--- type: 路线图 status: 已发布 level: 通用 topic: - 面试求职 - Agent - 项目实战 --- # AI Agent 开发工程师学习路线图（工程落地版） > **目标岗位**：AI Agent 开发工程师（应用型、工程型） > **学习时长**：8 周（全职投入） > **最终产出**：2-3 个生产级、可部署的 Agent 系统 + 完整的全栈技术能力 --- ## 一、你能获得什么 > **用8周，打造从原型到生产的完整工程能力** > > ✅ **8周系统课程**：从 LangChain 基础到生产级 Agent 系统架构 > > ✅ **每周代码实战**：手撕 RAG、Agent、多智能体，将想法变为高可用服务 > > ✅ **2个工业级项目**：完成从需求分析、技术选型、开发部署到监控优化的全流程 > > ✅ **生产级技术栈**：掌握 FastAPI, Docker, Redis, Prometheus 等后端必备技能 > > ✅ **顶级面试能力**：搞定系统设计、性能优化、故障排查等高频面试题 --- ## 二、开发岗核心要求 ### 你需要具备的能力

**系统设计** - 高可用、高并发架构 - 性能与成本优化 - 监控、告警与日志 - 故障排查与容错

**工程实现** - 熟练使用 Agent 框架 - 高质量、可维护的代码 - 快速开发与迭代能力 - 强大的调试与问题定位

**业务理解** - 用户需求转化为技术方案 - 场景适配与方案选型 - 数据驱动的系统优化 - 评估技术方案的 ROI

### 开发岗简历必备 ✅ **至少2个完整系统项目**：端到端可运行，有线上部署经验 ✅ **量化的业务指标提升**：如 QPS+100%、P99延迟-80%、成本-50% 等数据 ✅ **丰富的生产级技术栈**：LangChain + FastAPI + Milvus + Redis + Docker + Prometheus ✅ **生产化经验**：有部署、监控、性能优化、异常处理的实战经历 --- ## 三、推荐学习资源与工具 ### 📚 核心课程与书籍 - **课程**: [吴恩达: Generative AI for Everyone](https://www.deeplearning.ai/courses/generative-ai-for-everyone/) - **课程**: [微软: Generative AI for Beginners](https://github.com/microsoft/generative-ai-for-beginners) - **课程**: [HuggingFace NLP Course](https://huggingface.co/learn/nlp-course/chapter1/1) - **教程**: [《动手学大模型应用开发》](https://datawhalechina.github.io/llm-universe/#/) - Datawhale开源教程 - **教程**: [《面向开发者的 LLM 入门教程》](https://github.com/datawhalechina/llm-cookbook) - 吴恩达课程中文版 - **教程**: [《开源大模型食用指南》](https://github.com/datawhalechina/self-llm) - 快速微调与部署教程 - **教程**: [《AI-Guide-and-Demos》](https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN) - API到本地部署微调指南 - **书籍**: [《Build a Large Language Model (From Scratch)》](https://github.com/rasbt/LLMs-from-scratch) ### 🛠️ 开发框架与工具 - **LLM框架**: [LangChain](https://github.com/langchain-ai/langchain), [LlamaIndex](https://github.com/run-llama/llama_index), [Dify](https://github.com/langgenius/dify) - **Agent框架**: [AutoGen](https://github.com/microsoft/autogen), [CrewAI](https://github.com/joaomdmoura/crewAI), [AgentScope](https://github.com/modelscope/agentscope) - **向量数据库**: [Milvus](https://github.com/milvus-io/milvus), [Qdrant](https://github.com/qdrant/qdrant), [Chroma](https://github.com/chroma-core/chroma) - **推理引擎**: [vLLM](https://github.com/vllm-project/vllm), [SGLang](https://github.com/sgl-project/sglang), [Ollama](https://github.com/ollama/ollama) - **评估工具**: [RAGAs](https://github.com/explodinggradients/ragas), [DeepEval](https://github.com/confident-ai/deepeval), [LangSmith](https://docs.smith.langchain.com/) ### 🌐 学习社区与资源 - **社区**: [HuggingFace](https://huggingface.co/), [ModelScope](https://modelscope.cn/), [魔乐社区](https://modelers.cn/) - **博客**: [Lil'Log (OpenAI)](https://lilianweng.github.io/), [科学空间（苏剑林）](https://kexue.fm/), [Chip Huyen](https://huyenchip.com/blog/) - **资源库**: [Awesome LLM Resources](https://github.com/WangRongsheng/awesome-LLM-resources) - **可视化**: [100+ LLM/RL 算法原理图](https://github.com/changyeyu/LLM-RL-Visualized) - 通过图解理解算法原理 - **可视化**: [Interactive Transformer Explainer](https://poloclub.github.io/transformer-explainer/) - 交互式理解Transformer --- ## 四、8周详细学习计划 ### **第 1 周：大模型应用开发基础 + 手撕 Naive RAG** > **学习内容:** > - **后端基础**: FastAPI 路由、异步 I/O、Pydantic 数据校验 > - **LangChain 核心**: LLM, Prompt Templates, Output Parsers, LCEL > - **Naive RAG 流程**: Document Loaders, Text Splitters, Embeddings, Vector Stores > - **向量数据库**: FAISS/ChromaDB 本地化使用 > > **手撕系列:** > - [ ] FastAPI 搭建 "Hello, World" API 服务 > - [ ] LangChain LCEL 编写第一个 LLM Chain > - [ ] 30分钟手撕一个完整的 Naive RAG 应用 > > **解锁技能:** > - 熟练使用 FastAPI 搭建 API > - 掌握 LangChain 核心组件与 LCEL 表达式语言 > - 能够从零开始，快速构建一个基于文档问答的 RAG Demo **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | ------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | | 1 | FastAPI 快速入门 | 教程: [FastAPI Official Tutorial](https://fastapi.tiangolo.com/tutorial/) | 掌握 FastAPI 基础，能够创建路由、处理请求 | | 2 | LangChain 核心概念 | 文档: [LangChain Quickstart](https://python.langchain.com/v0.1/docs/get_started/quickstart/)
课程: [吴恩达: LangChain for LLM Application Development](https://learn.deeplearning.ai/langchain/lesson/1/introduction)
课程: [Building Systems with the ChatGPT API](https://learn.deeplearning.ai/chatgpt-building-system/lesson/1/introduction) | 理解 LangChain 六大核心模块，熟练使用 LCEL | | 3 | RAG Part 1: 加载与分割 | 文档: [LlamaIndex Loaders](https://developers.llamaindex.ai/python/framework/module_guides/loading/documents_and_nodes/)
工具: [Unstructured.io](https://unstructured-io.github.io/unstructured/), [MinerU](https://github.com/opendatalab/MinerU), [Docling](https://github.com/DS4SD/docling) | 掌握不同格式文档 (PDF, MD) 的加载和文本分块策略 | | 4 | RAG Part 2: 向量化与存储 | 教程: [FAISS Intro](https://github.com/facebookresearch/faiss/wiki/Getting-started)
教程: [Sentence Transformers](https://www.sbert.net/) | 理解 Embedding 原理，使用 FAISS/Chroma 构建本地向量索引 | | 5-6 | 手撕 Naive RAG 系统 | 教程: [RAG from Scratch](https://github.com/langchain-ai/rag-from-scratch)
概念: [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)
教程: [动手学大模型应用开发](https://datawhalechina.github.io/llm-universe/#/)
参考: [面向开发者的LLM入门教程](https://github.com/datawhalechina/llm-cookbook) | 整合 FastAPI + LangChain，完成一个端到端的文档问答 API | | 7 | 周度总结与项目部署 | | 将本周的 RAG 项目用 Docker 打包，并成功运行 | --- ### **第 2 周：Advanced RAG 与生产级向量数据库** > **学习内容:** > - **Advanced RAG 技术**: Query Transformation, Re-ranking, Hybrid Search > - **RAG 评估**: 使用 RAGAs, TruLens 进行自动化评估 > - **生产级向量数据库**: Milvus/Zilliz Cloud 部署与使用 > - **数据处理**: Unstructured.io 解析复杂文档 > > **手撕系列:** > - [ ] 实现 BM25 + 向量的混合检索 > - [ ] 引入 Cohere Rerank 模型提升检索精度 > - [ ] 使用 RAGAs 评估 RAG 系统的 Faithfulness 和 Answer Relevancy > - [ ] Docker 部署 Milvus 并进行增删改查操作 > > **解锁技能:** > - 掌握 10+ 种 RAG 优化策略 > - 能够建立 RAG 系统的自动化评估流水线 > - 熟练使用生产级的分布式向量数据库 Milvus > - 具备处理复杂、非结构化文档的能力 **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | -------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | | 8 | Query Transformation | 教程: [LlamaIndex Query Transformations](https://developers.llamaindex.ai/python/framework/optimizing/advanced_retrieval/query_transformations/) | 实现 HyDE, Multi-Query 等查询改写策略 | | 9 | 混合检索与重排 (Rerank) | 教程: [LlamaIndex Cohere Rerank](https://developers.llamaindex.ai/python/examples/node_postprocessor/coherererank/)
论文: [Modular RAG](https://arxiv.org/pdf/2407.21059) | 实现 BM25 + Embedding 混合检索，并集成 Reranker | | 10-11 | RAG 评估体系 | 文档: [RAGAs 评估框架](https://docs.ragas.io/en/latest/index.html)
工具: [FlashRAG](https://github.com/RUC-NLPIR/FlashRAG), [DeepEval](https://github.com/confident-ai/deepeval), [Lighteval](https://github.com/huggingface/lighteval) | 学习 RAG 核心评估指标，并用 RAGAs 评估优化前后的系统性能 | | 12 | 生产级向量数据库 (Milvus) | 文档: [Milvus Quick Start](https://milvus.io/docs/install_standalone-docker.md)
替代: [Infinity](https://github.com/infiniflow/infinity), [Qdrant](https://qdrant.tech/) | 使用 Docker 部署 Milvus，并掌握其 Python SDK | | 13 | 高级数据处理 | 文档: [Unstructured.io](https://unstructured-io.github.io/unstructured/)
工具: [MinerU](https://github.com/opendatalab/MinerU), [PDF-Extract-Kit](https://github.com/opendatalab/PDF-Extract-Kit), [Docling](https://github.com/DS4SD/docling), [GOT-OCR2.0](https://github.com/Ucas-HaoranWei/GOT-OCR2.0) | 使用 Unstructured/MinerU 解析包含表格、图片的复杂 PDF | | 14 | 周度总结与系统升级 | | 将第一周的 RAG 系统升级，集成混合检索、Reranker 和 Milvus | --- ### **第 3 周：Agent 开发与 Tool Calling** > **学习内容:** > - **Agent 核心**: ReAct 框架, Planning, Tool Use, Memory > - **Tool Calling**: OpenAI Function Calling, Tool Schema 定义 > - **工具开发**: 如何将 API, 数据库查询等封装为 Agent 可用的工具 > - **错误处理**: 工具调用失败的重试、降级策略 > > **手撕系列:** > - [ ] 实现 3个自定义工具 (天气查询, SQL数据库查询, API调用) > - [ ] 基于 LangChain 构建一个可以链式调用工具的 Agent > - [ ] 使用 OpenAI Function Calling 实现结构化数据提取 > > **解锁技能:** > - 深刻理解 Agent 的"思考-行动"工作流 > - 能够开发、测试、维护自定义工具集 > - 掌握 Function Calling 的原理与应用 > - 具备构建能处理真实世界任务的 Agent 的能力 **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | ------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------- | | 15 | Agent 核心概念 | 博客: [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)
文档: [LangChain Agents](https://python.langchain.com/v0.1/docs/modules/agents/)
论文: [ReAct](https://arxiv.org/abs/2210.03629) | 理解 ReAct 框架，并运行一个 LangChain 官方的 Agent 示例 | | 16 | 自定义工具开发 | 教程: [LangChain Custom Tools](https://python.langchain.com/v0.1/docs/modules/tools/custom_tools/)
参考: [MCP协议](https://smithery.ai/), [MCP教程](https://www.youtube.com/watch?v=McNRkd5CxFY) | 编写一个查询天气的自定义工具，并集成到 Agent 中 | | 17 | SQL & 数据库工具 | 教程: [LangChain SQL Agent](https://python.langchain.com/v0.1/docs/use_cases/sql/) | 构建一个能根据自然语言查询数据库的 SQL Agent | | 18 | Function Calling 实战 | 文档: [OpenAI Function Calling](https://platform.openai.com/docs/guides/function-calling)
指南: [GPT Best Practices](https://platform.openai.com/docs/guides/gpt-best-practices) | 使用 OpenAI API 实现一个能根据用户问题调用函数的 Agent | | 19 | Agent Memory | 文档: [LangChain Memory](https://python.langchain.com/v0.1/docs/modules/memory/)
工具: [Mem0](https://github.com/mem0ai/mem0), [MemoryScope](https://github.com/modelscope/MemoryScope) | 为 Agent 添加对话历史记忆 (ConversationBufferMemory) | | 20 | Agent 错误处理 | 教程: [Error Handling in Agents](https://python.langchain.com/docs/modules/agents/how_to/handle_parsing_errors) | 为工具调用添加重试机制 (`tenacity` 库) 和降级策略 | | 21 | 周度总结与项目构建 | | 构建一个集成 RAG 和 Web 搜索工具的 "研究助手" Agent | --- ### **第 4 周：系统性能优化** > **学习内容:** > - **缓存策略**: Redis 缓存 LLM 响应和 Embedding 结果 > - **异步处理**: `asyncio`, `aiohttp` 实现高并发 > - **批处理优化**: Embedding 和 LLM 调用的批处理 > - **推理加速**: vLLM, TensorRT-LLM 部署与使用 > > **手撕系列:** > - [ ] 为 RAG 系统引入 Redis 缓存，对比优化前后性能 > - [ ] 将 FastAPI 的同步接口改造为异步接口 > - [ ] 部署 vLLM 并通过 API 进行推理 > > **解锁技能:** > - 掌握 LLM 应用的核心性能优化手段 > - 能够将系统的 QPS 提升 10 倍以上 > - 熟练使用 Redis 进行缓存设计 > - 具备部署和使用高性能推理引擎的能力 **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | ---------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------- | | 22 | 性能瓶颈分析 | 工具: [py-spy](https://github.com/benfred/py-spy), [Scalene](https://github.com/plasma-umass/scalene) | 学习使用 `cProfile`, `py-spy` 等工具分析现有 Agent 系统的性能瓶颈 | | 23 | 缓存优化 (Redis) | 教程: [FastAPI with Redis](https://testdriven.io/blog/fastapi-redis/)
工具: [LiteLLM Caching](https://docs.litellm.ai/docs/caching) | 为 Agent 系统添加 Redis 缓存，缓存 LLM 响应 | | 24-25 | 异步处理 (Async) | 教程: [FastAPI Async](https://fastapi.tiangolo.com/async/)
示例: [LangChain Async](https://python.langchain.com/docs/how_to/async/) | 将系统中 I/O 密集型操作 (如 API 调用) 改造为异步 | | 26 | 批处理优化 (Batching) | 教程: [Batch Processing](https://python.langchain.com/docs/how_to/batch/) | 实现 Embedding 和 Reranker 的批处理，提升吞吐量 | | 27 | 高性能推理 (vLLM) | 文档: [vLLM Quickstart](https://docs.vllm.ai/en/latest/getting_started/quickstart.html)
替代: [SGLang](https://github.com/sgl-project/sglang), [TensorRT-LLM](https://github.com/NVIDIA/TensorRT-LLM), [LMDeploy](https://github.com/InternLM/lmdeploy)
概览: [Awesome Inference](https://github.com/WangRongsheng/awesome-LLM-resources#%E6%8E%A8%E7%90%86-inference) | 使用 vLLM 部署一个开源模型 (如 Llama 3)，并测试其吞吐量 | | 28 | 周度总结与性能压测 | | 使用 `locust` 或 `jmeter` 对优化前后的系统进行压测，并记录 QPS, P99 等指标 | --- ### **第 5 周：监控、可观测性与部署** > **学习内容:** > - **Agent 链路追踪**: LangSmith, OpenTelemetry > - **指标监控**: Prometheus 监控业务和系统指标 > - **可视化**: Grafana 创建监控大盘 > - **日志系统**: ELK Stack (Elasticsearch, Logstash, Kibana) > - **容器化部署**: Docker, Docker Compose > > **手撕系列:** > - [ ] 为 Agent 应用集成 LangSmith，追踪每一步的调用和延迟 > - [ ] 使用 Prometheus 暴露自定义指标 (如 Token 消耗, 缓存命中率) > - [ ] 使用 Docker Compose 将 FastAPI + Milvus + Redis 整套系统一键部署 > > **解锁技能:** > - 具备构建完整 LLM 应用可观测性体系的能力 > - 能够快速定位和诊断线上问题 > - 掌握基于 Docker 的容器化部署和编排 > - 拥有完整的 DevOps for LLM Apps 经验 **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | --------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | | 29 | 链路追踪 (LangSmith) | 文档: [LangSmith](https://docs.smith.langchain.com/)
替代: [OpenTelemetry](https://opentelemetry.io/docs/languages/python/), [LangFuse](https://langfuse.com/) | 将 LangSmith 集成到现有 Agent 应用中，分析调用链路 | | 30 | 指标监控 (Prometheus) | 教程: [Prometheus Python Client](https://github.com/prometheus/client_python)
集成: [FastAPI Instrumentator](https://github.com/trallnag/prometheus-fastapi-instrumentator) | 暴露 API 的 QPS, 延迟, 错误率等核心指标 | | 31 | 可视化 (Grafana) | 教程: [Grafana Dashboard](https://grafana.com/docs/grafana/latest/getting-started/) | 安装 Grafana，并创建一个简单的监控大盘来展示 Prometheus 指标 | | 32 | 容器化 (Docker) | 教程: [Docker for FastAPI](https://fastapi.tiangolo.com/deployment/docker/)
最佳实践: [Docker Best Practices](https://docs.docker.com/develop/dev-best-practices/) | 为 FastAPI 应用编写 Dockerfile 并成功构建镜像 | | 33 | 服务编排 (Docker Compose) | 教程: [Docker Compose](https://docs.docker.com/compose/)
示例: [Full Stack FastAPI](https://github.com/tiangolo/full-stack-fastapi-template) | 编写 `docker-compose.yml` 文件，一键启动整个应用栈 | | 34 | 日志系统 | 教程: [Python Logging](https://docs.python.org/3/howto/logging.html)
工具: [Loguru](https://github.com/Delgan/loguru), [structlog](https://www.structlog.org/) | 配置应用将日志输出为 JSON 格式，为接入 ELK 做准备 | | 35 | 周度总结与生产环境模拟 | | 模拟一次线上故障，并使用本周学习的工具链进行问题定位 | --- ### **第 6 周：Multi-Agent 系统开发** > **学习内容:** > - **Multi-Agent 框架**: AutoGen vs. CrewAI > - **Agent 角色定义**: 如何设计具有不同职责和能力的 Agent > - **通信机制与工作流**: GroupChat, Sequential/Hierarchical flow > - **状态管理**: 如何在多个 Agent 之间共享和传递状态 > > **手撕系列:** > - [ ] 使用 AutoGen 构建一个“研究员-程序员-测试员”协作的软件开发团队 > - [ ] 使用 CrewAI 构建一个“旅行规划师-本地向导-预订专员”的旅行 Agent > > **解锁技能:** > - 掌握至少两种主流的 Multi-Agent 开发框架 > - 能够根据复杂业务需求，设计和实现多智能体协作系统 > - 理解不同协作模式 (如层级式 vs. 对话式) 的优缺点 **🌟 每日学习计划** | **天数** | **学习主题** | **资源链接** | **目标** | | ------ | ------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------ | | 36-37 | AutoGen 核心概念 | 文档: [AutoGen Tutorial](https://microsoft.github.io/autogen/docs/getting-started/)
论文: [AutoGen Framework](https://arxiv.org/abs/2308.08155) | 学习 `ConversableAgent`, `GroupChat` 等核心概念，并运行官方示例 | | 38 | AutoGen 实战 | 示例: [AutoGen Examples](https://github.com/microsoft/autogen/tree/main/notebook) | 实现一个"研究员-程序员-测试员"的 Multi-Agent 系统 | | 39-40 | CrewAI 核心概念 | 文档: [CrewAI Docs](https://docs.crewai.com/)
教程: [CrewAI Quickstart](https://docs.crewai.com/quickstart) | 学习 Agent, Task, Crew, Process 的概念，并运行官方示例 | | 41 | CrewAI 实战 | 示例: [CrewAI Examples](https://github.com/joaomdmoura/crewAI-examples) | 实现一个"旅行规划师-本地向导-预订专员"的 Multi-Agent 系统 | | 42 | 框架对比与总结 | 更多框架: [agentUniverse](https://github.com/alipay/agentUniverse), [AgentScope](https://github.com/modelscope/agentscope), [Qwen-Agent](https://github.com/QwenLM/Qwen-Agent), [Lagent](https://github.com/InternLM/lagent), [PraisonAI](https://github.com/MervinPraison/PraisonAI)
概览: [Awesome Agents](https://github.com/WangRongsheng/awesome-LLM-resources#%E6%99%BA%E8%83%BD%E4%BD%93-agents) | 对比 AutoGen 和 CrewAI 的设计哲学、优缺点和适用场景 | --- ### **第 7-8 周：工业级项目实战与面试准备** > **核心目标**：完成 1-2 个可写进简历的完整系统，并准备面试。 #### **项目1：企业级智能客服 RAG 系统** > **业务场景**: 为某电商公司构建智能客服系统，自动回答 80% 的重复性用户问题 (订单状态、物流、退款等)。 > > **技术要求**: > - **数据源**: 对接 FAQ 文档、商品信息数据库 (PostgreSQL)。 > - **核心**: 实现一个混合检索 RAG，优先从数据库精确查询，无法命中再从文档模糊检索。 > - **性能**: 系统 QPS > 200, P99 延迟 < 500ms。 > - **监控**: 完整的 LangSmith + Prometheus + Grafana 监控体系。 > - **部署**: 使用 Docker Compose 部署。 > > **简历亮点**: 高并发、低延迟、生产级监控、节省XX人力成本。 #### **项目2：Agent 驱动的自动化投研系统** > **业务场景**: 为投资分析师构建自动化报告生成 Agent，输入公司名，自动完成信息搜集、分析和报告撰写。 > > **技术要求**: > - **Multi-Agent**: 使用 CrewAI 构建，包含 `信息搜集Agent` (调用搜索引擎、API)、`财报分析Agent` (解析PDF财报、计算关键指标)、`报告撰写Agent`。 > - **工具集**: 集成 Google Search, SEC API, 文件读写等至少 5 个工具。 > - **稳定性**: 强大的异常处理和重试机制，任务成功率 > 95%。 > - **工作流**: 设计一个顺序工作流，并记录每一步的中间产出。 > > **简历亮点**: Multi-Agent 协作、复杂工作流自动化、为分析师提升XX%工作效率。 **🌟 学习计划 (2周)** | **天数** | **学习主题** | **目标** | | | ------ | --------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------- | | 43-47 | 项目一：智能客服 RAG | 完成需求分析、架构设计、核心功能开发 | | | 48-51 | 项目一：优化与部署 | 完成性能优化、监控集成和 Docker 部署，撰写项目文档 | | | 52-56 | 项目二：自动化投研 Agent | 完成需求分析、Agent 设计、工具开发和工作流实现 | | | 57-58 | 简历撰写与项目总结 | 指南: [Tech Resume Guide](https://www.techinterviewhandbook.org/resume/)
参考: [AI面试指南](https://github.com/WangRongsheng/awesome-LLM-resources/tree/main/docs/04-interview) | 按照开发岗模板，将两个项目经历量化地写入简历 | | 59-60 | 系统设计与面试 Mock | 资源: [OpenAI Cookbook](https://github.com/openai/openai-cookbook), [GPT Best Practices](https://platform.openai.com/docs/guides/gpt-best-practices)
题库: [LLM系统设计面试题](https://www.analyticsvidhya.com/blog/2024/04/rag-interview-questions/)
课程: [LLM Evaluation: A Complete Course](https://www.comet.com/site/llm-course/) | 准备高频系统设计题，并进行 1v1 模拟面试 | --- ## 📚 核心学习资源推荐 > **精选业界最优质的学习资源，助你快速提升工程能力** ### 🤖 智能体开发 **[Hello-Agents - Datawhale](https://datawhalechina.github.io/hello-agents/)** - ⭐ **推荐指数**: ★★★★★ - 📖 **内容**: Agent 开发完整教程，从基础到进阶 - 🎯 **适合**: 快速上手 Agent 开发，掌握框架使用 - 💡 **亮点**: 中文友好、实战导向、案例丰富 --- ### 📊 RAG 系统搭建 **[All-in-RAG - Datawhale](https://github.com/datawhalechina/all-in-rag)** - ⭐ **推荐指数**: ★★★★★ - 📖 **内容**: RAG 系统完整实现，涵盖文档解析、检索、生成 - 🎯 **适合**: 构建企业级 RAG 系统、性能优化 - 💡 **亮点**: 完整代码、最佳实践、生产级方案 --- ### 🔧 模型微调（可选） **[Unsloth - 高效微调框架](https://github.com/unslothai/unsloth)** - ⭐ **推荐指数**: ★★★★☆ - 📖 **内容**: 快速微调工具，降低资源消耗 - 🎯 **适合**: 需要快速微调、资源有限的场景 - 💡 **亮点**: 速度快、易上手、成本低 **[LLaMA-Factory - 一站式微调平台](https://github.com/hiyouga/LLaMA-Factory)** - ⭐ **推荐指数**: ★★★★★ - 📖 **内容**: Web UI 微调平台，支持 SFT、LoRA、DPO - 🎯 **适合**: Function Call 微调、模型定制化 - 💡 **亮点**: 可视化界面、功能全面、易于使用 --- ### 🗃️ 数据处理 **[Easy-Dataset - 数据处理工具集](https://github.com/ConardLi/easy-dataset)** - ⭐ **推荐指数**: ★★★★☆ - 📖 **内容**: 数据清洗、格式转换、质量评估 - 🎯 **适合**: RAG 数据准备、知识库构建 - 💡 **亮点**: 自动化工具、提升数据质量 --- ### 🧠 理解大模型原理（加分项） **[nanoGPT - Karpathy](https://github.com/karpathy/nanoGPT)** - ⭐ **推荐指数**: ★★★★★ - 📖 **内容**: 从零实现 GPT，理解模型原理 - 🎯 **适合**: 深入理解 LLM 工作机制、面试加分 - 💡 **亮点**: 代码简洁、注释详细、理解本质 **[nanochat - Karpathy](https://github.com/karpathy/nanochat)** - ⭐ **推荐指数**: ★★★★☆ - 📖 **内容**: 从零构建对话模型 - 🎯 **适合**: 理解对话系统、端到端实现 - 💡 **亮点**: 完整流程、实战导向 --- ### 🎯 完整学习路径 **[AgentGuide - AI Agent 完整学习路线](https://github.com/adongwanai/AgentGuide)** - ⭐ **推荐指数**: ★★★★★ - 📖 **内容**: Agent 开发、RAG 系统、上下文工程、面试指南 - 🎯 **适合**: 系统化学习、求职准备、技术路线规划 - 💡 **亮点**: 开发岗/算法岗双路线、实战项目、简历模板 --- ### 💡 学习建议 #### **入门阶段（第1-2周）** 1. 先学习 **Hello-Agents** 建立 Agent 开发基础 2. 浏览 **nanoGPT** 了解模型原理（可选） #### **进阶阶段（第3-6周）** 3. 深入 **All-in-RAG** 学习 RAG 系统搭建 4. 使用 **LLaMA-Factory** 进行 Function Call 微调（可选） 5. 用 **Easy-Dataset** 处理数据 #### **实战阶段（第7-8周）** 6. 参考 **AgentGuide** 完成项目 7. 构建完整的生产级系统 8. 准备面试和简历 --- ### 🛠️ 推荐技术栈组合 #### **RAG 系统项目** ``` 后端: FastAPI + LangChain + Milvus/Chroma 数据处理: Easy-Dataset 监控: LangSmith + Prometheus + Grafana 部署: Docker + Docker Compose ``` #### **Multi-Agent 项目** ``` 框架: CrewAI / AutoGen / LangGraph 工具: LangChain Tools + Custom Tools 工作流: State Machine + Task Queue 监控: LangSmith + 自定义日志 ``` --- ## 👉 返回主文档：[README.md](../../README.md)