Agent / 大模型应用开发工程师学习路径 学习技能树

基础概念

大语言模型基础原理

理解 Transformer、自回归生成、token 与上下文窗口，是判断幻觉成因与上下文预算的底层依据

建议预留 60 分钟

学习目标

• 解释自回归生成与上下文窗口的关系
• 说明 tokenizer 对成本与截断的影响

关键概念

• Transformer
• 自回归
• token
• 上下文窗口

为什么学习

• 面试常问上下文窗口、温度、tokenizer 与幻觉机制，需要能解释机制而非背诵结论，但不必推导公式

如何检验理解

• 能向他人解释为何上下文过长会导致信息丢失与幻觉增加

核心技能

Python 工程与异步编程

模块化、可测试、asyncio 异步的工程开发，是全部 Agent 代码质量的地基

建议预留 90 分钟

学习目标

• 编写模块化可测试代码
• 使用 asyncio 实现并发调用

关键概念

• 模块化设计
• 类型标注
• asyncio
• 单元测试

为什么学习

• 能力地图将 Python 工程列为 required 熟练项，Agent 高并发调用依赖异步能力，是硬性工程门槛

如何检验理解

• 能用 asyncio 并发调用多个 LLM 接口并写出有类型标注与测试的模块

基础概念

版本控制与协作

Git 分支管理、代码评审与团队协作规范

建议预留 45 分钟

学习目标

• 掌握分支与 PR 流程
• 进行代码评审

关键概念

• Git 分支
• PR
• 代码评审

为什么学习

• 能力地图列为 required 熟练项，是所有工程协作的通用前提，需日常熟练使用

如何检验理解

• 能用分支与 PR 流程完成一次带评审的代码合并

核心技能

技术表达与英文资料阅读

结构化表达项目与权衡，快速阅读英文官方文档与论文跟进生态

建议预留 45 分钟

学习目标

• 撰写结构化技术文档
• 快速阅读英文资料

关键概念

• 技术写作
• 结构化表达
• 英文文档阅读

为什么学习

• 能力地图列为推荐熟练项，生态迭代快，英文跟进与技术表达能力是隐性门槛

如何检验理解

• 能读完一篇英文官方文档并写出一页结构化技术摘要做分享

核心技能

LLM API 调用与参数

熟练接入 OpenAI/Claude/Qwen 等 API，处理流式输出、重试、限流与降级，是全部应用开发的地基

建议预留 60 分钟

学习目标

• 封装统一的多模型调用客户端
• 处理流式输出与异常降级

关键概念

• temperature
• max_tokens
• 流式输出
• 重试与限流
• 降级

为什么学习

• 能力地图要求熟练接入多模型 API 并处理流式/重试/限流，需在真实工程中按模式正确使用

如何检验理解

• 能写出带流式输出、指数退避重试与多模型降级的调用封装

基础概念

Embedding 与向量表示

文本向量化、相似度度量与 embedding 模型选型，是 RAG 与记忆机制的基础

建议预留 45 分钟

学习目标

• 理解向量语义与相似度度量
• 对比选择 embedding 模型

关键概念

• 向量化
• 余弦相似度
• embedding 模型选型

为什么学习

• 需理解向量语义与相似度度量原理以支撑检索调优与模型选型，但无需训练 embedding 模型

如何检验理解

• 能解释余弦相似度为何适用于文本检索，并完成 embedding 模型对比选型

核心技能

Prompt Engineering 与结构化提示

角色设定、few-shot、CoT、输出格式约束，是 Agent 行为控制的核心杠杆

建议预留 75 分钟

学习目标

• 设计角色/few-shot/CoT 提示
• 通过对照实验迭代提示

关键概念

• 角色设定
• few-shot
• CoT
• 输出格式约束

为什么学习

• 能力地图将结构化提示、CoT、ReAct 提示列为熟练项，需能在实际链路中设计并迭代提示

如何检验理解

• 能为一个具体任务设计 few-shot + CoT 提示并说明每次迭代的改进依据

补充知识

Token 计量与成本控制

理解计费、上下文预算与成本优化，是生产化与面试成本题的支撑知识

建议预留 30 分钟

学习目标

• 理解 token 计费与上下文预算

关键概念

• token 计费
• 上下文预算
• 成本优化

为什么学习

• 属工程常识与成本意识，了解策略与预算概念即可，不必深入建模

如何检验理解

• 能估算一次 Agent 调用的 token 成本并提出一条优化建议

核心技能

向量数据库与检索

向量索引、ANN 检索与 Milvus/PgVector/FAISS/Chroma 的使用与调优

建议预留 75 分钟

学习目标

• 搭建并调优向量索引
• 按场景选择向量库

关键概念

• ANN 检索
• 索引类型
• Milvus
• PgVector
• FAISS
• Chroma

为什么学习

• 能力地图要求熟练掌握向量库索引、召回与性能调优，需在真实项目中按选型标准落地

如何检验理解

• 能为一个数据集选择向量库并完成索引构建与召回性能对比

核心技能

文档解析、切分与预处理

chunking 策略、清洗与元数据设计对检索质量的决定性影响

建议预留 60 分钟

学习目标

• 实现多格式文档解析与切分
• 设计元数据提升召回

关键概念

• chunking 策略
• 文本清洗
• 元数据设计

为什么学习

• 能力地图明确要求文档解析与切分能力，直接影响召回质量，需实操掌握

如何检验理解

• 能为一份含表格与层级的文档设计切分与元数据方案并说明理由

核心技能

结构化输出与 JSON Mode

约束模型输出为可解析结构，是工具调用与下游程序处理的直接前置

建议预留 45 分钟

学习目标

• 使用 JSON Mode / schema 约束输出
• 处理解析失败与兜底

关键概念

• JSON Mode
• Pydantic schema
• 输出校验

为什么学习

• 结构化输出是 Function Calling 与工作流状态传递的必备工程能力，需稳定落地

如何检验理解

• 能实现对模型输出的 schema 校验与失败重试

核心技能

RAG 检索增强生成

检索与生成结合的完整架构，是应用层 Agent 开发最核心的落地能力

建议预留 120 分钟

学习目标

• 搭建端到端 RAG 链路
• 定位检索与生成的失效环节

关键概念

• 检索-生成流程
• 上下文拼接
• 引用溯源

为什么学习

• RAG 全链路是招聘必备项，需能独立搭建端到端链路并定位质量问题

如何检验理解

• 能独立搭建一个可回答私有知识问答的 RAG 应用并解释各环节取舍

核心技能

高级 RAG 与重排序

混合检索、rerank、查询改写、多路召回等性能优化技术

建议预留 90 分钟

学习目标

• 实现混合检索与 rerank
• 实现查询改写与多路召回

关键概念

• 混合检索
• rerank
• 查询改写
• 多路召回

为什么学习

• 能力地图将 rerank 与混合检索列为熟练项，是区分初中级候选人的关键，需能实际调优

如何检验理解

• 能通过引入 rerank 与混合检索量化提升召回指标

核心技能

Function Calling / 工具调用

工具定义、参数 schema、调用编排、结果回填与错误处理

建议预留 75 分钟

学习目标

• 定义工具 schema
• 实现调用编排与结果回填
• 处理工具错误

关键概念

• 工具定义
• 参数 schema
• 结果回填
• 错误处理

为什么学习

• 工具调用是 Agent 的行动基础，能力地图要求熟练处理 schema、回填与错误，需工程落地

如何检验理解

• 能定义含多个工具的 schema 并处理调用失败与参数校验错误

核心技能

RAG 评估

忠实度、相关性、召回率的量化评估，是评测体系的组成基础

建议预留 60 分钟

学习目标

• 构建 RAG 评测集
• 计算忠实度与召回指标

关键概念

• 忠实度
• 相关性
• 召回率
• 自动化评测

为什么学习

• 能力地图要求构建数据集与自动化评测指标，是评测体系的直接组成，升级为核心技能

如何检验理解

• 能构建小规模评测集并输出忠实度/召回率报告驱动迭代

补充知识

模型微调与适配基础

SFT、LoRA、DPO 及 embedding/rerank 模型选型

建议预留 45 分钟

学习目标

• 了解 SFT/LoRA/DPO 适用场景
• 理解微调与 RAG 的取舍

关键概念

• SFT
• LoRA
• DPO
• 模型选型

为什么学习

• 目标地图列为 nice_to_have 入门级，能说清适用场景与选型思路即可，无需亲自训练

如何检验理解

• 能判断一个需求该用提示、RAG 还是微调并给出理由

基础概念

Agent 核心概念与架构

Agent 定义、感知-决策-行动循环与组件构成，是范式学习的概念骨架

建议预留 45 分钟

学习目标

• 解释感知-决策-行动循环
• 辨析 Agent 与 Workflow 边界

关键概念

• Agent 定义
• 感知-决策-行动
• 组件构成

为什么学习

• 面试常考 Agent 与纯链式调用、Workflow 的边界，需能解释架构与适用场景

如何检验理解

• 能绘制 Agent 组件图并说明何时该用 Agent、何时该用固定工作流

核心技能

记忆机制

短期/长期记忆、对话历史压缩与外部记忆存储设计

建议预留 60 分钟

学习目标

• 设计记忆存储结构
• 实现历史压缩与召回

关键概念

• 短期记忆
• 长期记忆
• 历史压缩
• 外部记忆

为什么学习

• 记忆是能力地图核心范式之一，需理解并结合向量库设计可运行的记忆方案

如何检验理解

• 能为多轮 Agent 设计短期+长期记忆方案并说明压缩策略

核心技能

Agent 框架与开发工具链

LangChain、LlamaIndex、AutoGen 的选型、使用与能力边界

建议预留 120 分钟

学习目标

• 用框架搭建链路/Agent/索引
• 评估框架限制与自研边界

关键概念

• LangChain
• LlamaIndex
• AutoGen
• 框架选型
• 抽象边界

为什么学习

• 能力地图明确要求熟练使用主流框架并能定位其限制，是招聘硬指标

如何检验理解

• 能用 LangChain 与 LlamaIndex 各搭一条链路并指出其抽象带来的限制

核心技能

ReAct 范式

推理与行动交替的经典 Agent 循环，是几乎所有框架的内部机制

建议预留 60 分钟

学习目标

• 手写 ReAct 循环
• 分析循环失效原因

关键概念

• Thought-Action-Observation
• 循环终止条件
• 最大步数

为什么学习

• ReAct 是能力地图核心范式项，需能手工实现而非仅调用封装，以理解框架行为

如何检验理解

• 能不用框架手写一个可完成多步任务的 ReAct 循环

核心技能

工作流编排与状态机

LangGraph 等基于图的工作流编排、状态管理与控制流、中断恢复

建议预留 90 分钟

学习目标

• 实现有状态图工作流
• 实现分支与中断恢复

关键概念

• LangGraph
• 状态管理
• 条件分支
• 中断恢复

为什么学习

• 能力地图要求构建有状态、可分支、可中断恢复的工作流，是工程落地的关键区分点

如何检验理解

• 能用 LangGraph 实现含条件分支与人工中断恢复的工作流

核心技能

可观测性与调试

使用 LangSmith/Langfuse/OpenTelemetry 做 trace 追踪、成本与延迟监控

建议预留 60 分钟

学习目标

• 接入 trace 工具
• 监控 token 成本与延迟

关键概念

• trace 追踪
• 日志
• 成本监控
• 延迟监控

为什么学习

• 能力地图列 tracing 为推荐能力，是调试与生产监控的必要手段，需实际接入

如何检验理解

• 能接入 Langfuse/LangSmith 并基于 trace 定位一次 Agent 失败原因

核心技能

上下文工程

上下文组装、动态上下文管理、长上下文与压缩策略

建议预留 60 分钟

学习目标

• 设计上下文组装策略
• 实现长上下文压缩

关键概念

• 上下文组装
• 动态上下文
• 长上下文策略
• 压缩

为什么学习

• 上下文工程是 Agent 效果的关键控制面，需能实际组装与压缩上下文

如何检验理解

• 能为一个 Agent 设计动态上下文组装方案并量化其对成功率的影响

核心技能

任务规划与分解

Plan-and-Execute、任务拆解、子目标生成与 Reflection

建议预留 75 分钟

学习目标

• 实现任务分解与计划执行
• 引入 Reflection 改进结果

关键概念

• Plan-and-Execute
• 任务拆解
• Reflection
• 子目标生成

为什么学习

• 能力地图要求理解 Plan-and-Execute 与 Reflection 并说明适用场景，需能实现对比

如何检验理解

• 能实现 Plan-and-Execute 与 ReAct 对比并给出适用场景结论

核心技能

工具设计与工具集编排

可复用工具设计、参数规范与多工具选择策略

建议预留 60 分钟

学习目标

• 设计工具接口与参数规范
• 优化多工具选择准确率

关键概念

• 工具粒度
• 参数规范
• 工具选择策略

为什么学习

• 工具设计能力是 Agent 工程落地的核心，能力地图要求熟练编排多工具与错误处理

如何检验理解

• 能设计一套可复用工具集并解释工具粒度的取舍

核心技能

幻觉与可靠性控制

幻觉成因、接地、自校验与置信度控制的工程手段

建议预留 60 分钟

学习目标

• 解释幻觉成因
• 设计接地与自校验机制

关键概念

• 幻觉成因
• grounding
• 自校验
• 置信度控制

为什么学习

• 能力地图要求理解幻觉成因并能设计接地与校验机制，侧重机制理解与方案设计

如何检验理解

• 能针对一个 RAG-Agent 设计接地与自校验方案并说明覆盖的风险

核心技能

Agent 应用部署与工程化

服务化、并发、缓存、延迟优化与生产化实践

建议预留 75 分钟

学习目标

• 服务化部署 Agent 应用
• 实现缓存与延迟优化

关键概念

• 服务化
• 并发控制
• 缓存
• 延迟优化

为什么学习

• 目标强调工程落地与分布式调度基础，需能完成服务化与并发缓存实践

如何检验理解

• 能将一个 Agent 应用服务化并实现缓存与并发控制

核心技能

Agent 评估与基准测试

任务成功率、轨迹评估、基准数据集与回归测试流程

建议预留 75 分钟

学习目标

• 构建 Agent 评测集
• 实现轨迹与成功率评测
• 搭建回归测试

关键概念

• 任务成功率
• 轨迹评估
• 基准数据集
• 回归测试

为什么学习

• 能力地图要求构建数据集与自动化评测及回归测试，属平台层基础能力，需可运行

如何检验理解

• 能搭建一套 Agent 回归测试流程并输出成功率与工具调用成功率报告

核心技能

提示注入与 Agent 安全防护

Prompt Injection、越权工具调用、输出过滤等风险与防御

建议预留 60 分钟

学习目标

• 识别注入与越权风险
• 实施输入输出防护与权限隔离

关键概念

• Prompt Injection
• 越权调用
• 输出过滤
• 权限隔离

为什么学习

• 生产落地必备且面试常考权限边界设计，需能识别风险并实施防护措施

如何检验理解

• 能识别一个 Agent 应用的注入风险点并实现至少两项防御措施

核心技能

后端服务与 API 工程

用 FastAPI 构建 Agent 服务，掌握鉴权、并发、缓存与流式接口

建议预留 75 分钟

学习目标

• 构建 Agent 后端服务
• 实现鉴权与流式响应

关键概念

• FastAPI
• SSE 流式
• 鉴权
• 并发
• 缓存

为什么学习

• 能力地图将后端 API 工程列为 required 熟练项，是 Agent 应用对外交付的必需环节

如何检验理解

• 能用 FastAPI 暴露带鉴权与 SSE 流式输出的 Agent 接口

核心技能

Docker 与部署运维

容器化、环境隔离与基础 CI/CD，保证应用可复现部署与迭代

建议预留 60 分钟

学习目标

• 编写 Dockerfile 与编排
• 配置基础 CI/CD

关键概念

• Docker
• 环境隔离
• CI/CD

为什么学习

• 能力地图列为推荐熟练项，要求能独立部署与迭代，需实际操作容器化

如何检验理解

• 能将 Agent 应用容器化并配置一条基础 CI 流程

核心技能

业务理解与场景抽象

把业务问题拆解为 Agent 可解决的子任务，判断技术边界与 ROI

建议预留 60 分钟

学习目标

• 拆解业务问题为 Agent 任务
• 判断方案边界与 ROI

关键概念

• 需求拆解
• 场景抽象
• 技术边界
• ROI 判断

为什么学习

• 能力地图列为推荐熟练项，面试系统设计环节重点考察拆解与边界判断能力

如何检验理解

• 能把一个模糊业务需求拆成 Agent 任务链路并说明不做哪些部分及原因

核心技能

多 Agent 协作系统

角色分工、Agent 间通信、编排与协作模式（AutoGen/LangGraph）

建议预留 75 分钟

学习目标

• 设计多 Agent 角色与通信
• 实现协作编排

关键概念

• 角色分工
• 通信协议
• 任务分发
• 协作模式

为什么学习

• 能力地图将多智能体编排列为推荐且要求熟练，需掌握协作模式与通信协议

如何检验理解

• 能用 AutoGen 或 LangGraph 搭建一个多角色协作任务并说明分工依据

核心技能

完整 Agent 应用实战

综合工具、RAG、记忆、编排、评测与安全构建端到端可面试项目

建议预留 180 分钟

学习目标

• 端到端集成各模块
• 撰写技术方案与项目 README

关键概念

• 端到端集成
• 架构设计
• 技术权衡

为什么学习

• 面试核心是项目陈述与技术权衡，需能把各模块能力迁移到新业务场景并解释设计决策

如何检验理解

• 能交付一个可演示的端到端 Agent 项目并在面试中讲解架构与技术取舍

前置关系与知识联系

• 高级 RAG 与重排序 → 完整 Agent 应用实战
• 结构化输出与 JSON Mode → Function Calling / 工具调用
• Agent 框架与开发工具链 → 工作流编排与状态机
• Agent 框架与开发工具链 → 业务理解与场景抽象
• Docker 与部署运维 → 完整 Agent 应用实战
• Python 工程与异步编程 → 后端服务与 API 工程
• 后端服务与 API 工程 → Docker 与部署运维
• 任务规划与分解 → 多 Agent 协作系统
• LLM API 调用与参数 → Prompt Engineering 与结构化提示
• 向量数据库与检索 → 记忆机制
• Agent 应用部署与工程化 → 完整 Agent 应用实战
• ReAct 范式 → 幻觉与可靠性控制
• ReAct 范式 → 提示注入与 Agent 安全防护
• Agent 核心概念与架构 → 记忆机制
• 向量数据库与检索 → RAG 检索增强生成
• 大语言模型基础原理 → Embedding 与向量表示
• 工作流编排与状态机 → 完整 Agent 应用实战
• Agent 框架与开发工具链 → Agent 应用部署与工程化
• Function Calling / 工具调用 → Agent 核心概念与架构
• ReAct 范式 → Agent 评估与基准测试
• Agent 核心概念与架构 → ReAct 范式
• 技术表达与英文资料阅读 → 完整 Agent 应用实战
• 记忆机制 → 上下文工程
• ReAct 范式 → Agent 框架与开发工具链
• 记忆机制 → 多 Agent 协作系统
• ReAct 范式 → 任务规划与分解
• Embedding 与向量表示 → 向量数据库与检索
• RAG 检索增强生成 → Agent 框架与开发工具链
• Python 工程与异步编程 → LLM API 调用与参数
• Prompt Engineering 与结构化提示 → RAG 检索增强生成
• 后端服务与 API 工程 → Agent 应用部署与工程化
• RAG 检索增强生成 → RAG 评估
• 上下文工程 → 完整 Agent 应用实战
• 大语言模型基础原理 → LLM API 调用与参数
• Embedding 与向量表示 → 文档解析、切分与预处理
• ReAct 范式 → 工具设计与工具集编排
• RAG 检索增强生成 → 高级 RAG 与重排序
• RAG 检索增强生成 → 幻觉与可靠性控制
• 大语言模型基础原理 → 模型微调与适配基础
• 可观测性与调试 → Agent 应用部署与工程化
• Function Calling / 工具调用 → 工具设计与工具集编排
• 提示注入与 Agent 安全防护 → 完整 Agent 应用实战
• Agent 评估与基准测试 → 完整 Agent 应用实战
• 工具设计与工具集编排 → 提示注入与 Agent 安全防护
• 业务理解与场景抽象 → 完整 Agent 应用实战
• 幻觉与可靠性控制 → 完整 Agent 应用实战
• RAG 检索增强生成 → 上下文工程
• RAG 检索增强生成 → 业务理解与场景抽象
• LLM API 调用与参数 → Token 计量与成本控制
• 文档解析、切分与预处理 → RAG 检索增强生成
• Prompt Engineering 与结构化提示 → 结构化输出与 JSON Mode
• Prompt Engineering 与结构化提示 → Agent 核心概念与架构
• Agent 框架与开发工具链 → 可观测性与调试
• 结构化输出与 JSON Mode → 模型微调与适配基础
• RAG 评估 → Agent 评估与基准测试

结合互动地图查看具体关系类型，再选择下一步。