
AutoGen	多 Agent 对话、角色扮演	团队协作、复杂任务分解	—
AgentScope	消息驱动、灵活扩展	国内场景、中文优化	—
CrewAI	角色分工、层级管理	企业级应用、流程自动化	—

模块7：自研 Agent 框架设计原理

理解框架底层设计，培养自主开发能力：

• 消息路由与状态管理机制
• 工具注册与动态加载系统
• 异常处理与重试策略
• 可观测性与日志追踪

---

🚀 L3-高阶优化层详解

学习时长：4-5 周 | 难度：⭐⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 掌握 RAG 全栈技术（数据处理、检索优化、高级 RAG）
• ✅ 精通上下文工程（Context Engineering 2.0）
• ✅ 理解 Agent 评估体系与微调方法

💡 高级技术

模块8：检索增强生成（RAG）全栈技术

8.1 数据预处理

• 文档解析（PDF/Markdown 高保真提取）
• 智能分块（Semantic Chunking 语义切分）
• 元数据增强（结构化信息提取）

8.2 索引构建与管理

• Embedding 模型选型与评估
• 向量数据库对比（Milvus/Chroma/Qdrant）
• 多模态索引（图文混合处理）

8.3 检索策略优化

• 混合检索（Hybrid Search 向量+关键词）
• 查询重写（HyDE/Query Expansion）
• Reranker 二次排序
• Text2SQL 自然语言查询

8.4 高级 RAG 架构

• GraphRAG：知识图谱增强检索
• Modular RAG：模块化可组合架构
• Agentic RAG：智能体驱动的自主检索
• Multimodal RAG：跨模态理解与检索

模块9：上下文工程（Context Engineering）⭐⭐⭐

"将海量信息中最相关的内容，精准放入有限上下文窗口的艺术"

核心策略 - The 4 Acts：

• Write（写入）：Prompt 设计、Memory 结构化存储
• Select（选择）：RAG 检索、动态工具加载
• Compress（压缩）：摘要生成、Token 剪枝优化
• Isolate（隔离）：状态隔离、沙盒环境设计

工程实践技巧：

• KV Cache 优化（降低 90% 成本与延迟）
• 12-Factor Agents 生产级设计原则
• Claude Code 最佳实践

常见问题修复：

• 上下文中毒（Poisoning）
• 注意力分散（Distraction）
• 信息冲突（Clash）

📖 必读：上下文工程资源合集 🔥
📖 深度指南：Context Engineering 2.0

模块10：智能体通信标准与协议

协议	功能定位	核心能力	应用场景
MCP	Model Context Protocol	标准化上下文与工具交换	跨平台工具调用、统一接口
A2A	Agent-to-Agent	智能体间协作通信	Multi-Agent 系统、任务分发
ANP	Agent Negotiation Protocol	智能体协商与共识	资源分配、冲突解决

📖 协议详解：MCP 完全指南

模块11：模型微调与强化学习

从监督微调到强化学习的完整路径：

11.1 监督微调（SFT）

• LoRA/QLoRA 参数高效微调原理
• Function Call 微调实战
• 指令数据集构建技巧
• LlaMA-Factory 实战应用

11.2 强化学习（RLHF）

• PPO：Proximal Policy Optimization
• DPO：Direct Preference Optimization
• GRPO：DeepSeek 的群组相对策略优化
• Reward Model 训练技巧

11.3 Agent RL 应用

• 工具调用策略优化
• 规划能力增强训练
• 自我修正机制训练

📖 实战：SFT 监督微调
📖 Post-Training 完整面试指南 🆕

模块12：性能评估与效果量化

如何科学评估 Agent 性能？

评估维度：

• 准确性：任务完成率、答案正确率
• 效率：平均步数、Token 消耗
• 鲁棒性：错误恢复、异常处理
• 成本：API 调用次数、计算资源

评估框架：

• AgentBench：通用 Agent 评测基准
• WebArena：Web 任务评测
• KGQA：知识图谱问答
• HotPotQA：多跳推理测试

自定义评估：

• 构建测试集的方法论
• 使用 Ragas 自动评估
• 人工评估与 LLM-as-Judge

🔥 新增：AI Agent 评估完全指南

• 💡 Anthropic 万字评估指南译文
• 🎯 三种评分器正确打开方式 (Code/Model/Human-based)
• 🏗️ 四类 Agent 评估秘籍 (编程/对话/研究/计算机操作)
• 🎲 驯服非确定性：pass@k vs pass^k
• 🗺️ 从零开始的八步路线图
• 🧀 瑞士奶酪组合拳评估法
• 🛠️ 工具选择避坑指南

📖 评估指南：科学评估 Agent 📖 🔥 AI Agent 评估完全指南 (Anthropic官方万字长文) ⭐ 必读

---

🛡️ 生产级系统设计（工程化实践）

高可用架构设计

• 缓存策略（Semantic Cache、KV Cache）
• 异步任务队列与重试机制
• 降级与熔断

可观测性（Observability）

• LangSmith/LangFuse 链路追踪
• 成本监控与 Token 审计
• 性能分析与优化

安全性（Security）

• Prompt 注入防御
• 权限控制与沙盒隔离
• 人机协作边界（Human-in-the-loop）

📖 安全性指南

---

💼 简历级实战项目 🚀

💡 学习目标：掌握复杂 Multi-Agent 系统设计，完成可写进简历的高质量项目
⏱️ 学习时长：3-4 周 | 难度：⭐⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐（简历核心）

🎯 核心收获

• ✅ 掌握复杂 Multi-Agent 系统设计
• ✅ 理解生产级系统的工程化实践
• ✅ 完成可写进简历的高质量项目

---

🎨 简历级实战项目详解

每个项目都提供完整代码 + 算法岗/开发岗双版本简历写法

🎯 简历项目详细教程

项目核心：为研究人员打造智能论文分析助手，整合 ArXiv 检索、多跳推理、自主规划等核心技术

适合场景：

• ✅ 面试 RAG 相关岗位（检索增强生成）
• ✅ 展示 Agentic 思维和系统设计能力
• ✅ 零基础友好，2-3周可完成

你将获得的核心能力：

🔬 算法线能力

• Agentic RAG 策略设计
• 多跳推理算法实现
• 检索召回率优化（65% → 85%）
• 消融实验设计与分析

🛠️ 工程线能力

• 端到端 RAG 系统搭建
• Redis 缓存优化（降低70%成本）
• LangSmith 链路追踪集成
• 高可用架构设计

技术栈：LangChain + Milvus + ArXiv API + GPT-4 + Redis

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

📝 简历示例

算法岗写法：

【Agentic RAG 策略优化】
- 问题：传统RAG召回率仅65%
- 方法：基于ReAct框架设计自主
  规划检索策略，引入多跳推理
- 实验：召回准确率提升至85%
  消融实验：规划策略贡献12%
- 产出：论文在投，代码开源

开发岗写法：

【高可用论文分析系统】
- 背景：研究员日均检索50+论文
- 技术：LangChain + Milvus + Redis
  混合检索策略 + 缓存优化
- 优化：P99延迟2s→300ms
  API成本降低70%
- 成果：服务20+研究员，日均
  500+查询，满意度95%

项目核心：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环

适合场景：

• ✅ 面试 Multi-Agent 协作岗位
• ✅ 展示复杂任务分解与Agent编排能力
• ✅ 中等难度，适合有一定基础的同学

你将获得的核心能力：

🔬 算法线能力

• Multi-Agent 协作策略设计
• 任务分解与规划算法
• Agent 通信协议优化
• 共识机制与冲突解决

🛠️ 工程线能力

• AutoGen/CrewAI 框架实战
• 多API集成与编排
• 异步任务处理与并发控制
• 分布式 Agent 系统设计

技术栈：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4

项目亮点：

• ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者）
• ✅ 层级式通信：Supervisor 模式 + 消息队列
• ✅ 智能决策：预算超支自动调整、天气影响行程变更

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

项目核心：打造能自主浏览网页、理解页面内容、完成复杂任务的智能Agent（如在线购物、表单填写）

适合场景：

• ✅ 面试顶级 Agent 岗位（字节、阿里等）
• ✅ 展示视觉理解 + 决策执行的完整能力
• ✅ 高级项目，适合冲刺大厂SP/SSP

你将获得的核心能力：

🔬 算法线能力

• 视觉-语言多模态理解
• 强化学习策略优化
• 自我修正与反思机制
• Benchmark评估（WebArena）

🛠️ 工程线能力

• Playwright 浏览器自动化
• GPT-4V 视觉理解集成
• 异常处理与重试机制
• 复杂工作流编排

技术栈：Playwright + GPT-4V + LangChain + 强化学习（PPO）

项目亮点：

• ✅ 视觉理解 + 操作执行的完整闭环
• ✅ 基于反馈的自我修正机制（识别错误 → 分析原因 → 调整策略）
• ✅ 在 WebArena 基准测试上达到 75% 成功率（超越 Baseline 10%）

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

项目核心：整理分享一些优质的 Agent 实战开源项目、Workflow 项目与 Agent 项目集合

包含内容：

• 优质 Agent 实战开源项目
• 优质 Workflow 项目
• 优质 Agent 项目集合

项目核心：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环

适合场景：

• ✅ 面试 Multi-Agent 协作岗位
• ✅ 展示复杂任务分解与Agent编排能力
• ✅ 中等难度，适合有一定基础的同学

你将获得的核心能力：

🔬 算法线能力

• Multi-Agent 协作策略设计
• 任务分解与规划算法
• Agent 通信协议优化
• 共识机制与冲突解决

🛠️ 工程线能力

• AutoGen/CrewAI 框架实战
• 多API集成与编排
• 异步任务处理与并发控制
• 分布式 Agent 系统设计

技术栈：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4

项目亮点：

• ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者）
• ✅ 层级式通信：Supervisor 模式 + 消息队列
• ✅ 智能决策：预算超支自动调整、天气影响行程变更
• ✅ MCP 协议集成实践

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

项目核心：复现 DeepResearch Agent，打造自动化文献检索与分析系统

适合场景：

• ✅ 面试 AI 研究助手相关岗位
• ✅ 展示复杂工作流设计与知识整合能力
• ✅ 高级项目，适合有科研背景的同学

你将获得的核心能力：

🔬 算法线能力

• 知识图谱构建算法
• 多源信息融合策略
• 自动化推理与总结
• 长文本生成优化

🛠️ 工程线能力

• LangGraph 状态机设计
• ArXiv / Semantic Scholar API集成
• GraphRAG 知识整合
• 分布式爬虫与数据处理

技术栈：LangGraph + ArXiv API + Semantic Scholar + GraphRAG + GPT-4/Claude

项目亮点：

• ✅ 复现 DeepResearch Agent 核心功能
• ✅ 自动化文献检索与分析（日均处理100+论文）
• ✅ 知识图谱自动构建与可视化
• ✅ 研究报告自动生成（3000+字深度报告）

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

项目核心：构建25个Agent角色的社会模拟系统，探索复杂社交网络与记忆机制

适合场景：

• ✅ 面试大规模Agent系统设计岗位
• ✅ 展示社交模拟与记忆系统设计能力
• ✅ 高级项目，适合冲刺大厂

你将获得的核心能力：

🔬 算法线能力

• 社交网络建模
• 记忆压缩与检索算法
• 行为预测与模拟
• 涌现行为分析

🛠️ 工程线能力

• 自定义 Agent 框架设计
• SQLite 记忆存储优化
• 事件驱动架构
• 大规模并发处理

技术栈：自定义 Agent 框架 + SQLite + 事件驱动架构 + 可视化界面

项目亮点：

• ✅ 25 个 Agent 角色自主交互与演化
• ✅ 记忆与关系网络动态管理
• ✅ 复杂社交行为模拟（友谊、竞争、合作）
• ✅ 可视化展示社交网络演化过程

学习路径：

• 项目需求与技术选型 （即将推出）
• 系统架构设计 （即将推出）
• 核心代码实现 （即将推出）
• 部署与演示 （即将推出）
• 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）

项目核心：综合运用所学知识，构建属于你的完整 Agent 应用

适合场景：

• ✅ 所有同学必做
• ✅ 简历核心项目
• ✅ 面试必讲项目

设计要求：

1. ✅ 选择真实业务场景（RAG/自动化/研究助手等）
2. ✅ 端到端系统设计（需求分析 → 架构设计 → 实现 → 优化 → 部署）
3. ✅ 包含量化评估（构建测试集、性能指标、成本分析）
4. ✅ 生产级考虑（异常处理、监控告警、成本优化）
5. ✅ 可写进简历（提供算法岗和开发岗两种描述版本）

推荐方向：

🔬 算法岗方向

• 企业级 RAG 检索算法优化
• Agent 规划策略创新
• Multi-Agent 协作算法
• 强化学习策略优化

🛠️ 开发岗方向

• 企业级 RAG 知识问答系统
• Agent 驱动的 RPA 自动化平台
• 智能研究助手（论文分析/代码生成）
• Multi-Agent 协作系统（客服/销售/运营）

核心产出：

• ✅ 完整的系统设计文档
• ✅ 可运行的代码实现
• ✅ 性能评估报告
• ✅ 算法岗 + 开发岗双版本简历描述
• ✅ 面试讲解准备材料

---

💼 第六步：面试准备与 Offer 冲刺

💡 学习目标：系统准备面试，提升 Offer 成功率
📝 两条线不同的面试策略：算法岗讲创新，开发岗讲价值

📚 完整面试题库（1500+题/面经）🔥 全面升级

🎯 题库特色：

• ✅ 完整覆盖 LLM/VLM/RLHF/RAG/Agent 全技术栈
• ✅ 包含美团、字节、阿里、DeepSeek等一线大厂真题
• ✅ 难度分级 + 公司来源标注 + 考点分析
• ✅ 区分算法岗/开发岗重点，覆盖最新技术（DeepSeek-V3/R1）

📖 核心通用题库（两个岗位都需要）

理论基础（必学）

• 📘 LLM/VLM/RLHF理论题
  • LLM核心: 32题（Transformer、位置编码、MHA/MQA/GQA等）
  • 推理优化: 16题（KV Cache、LoRA、量化、分布式训练）
  • VLM多模态: 18题（CLIP、融合策略、BLIP等）
  • RLHF对齐: 32题（SFT、PPO、DPO、GRPO等）
  • 总计: 98题 ⬆️ 新增42题

RAG系统（开发岗重点）

• 📊 RAG全流程题
  • 核心原理: 检索、索引、生成
  • 检索优化: 混合检索、BM25、Reranker
  • 高级技术: GraphRAG、意图识别、增量更新
  • 总计: 22题 ⬆️ 新增10题

Agent开发（核心）

• 🤖 Agent系统题
  • 核心概念: ReAct、Memory、Tool Use
  • Multi-Agent: 协作机制、调度策略
  • 系统设计: 记忆系统、工具调用、容错机制
  • 工程实践: 并发安全、性能优化、可解释性
  • 总计: 52题 ⬆️ 新增39题

编程实战（必备）

• 💻 手撕代码题
  • LLM基础：Self-Attention、MHA、MQA、RoPE等 11题 🆕
  • Agent核心：ReAct、Tool Registry、Memory系统
  • RAG系统：文档切块、混合检索、Reranker
  • 推理优化：KV Cache、Beam Search、LoRA
  • 总计: 34题 ⬆️ 新增11道Transformer核心组件手撕题
• 💻 大模型手撕刷题路线 🆕
  • 分阶段刷题：神经网络基础算子 → Attention 机制 → 位置编码 → 优化技术
  • 按难度分级，系统化刷题指南
• 🧩 算法题：传统算法与 AI 手撕分类版 🆕
  • 503 道，覆盖数组/链表/树/图/动态规划/训练推理/CUDA 等分类
  • 保留公司来源和难度标签，适合按专题刷题

🎯 岗位专项题库（针对性强化）

• 🔬 算法岗专项 - 算法创新/推导/实验/论文 45题
• 🛠️ 开发岗专项 - 系统设计/工程实践/选型/落地 45题

🏢 真实面经与进阶

• 🧭 面试与求职总导航 - 按岗位选择题库，提供 7/21/42 天备考节奏与项目证据清单
• 🔥 2026 AI 前沿面试专题 🆕 - 自进化 Agent、Agentic RL、AI Infra、数据评测、Coding Agent、世界模型、图像/语音生成、项目深挖
• 📋 大厂真实面经 - 美团/字节/阿里等16个完整案例
• 🧭 AI Agent 面试备战手册合集 - Memory、Skills、Harness、评估、数据合成、源码分析与项目话术
• 📚 1000篇小红书AI算法岗面经：难度递增整合版 🆕 - 按编程、ML/DL、RAG/Agent、多模态、系统设计等难度递增整理
• 📊 模型评估专题 - BLEU/ROUGE、基准测试、LLM-as-Judge 10题
• 🔮 前景与趋势 - AGI、多模态、世界模型等开放讨论 9题
• 💬 开放性讨论 - 技术判断、学习建议、核心素质 8题

💡 题库使用建议

第一阶段（2-3周）：系统学习
  ├─ 01-理论基础题（LLM/VLM/RLHF）→ 打基础
  ├─ 02-RAG系统题 → 掌握检索技术
  └─ 03-Agent核心题（Q1-Q13）→ 理解Agent原理

第二阶段（2-3周）：深入强化
  ├─ 03-Agent系统题（Q14-Q52）→ 工程实践
  ├─ 05/06-岗位专项 → 针对性准备
  └─ 04-编程实战题 → 手撕代码

第三阶段（1-2周）：冲刺突破
  ├─ 12-真实面经 → 模拟完整面试
  ├─ 13-模型评估 → 掌握评估方法
  └─ 14/15-开放讨论 → 展示思维深度

求职软技能

• 📝 简历编写指南 - AI Agent 项目简历公式、双岗写法与自检脚本
• 🎤 项目讲述技巧 - STAR+Tech 项目表达、追问地图与复盘模板
• ⭐ 转行大模型指南
• ⭐ 秋招完整攻略

📄 专业简历模板（新增⭐）

🎨 开源 LaTeX 简历模板 - 专为转行大模型设计

模板特色：

• ✅ 专业美观 - 基于 Awesome-CV，适合技术岗位
• ✅ 深度优化 - 针对 LLM/Agent/RAG 方向的项目描述模板
• ✅ 新增带头像版本 - 满足不同展示需求
• ✅ 完整板块 - 涵盖科研经历、实习经历、项目经历、技能清单
• ✅ 双岗适配 - 同时支持算法岗和开发岗的写法示例
• ✅ AI友好 - 支持 Cursor AI 快速编辑，提效10倍
• ✅ 零门槛 - Overleaf 在线编译，无需本地配置环境

适合人群：

• 转行AI/大模型的同学
• 准备算法/开发岗面试
• 想要专业LaTeX简历的求职者

🔗 获取模板：

👉 LLM-Resume-Template

快速开始：

1. Fork 仓库到你的 GitHub
2. 用 Overleaf 打开项目
3. 填入你的项目和技能
4. 一键导出 PDF

模板包含：

• 算法岗简历示例
• 开发岗简历示例
• 项目描述话术库
• 技能关键词清单

面试软技能（新增⭐）

• ⭐ 校招生谈薪实用指南 - 3大原则、话术模板
• ⭐ HR面试完全攻略 - 10大高频问题应对
• ⭐ 秋招心态调整指南 - 保持好心态拿Offer

4.3 核心资源精选（按方向分类）

📌 只推荐面试会考、项目会用的核心资源！

🤖 Agent 方向：

• Agent 资源总览 📂 - Agent 所有资源导航
  • Agent 框架对比 - 5个核心框架
  • Memory 模块 - 4个记忆系统
  • Tool Use - 工具调用
  • GUI Agent - AppAgent、SeeAct、WebArena 等界面操作资源
  • 核心论文 - 必读论文

📊 RAG 方向：

• RAG 资源总览 📂 - RAG 所有资源导航
  • 向量数据库 - 5个核心向量库
  • 文档解析 - 5个解析工具
  • 完整项目汇总 - 150+个RAG开源项目 🆕
  • Agentic RAG 论文 - 智能体驱动的检索与研究
  • 核心论文 - 必读论文

🛠️ 通用工具：

• 开发者工具箱 - Cursor、元宝、Excalidraw
• 开发框架总览 - 快速框架对比

🎨 推荐可视化学习资源：

• 📊 100+ LLM/RL 算法原理图 - 《大模型算法：强化学习、微调与对齐》作者巨献
  • 涵盖内容：Transformer架构、注意力机制、SFT微调、LoRA/QLoRA、DPO/PPO/GRPO、RLHF全流程、逻辑推理优化等
  • 适合人群：算法岗必看！通过100+原创原理图深入理解大模型算法的数学原理和实现细节
  • 配套书籍：《大模型算法：强化学习、微调与对齐》

🌟 需要更全面的 LLM 资源？
👉 查看作者的另一个项目：Awesome-Awesome-LLMs （涵盖训练、推理、多模态、Infra 等 LLM 全栈 200+ Awesome 系列资源）

---

🚀 快速开始

1️⃣ 如果你是算法背景（10 分钟快速入门）

# 第一步：理解 Agent 是什么
阅读：docs/01-theory/01-what-is-agent.md

# 第二步：学习核心框架 ReAct
阅读：docs/01-theory/04-react-framework.md

2️⃣ 如果你是开发背景（10 分钟快速入门）

# 第一步：理解 Agent 核心概念
阅读：docs/01-theory/01-what-is-agent.md

---

🤝 如何贡献

AgentGuide 是一个完全开源的项目，非常欢迎你的贡献！

贡献方式

1. 内容贡献：完善文档、补充案例、纠正错误
2. 代码贡献：优化示例代码、添加新的实战项目
3. 翻译贡献：帮助翻译成英文版，让更多人受益
4. 问题反馈：发现问题？请提 Issue

贡献流程

1. Fork 本仓库
2. 创建你的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交你的修改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 提交 Pull Request

详细贡献指南请参考：CONTRIBUTING.md

许可与转载

原创文档采用 CC BY 4.0，原创代码（含文档内原创代码示例）采用 MIT。转载或改编文档时请署名、链接原文及许可并注明修改；复制代码时保留版权和许可声明。

第三方论文、图片、引用材料及未明确授权的历史外部贡献不自动纳入上述许可。具体范围与署名示例见 LICENSING.md。

---

📬 联系作者 & 加入社群

👨‍💻 关于作者

我是阿东，一线大模型算法工程师

• 🎓 技术背景：专注 AI、RAG、LLM 应用方向
• 📝 内容创作：全网 5w+ 粉丝，持续分享 AI 技术与求职经验
• 🚀 开源贡献：多个 AI 相关开源项目维护者

🌐 在这些平台找到我

💬 加入 AI Agent 学习社群

为什么要加入社群？

• ✅ 每周技术分享：Agent 最新论文解读、工程实践经验
• ✅ 简历面试辅导：免费简历诊断、模拟面试、内推机会
• ✅ 问题实时答疑：技术问题、求职困惑，随时提问
• ✅ 学习小组：组队学习 AgentGuide，互相监督，共同进步
• ✅ 行业资源：大厂内推信息、技术资料、论文分享

如何加入？

1. 关注公众号「阿东玩AI」，回复「AgentGuide」获取入群二维码
2. 小红书@阿东玩AI，私信"加群"

GitHub Issues 仅用于可复现的仓库问题和有明确交付物的核心改进，不处理加群申请。

🎁 社群福利：Agent 学习路线图 PDF + 面试题库 + 项目代码模板 + 大厂内推机会

⭐ 如果这个项目对你有帮助

请考虑支持一下：

• ⭐ Star 本仓库，让更多人看到
• 🔀 Fork 本仓库，开始你的学习之旅
• 📣 分享 给正在找 AI 工作的朋友
• 💬 反馈 你的建议和意见（提 Issue 或 PR）

你的每一个 Star 都是我持续更新的动力！🚀

---

---

📈 Star History