西二旗小八（小红书-学习路线分享）

西二旗小八（小红书 - 学习路线分享）

说明：根据截图第 2/11 到 8/11 页整理，按原文结构排版。

第一阶段：准备期（语言、概念、岗位理解）

目标：用最低成本建立对 agent 开发的整体认知，同时补足最必要的语言基础。

1. Python 学习（一周）

如果你有任意一门编程语言基础（Java、Go、C++ 等），建议只花一周时间过 Python。不需要从头啃大部头，重点掌握：

  • 基础语法糖（推导式、装饰器、lambda、上下文管理器等）
  • 常用标准库（json、os、requests、asyncio 基础）

更复杂的特不用刻意提前学，后面做项目时带着查、带着学效率最高。实习或工作过的同学都懂，最快学习就是在实战中学。

2. 概念与岗位理解：和语言学习并行

在学 Python 的这一周内，同步做两件事：

  • 找大厂相关 JD（岗位名称里带“AI应用开发”“大模型平台”“智能体”“Agent 开发”等），批量看 10 - 20 份，提取高频词和要求。这一步能帮你快速明确学习的大方向，知道大厂到底要什么样的人。
  • 熟悉核心名词：agent、function calling、tool、RAG、MCP（Model Context Protocol）等。不用一上来就深究原理，先理解它们在协作中的大致角色：Agent 是决策核心，Tool 是它手脚，Function calling 是调用工具的机制，RAG 是给模型外挂知识库，MCP 是工具/资源的标准协议。
  • 体验成品：找 3 - 5 个市面上已落地的 agent 产品（如各种问答助手、代码助手、工作流自动化等），实际用一用，感受“它能做什么”“它哪里会翻车”。这能在你脑中建立一个具体的目标图像，避免停留在抽象概念里。

这个阶段差不多一周时间，检测效果就是结束这个阶段后你应该能对着 JD 说出哪些是加分项，也能把 agent 相关的词和实际产品对上号。

第二阶段：动手期（入门学习 + 项目准备）

目标：完成第一个可控的 agent 闭环项目，培养从跑通到迭代的能力。

1. 入门项目从 hello-agents 开始

hello-agents 是目前比较适合零基础入门的教程项目，它结构清晰，能带你用最短时间理解 agent 的核心骨架。建议用一周时间跟着走完一遍，重点关注：

  • Agent 循环的基本逻辑（感知 -> 思考 -> 行动 -> 观察）
  • 一个最简单的 tool 是如何定义并注册给模型的
  • 基础 prompt 的组织方式

这个阶段不要一上来就通读 LangChain 或 LangGraph 的文档，效率太低。正确姿势是：跑通一个最小的闭环 toy 项目，建立信心。比如让 agent 调用一个计算器工具，或者查天气 API，哪怕很简单，只要能跑通，你就拿到了第一个成就。

在动手过程中，再带着问题去看框架文档中的关键章节和基础语法，比如 LangChain 的 AgentExecutor 流程、LangGraph 的 state graph 概念等。先有骨架再去补细节，比从概念推导快得多。

2. 补充 RAG 等相关项目

跑通入门项目后，紧接着需要把 RAG（检索增强生成）补上，因为这是目前 agent 落地最常见的模式。可以找一些开源 RAG 项目（比如 learn-rga、LangChain 官方的 RAG 教程），理解：

  • 文档加载与切分（chunking）
  • 向量化与向量数据库的基本使用（如 Chroma、FAISS）
  • 检索链路的构建：检索 -> 重排序 -> 生成
  • 简单多轮对话下的上下文融合

到这里，你应该有能力把 agent 和 RAG 组合成一个有“知识”的智能体了。

3. 自选业务场景，写自己的项目

接下来不要只复现教程，选定一个经典但能落地的业务场景，比如“智能客服”“企业内部知识问答”“个人日程助手”等，开始从零搭建自己的项目。核心是逐步增量更新，而不是一步到位：

  1. 先实现最简链路（单轮问答 + 一个工具）
  2. 加入多轮对话能力
  3. 加上 RAG 知识库
  4. 增加更多工具（比如查订单、查物流）
  5. 加入简单的异常处理与兜底回复

这个过程会暴露出大量实际问题，比如模型不按格式输出、工具调用失败、上下文过长等，而解决这些问题的过程，就是你从“会用框架”到“能控制 agent”的关键跨越。

第三阶段：拔高期（简历亮点 + 面试储备）

目标：做出一个不依赖框架的、有设计感的 agent 系统，形成强差异化简历项目。

对于学习能力强的同学，到此时距离秋招可能还有一到两个月，如果还想冲一段实习，可以用这个阶段的作品去争取机会。

核心建议：自己搭一个 agent harness。

什么是 harness？可以理解为 agent 的“运行外壳”，即不依赖 LangChain 等大而全的框架，自己实现 agent 的核心循环和基础组件。可以参考 Claude code、openclaw 等项目的思路，从以下层面搭建：

  • 实现 agent 循环：自行编写 while/finite-state 循环，控制“模型调用 -> 解析输出 -> 执行工具 -> 反馈结果 -> 再进入模型”的流程。
  • 上下文压缩：当对话历史变长，需要自动摘要或滑动窗口截断，节省 token。这是工程化的关键点，也是面试很爱问的优化方向。
  • 工具调用的兜底逻辑：模型可能抽风，返回不合法 JSON、调用不存在的工具、参数缺失等。设计 retry 机制、格式修复、降级策略（比如回退到纯文本回复），体现健壮性设计。
  • 记忆持久化：将对话记忆、用户偏好等存入数据库（SQLite/Postgres）或向量库，实现跨会话记忆。

以上几点全部自己实现，你会深刻理解 agent 的运作本质，也能在面试中侃侃而谈“为什么我不用现成框架”以及“我如何解决这些工程问题”。这样的项目放在简历上，含金量远超千篇一律的“基于 LangChain 的智能客服”。

完成这一阶段，差不多就到八月左右，提前批已开，秋招陆续启动。

第四阶段：秋招冲刺期（简历 + 算法 + 实习）

目标：通过之前的学习，将知识转换成实打实的面试机会以及 offer。

1. 简历策略

如果没有完全对口的实习经历，完全可以把已有的实习加上学习过程中积累的技术，重新组织语言，向 AI 应用开发方向靠拢。例如：

  • 原来做后端开发，可以描述为“负责后端服务开发，并参与内部 agent 工具链的构建与优化”，然后将做过的或者学过的项目分成多个亮点展开。