我见过太多人学 Agent 的方式是这样的：收藏 40 个视频、买三本书、把 LangChain 的教程从头看到尾。三个月后你问他做到哪一步了，他说"我还在打基础"。
我走的是另一条路，一条挺恶心的路：
不许"看完"，只许"做出来"。每周必须交一个能跑的东西，交不出来，就不许往下走。
9 周，我从只会写业务接口的 Java 后端，变成能自己搭一个带工具调用、带记忆、能落地的 Agent。
先交代我的底子，免得你以为这条路谁都能抄：6 年 Java 后端，微服务、高并发、线上事故都趟过，会写接口、会查日志、会看 GC。
这套路线是给"已经有编程底子的人"压缩学习周期用的，不是给零基础的。 底子不一样，同一张时间表不成立。
如果你也是这个画像，下面这份表可以直接照抄。
00 丑话说在前面：9 周能"掌握"，不能"上岸"
先把降温的话说完，不然后面全是坑。
9 周解决的是"学会"。拿到 offer 是另一件事。
学会之后你还得做三件没人能替你做的事：把项目做深（日志、成本、评估集、兜底）、把 6 年后端翻译成 AI 语言、然后投递和被拒几十次。这些加起来才是完整周期。
这条路线还有三个硬前提，缺一个就不成立：
9 周不是魔术，是你把 100 多个小时按正确顺序花掉的结果。
下面四个阶段，9-12 周。为什么有两个数字：前 8 周打底 + 第 9 周起进项目，是"能跑通闭环"的时间；第 12 周是"能写上简历"的时间。 如果你是全职学，压缩到 4-6 周也不奇怪，但验收标准一条都别砍。
01 第 1-3 周 · 基石：提示词与 LLM 调用（Agent 的"大脑"）
这一阶段的目标只有一个：理解大模型怎么工作，然后学会怎么跟它"对口供"。 这是 Agent 的大脑。
要学什么
- 提示词工程三种基本型：零样本提示、少样本提示、思维链（CoT）。
- 三个高级技巧：角色扮演、任务分解、格式限定。前两个负责让模型"想对"，第三个负责让模型的输出稳定可用——后者才是工程里最值钱的。
动手作业（必须做，不许看）
在 Kimi 或 ChatGPT 里，用"请以 JSON 格式输出……"这类指令去控制输出结构。选一个你熟悉的场景，比如把一段自然语言的需求描述，转成固定的 JSON 字段。
然后是这一阶段真正的分水岭：API 调用与函数调用（Function Calling）。
- 学 OpenAI API 或国产大模型 API（智谱、通义千问都行）的基本调用方式；
- 重点吃透 Function Calling——这是 Agent 感知外部世界的桥梁，不是"一个 API 功能"，是整个 Agent 的地基；
- 动手：写一个 Python 脚本，让大模型通过调用工具告诉你"当前北京的天气是多少"。你需要自己找一个天气 API。
每周验收标准
| 第 1 周 | 一条能稳定输出的结构化 prompt | 同一条 prompt 跑 10 次，格式 10 次都对 |
| 第 2 周 | 一个能跑通的模型调用脚本 | 能说清 temperature / max_tokens / stream 各是干嘛的 |
| 第 3 周 | 查天气的 Function Calling 脚本 | 模型自己决定"该调工具"，而不是编一个天气给你 |
我踩的坑：第一次写工具，description 写得像随手留的注释，模型十次里有七次不调用。把 description 当接口文档写——写清楚什么时候该用、参数是什么格式——成功率立刻肉眼可见地变了。
Prompt 不是话术，是接口文档。
02 第 4-6 周 · 核心范式：从 ReAct 到 LangChain（Agent 的"手脚"）
这一阶段要搞清楚一件事：Agent 到底是怎么自己"想一步、做一步、看一眼"的。
先理解 ReAct
去读 ReAct 那篇论文的解读文章（原始论文是《ReAct: Synergizing Reasoning and Acting in Language Models》），把这三个词刻进脑子：
Thought（思考）→ Action（行动）→ Observation（观察）→ 回到 Thought
这就是 Agent 的心跳。所有框架，本质上都是在这三步外面套了一层工程。
动手作业：不借助框架，手写一次 ReAct 循环
这一步是全篇最重要的作业，跳过它等于没学。
用纯代码实现一个最小的 ReAct 循环：给模型两个工具（一个计算器、一个搜索），让它自己决定"这个问题该用哪个",你负责把工具的执行结果回填给它。
结构大概长这样：
question = "今天北京气温的平方是多少？"
loop:
output = llm(history) # Thought + Action
if output 里有 "Action:":
result = 执行对应工具(output) # 真实执行
history += f"Observation: {result}" # 把观察结果回填
else:
return output # 没有 Action 就是最终答案
最能卡住你的地方是解析模型输出。 模型不会乖乖吐标准格式，你得约定一个协议（比如强制它输出 Action: tool(arg)），然后在代码里解析、兜底、报错重试。这一圈走完，你会突然明白框架到底替你干了什么。
再上框架：LangChain / LangGraph
- Chains（链）、Tools（工具）、Agents（智能体）、Memory（记忆） 四个概念要能用自己的话讲清楚；
- 重点学怎么自定义 Tool、怎么把工具组装成一个 Agent；
- 动手：用 LangChain 搭一个 Agent，回答问题——“某部电影的票房是多少，以及它和另一部电影的票房差多少”。它必须自己去调搜索（查票房）+ 计算器（算差值）。
验收标准
能解释清楚：为什么 Observation 必须由你的代码回填，而不是让模型自己"假装知道"？
先手写一次，再上框架。顺序反过来，你会一直以为 Agent 是框架给的。
03 第 7-8 周 · 记忆与外部工具（Agent 的"记性"和"工具箱"）
到这里，Agent 能思考、能动手了，但它还像个失忆的人。这两周补上记性和工具箱。
记忆机制
- 短期记忆：会话缓存，让它在一次对话里不失忆；
- 长期记忆：向量数据库。技术栈选 ChromaDB 或 FAISS 起步，掌握怎么把对话历史切片、做 Embedding、存进去、再检索回来。
动手：做一个带记忆的客服 Agent——你今天跟它说了名字，明天再来，它还记得。
最容易翻车的是切片：切太碎，一次问答被拆成八段，检索回来全是碎片；切太粗，一段里塞三个话题，检索全是噪音。检索不准的时候先分层定位：是切分的问题、Embedding 的问题，还是重排的问题。
工具调用实战
写代码去调用真实世界：搜索引擎、arXiv 学术搜索、SQL 数据库、你自己的本地 API。
动手：让 Agent 连上本地 SQLite 数据库，回答——“上个月销售额最高的产品是哪个？”
验收标准
给自己出一套 20 个真实问题的评估集，答对 15 个以上算过关。 不是"感觉挺好"，是拿数字说话。你会很痛苦地发现第一版可能只答对 9 个——那就对了，这个数字就是你后面所有优化的起点。
记忆不是把聊天记录全塞进上下文，是决定"什么值得记下来"。
04 第 9-12 周 · 多智能体与最终项目（Agent 的"团队"）
一个 Agent 干不完的活，拆给几个 Agent 分着干。这一阶段从"能跑"走向"能上简历"。
多智能体协作
- 选一个框架上手：AutoGen 或 CrewAI；
- 理解两类协作模式：管理者-执行者（一个 leader 拆任务，多个 worker 干活）、辩论（两个 Agent 互相挑错，逼出更好的答案）；
- 核心概念是 Agent 间的消息传递机制——谁给谁发消息、消息里带什么、怎么判定"这件事做完了"。
动手：搭一个"编程团队"——一个产品经理 Agent 写需求，一个工程师 Agent 写代码，一个测试 Agent 找 Bug。你会立刻理解为什么"多智能体"难的不是提示词，是状态和收敛。
最终实战项目（三选一）
验收标准
项目能演示 + 每一个技术决策你都讲得出"为什么不用另一种方案"。面试官不会问你"学没学过"，会问"你为什么这么做"。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
混进去之后，怎么站稳
当然，混进去只是第一步。进去之后站不站得住，看的是补课速度。分享我自己验证过的三条：
1. 抓住「最小闭环」，别贪全。 别想着把 LLM 全栈知识都学一遍。先把你负责的那条链路完整跑通——哪怕就是「一个提示词调一个模型存一个结果」。跑通之后你就在团队里有了立足点，剩下的按需补。我第一周干的事，就是把我们的 Agent 主循环用 200 行代码重写了一遍，从此开会我敢说话了。
2. 把 80% 的旧能力用足。 Agent 开发里大部分活是工程活：接口设计、状态管理、异常处理、部署监控。这些后端老本行直接用。你的差异化不是「比同事更懂模型」，而是「比同事更能把系统做稳」。前一点你短期追不上，后一点你天生就有。
3. 每天输出一点东西。 我开始做「30 天挑战」之后发现，写下来是最好的补课方式——写不出来的地方，就是没学懂的地方。而且记录本身会让你在团队里快速建立「这个人很懂」的错觉，好吧，也不全是错觉。
