# 后端学习路径

面向后端工程师、平台工程师、全栈偏后端开发者。

核心目标：构建可靠、可观测、可评测的 AI 应用后端，而不是只封装一次模型调用。

## 推荐路线

| 阶段 | 学什么 | 产出 |
| --- | --- | --- |
| 1 | 模型 API | 统一模型调用、超时、重试、错误处理、成本日志 |
| 2 | 结构化输出 | JSON schema、校验、降级和失败处理 |
| 3 | 工具调用 | 工具 schema、参数校验、幂等性、权限 |
| 4 | RAG | 文档切分、embedding、检索、rerank、引用 |
| 5 | 工作流 | 多步骤流程、人工确认、状态机、回滚 |
| 6 | Agent | 受控 agent loop、最大步数、最大成本、停止条件 |
| 7 | 评测 | 用例集、trace、回归评测、失败分类 |
| 8 | 生产化 | tracing、replay、监控、限流、fallback |

## 先看这些专题

- [Agent 学习路径](../agent/)
- [AI 编程](../ai-coding/)
- [Agent 与多智能体](../project-collections/agents.md)
- [集成与 MCP](../project-collections/integrations.md)
- [数据工具](../project-collections/data.md)

## 第一个项目

做一个 **文档 RAG 服务**。

它应该包含：

- 文档导入。
- 检索与引用。
- 检索失败处理。
- API 日志。
- 简单评测集。
- 成本和延迟记录。

## 推荐工具方向

| 方向 | 工具类型 |
| --- | --- |
| 模型调用 | OpenAI、Anthropic、Gemini、本地模型网关 |
| RAG | LlamaIndex、LangChain、向量数据库、rerank |
| Agent / Workflow | OpenAI Agents SDK、LangGraph、CrewAI、AutoGen |
| 评测 | Promptfoo、DeepEval、LangSmith、agent eval |
| 观测 | tracing、structured logs、cost dashboard |

## 避坑

- 不要把向量检索当成万能长期记忆。
- 不要没有引用就声称回答基于资料。
- 不要让 Agent 拥有过大的写权限。
- 不要没有回归评测就替换模型、prompt 或检索策略。