MapFlow

PUBLIC LEARNING ROADMAP

生产级 AI Agent 应用开发完整体系（Python）

Agent 开发主线知识树：Python 基础 → FastAPI 服务层 → LLM 原理与 API → Agent 核心（含 MCP）→ LangChain/LangGraph 深度 → Agent 模式与实战 → ML 基础（了解）→ RAG 深度 → 生产化与毕业项目

74 个知识节点 · intermediate

发布者：Locam

打开互动地图登录后收藏到我的地图
知识目录

Python 基础

异常处理与日志体系

掌握异常层级与 try/except/finally、自定义异常、logging 体系（logger/Handler/格式化），与 JS try/catch 对照。

建议预留 90 分钟

学习目标

  • 能设计合理的异常层级与捕获策略
  • 能用 logging 搭建带格式化的日志

关键概念

  • 异常层级与捕获
  • 自定义异常
  • logging 体系

为什么学习

  • 生产 Agent 服务的可观测性始于日志；NestJS 有成熟的 logger 体系可对照迁移。

如何检验理解

  • 为一个模块设计异常层级并写日志
  • 对比 logging 与 print 在生产中的差异

Python 基础

函数、闭包与装饰器工厂

理解 Python 一等函数与装饰器机制：闭包、*args/**kwargs、装饰器工厂与 functools.wraps。

建议预留 150 分钟

学习目标

  • 能写出一个带参数的装饰器工厂
  • 能解释闭包捕获变量的规则

关键概念

  • 装饰器与装饰器工厂
  • 闭包与函数作用域
  • *args/**kwargs 与 functools.wraps

为什么学习

  • FastAPI 路由、LangChain @tool、LangGraph 节点都重度使用装饰器/高阶函数，不理解它将无法阅读框架源码。

如何检验理解

  • 实现一个计时装饰器工厂并验证效果
  • 解释 functools.wraps 的作用与不用的后果

Python 基础

虚拟环境与工程结构

掌握 Python 项目工程化：uv/venv、pyproject.toml、依赖锁定、包与模块组织，与 Node 的 package.json/npm 对照。

建议预留 90 分钟

学习目标

  • 能初始化一个带虚拟环境与依赖清单的 Python 项目
  • 能组织多文件包结构并正确导入

关键概念

  • uv/venv 与依赖锁定
  • pyproject.toml 与 requirements.txt
  • 包与模块导入

为什么学习

  • 后续所有项目（FastAPI、LangChain）都需要规范的工程结构；对照 Nest 项目结构理解差异。

如何检验理解

  • 用 uv 初始化一个新 Python 项目并安装两个依赖
  • 解释虚拟环境为什么是必需的

Python 基础

asyncio 深入：事件循环与并发原语

掌握 Python 异步模型：async/await、事件循环、Task 层级、并发原语（gather/wait/锁/信号量），与 JS 异步对照。

建议预留 180 分钟

学习目标

  • 能写一个并发拉取多个 HTTP 资源的异步函数并控制并发度
  • 能解释 async 函数与普通函数互调的限制及解法

关键概念

  • async/await 与事件循环
  • asyncio.gather/wait 与信号量
  • 同步阻塞与事件循环饥饿

为什么学习

  • LLM API 调用、流式输出与 FastAPI 全异步栈都以 asyncio 为核心，是后续所有网络章节的前置。

如何检验理解

  • 用 asyncio + 信号量并发完成 10 个 API 请求并测量耗时
  • 解释为什么在 async 函数里用同步 requests 会卡住整个服务

Python 基础

类型系统与数据结构

理解 Python 的动态类型与渐进式类型注解：可变/不可变、鸭子类型、typing 模块核心用法，与 TS 类型系统对照。

建议预留 120 分钟

学习目标

  • 能解释可变与不可变对象的区别及各自陷阱
  • 能写出带类型注解的函数签名并通过 mypy

关键概念

  • 类型注解 typing
  • 可变与不可变
  • None 与 falsy 语义

为什么学习

  • Agent 开发（尤其 LangChain 源码阅读）依赖对 Python 类型系统的准确理解。

如何检验理解

  • 用类型注解写一个处理 JSON 数据的函数并跑 mypy 通过
  • 解释为什么 Python 中默认参数不能是可变对象

Python 基础

迭代器、生成器与 yield

掌握迭代器协议、生成器与 yield/yield from、惰性求值：这是 LLM 流式输出与流式管道的语言级地基。

建议预留 120 分钟

学习目标

  • 能写出一个生成器并解释其惰性求值
  • 能用生成器实现流式数据管道

关键概念

  • 迭代器协议
  • 生成器与 yield
  • 惰性求值与内存收益

为什么学习

  • LLM 流式输出、SSE、LangChain streaming 全部建立在生成器之上，也是 asyncio 异步流的前置。

如何检验理解

  • 用生成器实现一个逐行处理大文件的管道并对比内存占用
  • 解释 yield 与 return 在函数执行上的本质差异

Python 基础

Python 语法快速入门（面向有经验者）

针对已有 JS/TS 经验的学习者，快速建立 Python 语法心智：缩进、内置类型、流程控制与标准库习惯。

建议预留 90 分钟

学习目标

  • 能用 Python 写出与 JS 等价的基础逻辑（循环、条件、dict/list 操作）
  • 能读懂并改写一段中等复杂度的 Python 代码

关键概念

  • 缩进与代码块
  • 内置类型 dict/list/tuple/set
  • 标准库 os/json/pathlib

为什么学习

  • 本节点是全部后续学习的语法地基；学习者已有编程经验，重点在差异而非从零教学。

如何检验理解

  • 把一段 JS 函数改写为等价的 Python 实现并跑通
  • 解释 Python 缩进与 JS 花括号在作用域语义上的区别

FastAPI

Pydantic 模型与输入校验

理解 Pydantic v2 模型：字段校验、类型转换、嵌套模型、Field 约束与自定义验证器。

建议预留 120 分钟

学习目标

  • 能定义带校验规则的嵌套模型
  • 能写自定义验证器处理特殊业务规则

关键概念

  • Pydantic BaseModel
  • 字段约束与 Field
  • 嵌套模型与序列化

为什么学习

  • Agent 的工具契约、结构化输出解析都以 Pydantic 为基石，是本树最常用库之一。

如何检验理解

  • 定义一个带约束的嵌套模型并演示校验失败
  • 解释 FastAPI 请求体为何等于 Pydantic 模型

FastAPI

FastAPI 测试：pytest/TestClient

掌握 FastAPI 测试方法：TestClient、依赖覆盖、异步接口测试、pytest fixture 体系。

建议预留 150 分钟

学习目标

  • 能为接口写单元与集成测试
  • 能用依赖覆盖替换真实依赖进行测试

关键概念

  • pytest 与 fixture
  • TestClient 与依赖覆盖
  • 异步测试

为什么学习

  • Agent 应用评测依赖可靠的测试基础，先建立测试习惯再进入 Agent 阶段。

如何检验理解

  • 为 /items 接口写 3 个测试用例并跑通
  • 用依赖覆盖测试鉴权失败的路径

FastAPI

流式响应与 SSE

掌握在 FastAPI 中实现流式输出：SSE 与 StreamingResponse、异步生成器，这是 LLM 聊天接口的核心形态。

建议预留 150 分钟

学习目标

  • 能实现一个 SSE 流式聊天接口
  • 能解释流式响应与普通 JSON 响应的区别

关键概念

  • SSE 协议
  • StreamingResponse
  • 异步生成器

为什么学习

  • LLM 输出天然是流式的，所有 Agent 服务最终都要面对流式协议。

如何检验理解

  • 实现 /chat/stream 接口并用 curl 观察增量输出
  • 解释为什么流式体验对 LLM 应用至关重要

FastAPI

FastAPI 路由与请求处理

掌握 FastAPI 基础：路径/查询参数、请求体、响应模型、异常处理，与 NestJS 路由对照理解。

建议预留 120 分钟

学习目标

  • 能写一个带路径/查询参数与请求体的 CRUD 接口
  • 能解释 FastAPI 如何自动生成 OpenAPI 文档

关键概念

  • 路径与查询参数
  • 请求/响应模型
  • OpenAPI 自动文档

为什么学习

  • FastAPI 是 Agent 服务对外的 HTTP 载体，其 Pydantic 模型体系与 NestJS DTO 概念同构。

如何检验理解

  • 实现一个 /items CRUD 接口并在 /docs 验证
  • 对照 NestJS 解释 FastAPI 的参数校验方式

FastAPI

依赖注入与中间件

理解 FastAPI 依赖注入系统与中间件机制：Depends、作用域、异常处理，与 NestJS DI 的对照。

建议预留 120 分钟

学习目标

  • 能用 Depends 实现共享依赖（如 DB 连接、当前用户）
  • 能写一个记录请求耗时的中间件

关键概念

  • Depends 与依赖作用域
  • 中间件与异常处理
  • 与 NestJS DI 的对照

为什么学习

  • 依赖注入决定 Agent 服务的扩展方式（模型客户端、存储、鉴权都是可注入依赖）。

如何检验理解

  • 用 Depends 注入一个可复用的鉴权依赖
  • 画图对比 FastAPI 与 NestJS 的 DI 差异

FastAPI

异步状态管理与数据库（了解）

【了解·Nest 可对照】Python 生态的异步存储概览：SQLAlchemy async、Redis、Agent 会话持久化模式；细节在 Nest 项目深入。

建议预留 90 分钟

学习目标

  • 能说出 Python 生态的异步存储方案
  • 能理解 Agent 会话持久化的基本模式

关键概念

  • SQLAlchemy async 概览
  • Redis 与缓存
  • 会话状态持久化模式

为什么学习

  • 通用知识：与 NestJS 的 TypeORM/Redis 实践同构；此节点只需建立选型认知，后端细节不在此深入。

如何检验理解

  • 画图对比 Python 与 NestJS 的存储方案选型
  • 说明 Agent 会话持久化为什么用 thread_id + 数据库

FastAPI

Pydantic v2 深入：validator/泛型/序列化

深入 Pydantic v2：field_validator/model_validator、泛型模型、model_dump/model_validate、序列化与解析全貌。

建议预留 150 分钟

学习目标

  • 能写交叉字段校验的 validator
  • 能用泛型模型复用复杂结构

关键概念

  • field/model_validator
  • 泛型模型 Generic
  • 序列化与解析

为什么学习

  • Agent 工具契约、结构化输出、配置管理都建立在 Pydantic 之上；深挖是阅读 LangChain 源码的基础。

如何检验理解

  • 定义带交叉字段校验的嵌套模型并演示失败路径
  • 用泛型模型处理 API 响应并解析

LLM API

Prompt 工程：可复现与结构化输出

提示工程系统化：指令与角色设计、few-shot、CoT 推理引导、格式约束、输出校验循环与调试方法论。

建议预留 180 分钟

学习目标

  • 能稳定产出结构化输出
  • 能系统调试 prompt 而非盲目修改

关键概念

  • 指令与 few-shot 设计
  • CoT 与推理引导
  • 输出校验与重试循环

为什么学习

  • 提示是 Agent 行为的唯一可编程接口，提示工程质量直接决定 Agent 可用性。

如何检验理解

  • 把同一任务用 3 种 prompt 写法对比输出质量并给出选择
  • 设计一个稳定输出 JSON 的 prompt 与校验机制

LLM API

Prompt 缓存与成本优化

掌握 prompt caching 机制与收益模型：缓存结构要求、命中率优化、与工具裁剪/历史压缩的组合策略。

建议预留 120 分钟

学习目标

  • 能设计提升缓存命中率的 prompt 结构
  • 能估算缓存带来的成本节省

关键概念

  • prompt caching 机制
  • 缓存结构设计
  • 成本估算与优化

为什么学习

  • Agent 每轮循环都消费 token，成本失控是第一生产事故；缓存是最大的成本杠杆。

如何检验理解

  • 设计一个缓存友好的 system prompt 结构并实测命中率
  • 计算一个高频会话启用缓存前后的成本差

LLM API

流式与事件 API

掌握流式响应协议：SSE、SDK 流式事件（message_start/content_block_delta 等）、增量处理与中断。

建议预留 120 分钟

学习目标

  • 能实现流式对话并处理增量事件
  • 能解释流式与一次性响应的差异

关键概念

  • SSE 流式协议
  • SDK 流式事件
  • 增量渲染与中断

为什么学习

  • LLM 输出天然流式；用户体感与长任务体验依赖流式实现。

如何检验理解

  • 用 SDK 流式输出并逐事件打印
  • 解释中断一个流式请求时会发生什么

LLM API

OpenAI 兼容协议与多供应商抽象

理解 OpenAI 兼容协议与供应商抽象：base_url、模型映射、多供应商切换模式。

建议预留 120 分钟

学习目标

  • 能通过 OpenAI 兼容接口调用非 OpenAI 模型
  • 能设计一个供应商抽象层

关键概念

  • OpenAI 兼容协议
  • base_url 与模型映射
  • 供应商抽象

为什么学习

  • 生产环境必然面对多供应商；理解兼容协议避免被单一供应商锁定。

如何检验理解

  • 用兼容协议把同一个调用切到两个不同供应商
  • 列出兼容协议与原生协议的主要差异

LLM API

Token、上下文窗口与计费模型

理解 token 计费模型、上下文预算与成本估算：输入/输出 token 定价、缓存、上下文膨胀控制。

建议预留 120 分钟

学习目标

  • 能估算一个请求的 token 与成本
  • 能设计控制上下文膨胀的策略

关键概念

  • token 计费与定价
  • 上下文预算
  • prompt caching

为什么学习

  • Agent 的每一轮循环都消耗 token，成本失控是 Agent 应用的第一生产事故。

如何检验理解

  • 计算一个典型对话场景的 token 成本并设计压缩策略
  • 解释 prompt caching 的适用场景

LLM API

LLM 原理：Transformer 到生成机制

建立大模型心智模型：token 与自回归生成、Transformer/注意力概览、预训练/指令微调/RLHF 各解决什么问题。

建议预留 150 分钟

学习目标

  • 能解释 token 与自回归生成机制
  • 能解释预训练、指令微调与 RLHF 的作用

关键概念

  • token 与自回归
  • Transformer 与注意力概览
  • 预训练、微调与 RLHF

为什么学习

  • 所有 Agent 行为都是模型能力的投影，先懂模型才能设计可靠的 Agent；这是社区路线的第一步。

如何检验理解

  • 用自己的话解释 LLM 生成一句话的完整机制
  • 解释为什么同样的 prompt 输出不稳定

LLM API

采样与推理参数

掌握推理参数：temperature/top_p/top_k/seed/stop 的作用与调优、结构化解码的底层机制。

建议预留 120 分钟

学习目标

  • 能解释各采样参数对输出的影响
  • 能按任务类型选择合适的参数组合

关键概念

  • 采样策略 temperature/top_p
  • seed 与可复现性
  • 停止条件与结构化约束

为什么学习

  • 生产调优的第一现场；Agent 循环的决策质量直接受采样参数影响。

如何检验理解

  • 同一 prompt 用不同 temperature 对比输出差异并解释原因
  • 为工具调用场景设计参数组合

LLM API

Anthropic Messages API 深度

掌握 Anthropic Messages API 完整形态：角色与消息结构、system prompt、工具定义、stop_reason、多轮历史。

建议预留 180 分钟

学习目标

  • 能用 SDK 完成多轮对话与工具调用
  • 能解释 stop_reason 与消息流的完整生命周期

关键概念

  • Messages API 与角色
  • stop_reason 与流程控制
  • Python SDK 与工具绑定

为什么学习

  • 直接调用官方 SDK 是理解 Agent 循环的最短路径，也是后续框架的底层依赖。

如何检验理解

  • 用 SDK 完成一次带工具调用的完整会话并打印消息流
  • 解释 stop_reason 各取值对应什么场景

Agent 核心

结构化输出与工具契约设计

掌握强制结构化输出：JSON mode、工具约束、Pydantic 输出解析，工具/输出契约的类型设计。

建议预留 150 分钟

学习目标

  • 能强制模型输出符合 schema 的结构化数据
  • 能设计工具/输出的类型契约

关键概念

  • JSON mode 与工具约束
  • Pydantic 输出解析
  • 输出校验与重试

为什么学习

  • 不可靠输出是 Agent 失败主因之一；结构化契约是把 Agent 接入系统的前提。

如何检验理解

  • 让模型输出严格符合 Pydantic schema 并校验
  • 设计重试机制处理解析失败

Agent 核心

Agent 心智模型：workflow vs agent

以 Anthropic《Building Effective Agents》为骨架，建立 workflow 与 agent 的心智模型、5 类 workflow 与选型框架。

建议预留 150 分钟

学习目标

  • 能区分 workflow 与 agent 并给出各自适用场景
  • 能画出 agent 循环的状态图

关键概念

  • workflow vs agent
  • 5 类 workflow 模式
  • agent 循环：模型+工具+观察

为什么学习

  • 这是本树的概念核心，选型比实现更重要；官方推荐先读此篇再学任何框架。

如何检验理解

  • 用自己的话总结 Building Effective Agents 的 5 类 workflow
  • 给一个真实任务判断该用 workflow 还是 agent

Agent 核心

MCP 协议：架构与概念

理解 Model Context Protocol：动机、客户端-服务器架构、三类原语（工具/资源/提示）、传输与认证。

建议预留 150 分钟

学习目标

  • 能解释 MCP 解决什么问题
  • 能区分工具/资源/提示三类原语

关键概念

  • MCP 架构与动机
  • 工具/资源/提示原语
  • 客户端-服务器与传输

为什么学习

  • MCP 是 2026 年 Agent 生态的核心协议，官方课程与社区路线均独立成模块。

如何检验理解

  • 画图解释 MCP 客户端-服务器交互
  • 对比 MCP 工具与原生 function calling 的取舍

Agent 核心

MCP 实战：自建 MCP Server

用 MCP Python SDK 实现 Server：工具注册、参数 schema、资源暴露、与客户端连接调试。

建议预留 180 分钟

学习目标

  • 能实现一个可用的 MCP Server
  • 能从客户端调用自建工具

关键概念

  • MCP Python SDK
  • 工具与资源实现
  • 本地与远程连接

为什么学习

  • 生产 Agent 的工具生态正在向 MCP 迁移，动手实现是掌握协议的最佳路径。

如何检验理解

  • 实现一个含 2 个工具的 MCP Server 并接入客户端调用
  • 给工具加输入校验与错误处理

Agent 核心

工具调用协议深度

深入理解工具调用协议：工具定义 schema、tool_use/tool_result 消息往返、多工具并行、失败与异常处理。

建议预留 180 分钟

学习目标

  • 能实现从工具定义到结果回填的完整调用链
  • 能处理工具调用失败与异常输入

关键概念

  • 工具定义 schema
  • tool_use 与 tool_result 往返
  • 并行工具调用与失败处理

为什么学习

  • 工具调用是 Agent 与外部世界交互的唯一通道，所有框架都建立在这条协议之上。

如何检验理解

  • 裸 SDK 实现一次完整工具调用链（不经框架）
  • 设计一个工具并演示异常输入的处理

Agent 核心

手写 Agent 循环与终止保护

手写最小 Agent 循环：模型决策 → 执行工具 → 观察结果 → 再次决策；循环终止条件与最大步数保护。

建议预留 180 分钟

学习目标

  • 能手写一个最小 Agent 循环并跑通真实任务
  • 能设计循环终止与最大轮数保护

关键概念

  • 循环结构与终止条件
  • 最大步数与超时保护
  • 观察回填

为什么学习

  • 框架只是把这条循环工程化；手写一遍才能真正理解 LangGraph 在做什么。

如何检验理解

  • 手写 30 行以内的 agent 循环完成一个真实任务
  • 解释循环为什么必须有终止保护

Agent 核心

Agent 安全：注入与权限边界

理解 prompt injection、工具滥用与不可信内容：隔离策略、权限最小化、输出处理与审计。

建议预留 150 分钟

学习目标

  • 能识别并防御常见注入攻击
  • 能设计工具执行的权限边界

关键概念

  • prompt injection
  • 工具权限最小化
  • 不可信内容隔离

为什么学习

  • Agent 会执行工具，安全边界从第一天就要建立，不能等上线后补救。

如何检验理解

  • 演示一个注入攻击并给出防御方案
  • 给工具设计权限清单并解释每项的理由

LangChain

Tools 与 Toolkits 深度

掌握 @tool 装饰器体系：参数校验、异步工具、错误处理策略、ToolNode 与工具生命周期。

建议预留 180 分钟

学习目标

  • 能写带复杂参数校验与错误处理的工具
  • 能组合多个工具成 Toolkits 并在 Agent 中使用

关键概念

  • @tool 与参数 schema
  • 异步工具与超时
  • 工具错误处理与重试

为什么学习

  • 工具质量直接决定 Agent 能力边界，官方文档与社区都强调工具是 Agent 应用的核心资产。

如何检验理解

  • 实现 3 个生产级工具（含校验、重试、日志）
  • 用一个 Agent 组合调用多个工具完成任务

LangChain

create_agent 与生产配置

使用 LangChain 高层 Agent 构造器：create_agent/create_react_agent，理解其内部如何组合 LCEL、工具与记忆。

建议预留 180 分钟

学习目标

  • 能用 create_agent 快速构造可用 Agent
  • 能读懂其生成的内部结构与执行流程

关键概念

  • create_agent API
  • 内部组件组合
  • 生产参数调优

为什么学习

  • 高层 API 是脚手架，读懂内部结构才是深度所在；两者都掌握才算会用。

如何检验理解

  • 用 create_agent 构造工具型 Agent 并演示完整流程
  • 剖析其内部执行链并解释每层职责

LangChain

Runnable 高级：并行、批处理与回退

掌握 Runnable 的并发原语：RunnableParallel、RunnableMap、RunnableLambda 与重试/回退机制。

建议预留 180 分钟

学习目标

  • 能用 RunnableParallel 并行调用多个模型或检索器
  • 能配置 fallback 链保证服务可用性

关键概念

  • RunnableParallel 并行
  • RunnableLambda 适配
  • 重试与 fallback

为什么学习

  • 生产 Agent 的延迟与可用性优化全部依赖这些原语，浅尝辄止无法写出稳定应用。

如何检验理解

  • 实现并行『摘要+关键词』双路调用并合并结果
  • 配置带 fallback 的模型调用链

LangChain

Prompt Templates 深入

掌握提示模板工程：ChatPromptTemplate、MessagePlaceholder、部分填充、模板版本化与提示管理。

建议预留 150 分钟

学习目标

  • 能用 MessagePlaceholder 构造动态工具历史
  • 能设计可版本化的提示模板体系

关键概念

  • ChatPromptTemplate 与占位符
  • 提示版本管理与回滚
  • 模板与函数组合

为什么学习

  • 提示是 Agent 的灵魂，社区实践强调模板必须可版本化、可测试，与代码同生命周期。

如何检验理解

  • 实现带会话历史占位的提示模板
  • 为提示模板写单元测试并演示回滚场景

LangChain

输出解析与 with_structured_output

掌握结构化输出：PydanticOutputParser、with_structured_output、JSON 修复（输出修复器）与类型保障。

建议预留 180 分钟

学习目标

  • 能让模型稳定输出 Pydantic 校验通过的对象
  • 能处理模型输出格式错误的恢复流程

关键概念

  • with_structured_output
  • 输出修复与重试
  • JSON Schema 与 Pydantic

为什么学习

  • Agent 与外部系统（工具、数据库、前端）的接口全部依赖结构化输出，是生产级的硬要求。

如何检验理解

  • 实现模型→Pydantic 模型的强制结构化输出
  • 演示一次格式错误后的自动修复流程

LangChain

Memory 体系：会话记忆

理解对话记忆机制：消息历史、摘要压缩、长期向量记忆与记忆的持久化边界（与 Chat History 存储分离）。

建议预留 120 分钟

学习目标

  • 能设计会话记忆的存取与清理策略
  • 能区分短期上下文与长期记忆的存储选择

关键概念

  • 消息历史管理
  • 摘要与压缩策略
  • 向量记忆与持久化

为什么学习

  • 记忆是 Agent 体验的关键，但滥用会导致上下文爆炸与成本失控，需要明确边界。

如何检验理解

  • 实现带摘要压缩的多轮记忆会话
  • 分析长对话下记忆方案的取舍并给出方案

LangChain

Model Routing 与多模型编排

理解多模型路由：按任务/成本/延迟选择模型、模型降级策略与 LangChain 的模型路由能力。

建议预留 120 分钟

学习目标

  • 能设计按任务类型路由模型的策略
  • 能解释模型降级对可用性的意义

关键概念

  • 模型路由策略
  • 成本与延迟权衡
  • 降级与容错

为什么学习

  • 生产应用必然面临多模型编排与降级问题，这是 190 小时主线中衔接『工程化』的一环。

如何检验理解

  • 设计一个任务→模型路由表并论证选择
  • 实现简单降级链并测试故障切换

LangChain

LangChain 架构与组件分层

理解 LangChain 的整体架构：Model I/O、Retrieval、Memory、Agent、Callbacks 五大模块的职责与协作。

建议预留 150 分钟

学习目标

  • 能画出 LangChain 六大核心组件的协作图
  • 能说出每个组件解决的具体问题

关键概念

  • 模型 I/O 层
  • 检索层与记忆层
  • 回调与可观测性

为什么学习

  • LangChain 是 2026 年 Agent 应用最主流的框架，理解其分层才能读懂生态文档与生产事故排查。

如何检验理解

  • 画组件分层图并标注数据流向
  • 对比 LangChain 各层与 FastAPI 中间件/路由的职责划分

LangChain

Chat Models 深入：消息角色与绑定工具

深入 Chat Models 接口：消息角色语义（system/user/assistant/tool）、bind_tools、多模型切换与供应商差异。

建议预留 180 分钟

学习目标

  • 能构造多角色对话消息并解释工具调用消息流
  • 能在同一接口下切换不同供应商模型

关键概念

  • 消息角色与对话状态
  • bind_tools 工具绑定
  • 模型供应商适配层

为什么学习

  • 工具调用消息流是 Agent 循环的基础，角色语义理解错误会导致最隐蔽的 bug。

如何检验理解

  • 实现带工具回调的多轮对话并观察消息历史
  • 对比两个供应商模型在同一接口下的行为差异

LangChain

LCEL 与 Runnable 协议

掌握 LCEL 声明式组合与 Runnable 协议：invoke/batch/stream、管道运算符、异步变体、与旧版 Chain 的本质区别。

建议预留 180 分钟

学习目标

  • 能写出一个可运行、可流式、可批处理的 LCEL 管道
  • 能解释 LCEL 与函数式调用在设计上的区别

关键概念

  • Runnable 协议与 invoke/batch/stream
  • 管道组合与重试
  • 流式与异步接口

为什么学习

  • LCEL 是 LangChain v1 的架构核心，社区路线普遍认为这是 LangChain 最值得深挖的部分。

如何检验理解

  • 用 LCEL 组合『检索→提示→模型→解析』管道并流式输出
  • 给管道加错误重试与超时配置

LangGraph

Subgraph：子图与图组合

理解子图机制：把复杂图拆成可复用子图、父子图状态映射、跨图共享 checkpoint。

建议预留 150 分钟

学习目标

  • 能把大图拆分为带清晰接口的子图
  • 能解释子图间状态映射规则

关键概念

  • 子图定义与嵌套
  • 父子状态映射
  • 子图复用与测试

为什么学习

  • 复杂 Agent 必然需要模块化，子图是 LangGraph 的工程化核心，社区路线明确列为深挖点。

如何检验理解

  • 把 ReAct 循环封装为子图并在两个父图中复用
  • 绘制父子图的状态流图

LangGraph

interrupt：人机交互断点

掌握 interrupt 机制：让图在关键步骤暂停等待人工确认（审批、纠错、敏感操作确认）。

建议预留 120 分钟

学习目标

  • 能实现人工审批节点并恢复执行
  • 能区分 interrupt 与普通等待的区别

关键概念

  • interrupt 与恢复
  • 人工审批流程
  • 敏感操作确认

为什么学习

  • Agent 不能完全无人值守，人工介入点是生产部署的必备能力（如转账审批）。

如何检验理解

  • 实现一个需要人工确认后才能继续的工具调用
  • 演示中断后恢复执行的全过程

LangGraph

多 Agent 编排

理解多 Agent 编排模式：主管-工人、网状协作、队列任务分发与共享状态设计。

建议预留 150 分钟

学习目标

  • 能实现主管-工人多 Agent 架构
  • 能设计多 Agent 间的任务划分与状态共享

关键概念

  • 主管-工人模式
  • 多 Agent 状态共享
  • 任务分发与合并

为什么学习

  • 复杂任务必然拆分为多 Agent 协作，官方文档有完整设计模式章节。

如何检验理解

  • 实现『主管调度+两个工人 Agent』的协作系统
  • 画出任务分发与结果合并的数据流

LangGraph

流式事件与逐步调试

掌握 astream_events/astream 系列 API：观察节点级事件流、调试图执行、流式输出给前端。

建议预留 120 分钟

学习目标

  • 能流式接收节点级事件并转发给前端
  • 能用事件流定位执行顺序问题

关键概念

  • astream_events 事件流
  • 节点级调试
  • 前后端流式对接

为什么学习

  • 生产 Agent 的前端体验与排障全部依赖事件流，这是从玩具到产品的分水岭。

如何检验理解

  • 把图的事件流转发给前端实现打字机效果
  • 用事件流排查一次节点执行顺序异常

LangGraph

节点、边与条件路由

掌握图的连接方式：普通边、条件边、START/END 节点、路由函数与循环控制的正确姿势。

建议预留 180 分钟

学习目标

  • 能实现条件路由实现『工具→结果→决策』循环
  • 能设计避免死循环的终止条件

关键概念

  • 普通边与条件边
  • 路由函数与决策逻辑
  • 循环与终止控制

为什么学习

  • Agent 的本质是有环图，条件路由是让图『活』起来的关键机制。

如何检验理解

  • 实现一个带工具循环的 ReAct 风格图
  • 给图加循环上限与异常分支

LangGraph

Time Travel：时间旅行调试

理解基于 checkpoint 的时间旅行：回滚到任意历史状态、分叉调试与状态回溯。

建议预留 90 分钟

学习目标

  • 能回滚到历史节点并重放
  • 能利用分叉机制调试 Agent 决策

关键概念

  • 状态回溯与回滚
  • 分叉调试
  • checkpoint 版本管理

为什么学习

  • 时间旅行是 LangGraph 独有的调试利器，能大幅降低 Agent 行为调试成本。

如何检验理解

  • 演示一次完整的时间旅行调试过程
  • 解释分叉状态在审计中的意义

LangGraph

Checkpoint：状态持久化

理解 Checkpointer 机制：状态快照、线程（thread_id）、断点恢复与持久化后端选择。

建议预留 120 分钟

学习目标

  • 能用 thread_id 实现会话级状态隔离
  • 能解释 checkpoint 与数据库存状态的取舍

关键概念

  • checkpointer 与线程
  • 状态快照与恢复
  • 持久化后端

为什么学习

  • 生产 Agent 必须支持恢复与审计，checkpoint 是 LangGraph 区别于其他编排框架的核心特性。

如何检验理解

  • 实现多线程会话各自独立的对话状态
  • 模拟进程重启后从 checkpoint 恢复对话

LangGraph

LangGraph 入门：StateGraph 与状态

理解 LangGraph 核心概念：状态定义（State）、节点函数、图的构建与编译、与 LCEL 管道的区别。

建议预留 150 分钟

学习目标

  • 能定义带 TypedDict 状态的图并运行
  • 能解释状态在节点间的传递方式

关键概念

  • StateGraph 与 TypedDict 状态
  • 节点函数契约
  • 图编译与执行

为什么学习

  • LangGraph 是 2026 年构建生产级 Agent 的主流底层框架，官方教程已将其作为默认 Agent 构建方式。

如何检验理解

  • 实现一个 3 节点的状态图并打印每步状态
  • 对比 LangGraph 图与 LCEL 管道的适用场景

Agent 综合实战

Agent 综合实战（一）：工具型 Agent 应用

综合运用 LangGraph + MCP + 结构化输出，构建一个完成真实业务任务（如智能客服/数据查询）的工具型 Agent。

建议预留 420 分钟

学习目标

  • 交付一个可演示的完整 Agent 应用
  • 具备工具调用、记忆、人工介入、流式输出全部能力

关键概念

  • 完整 Agent 应用架构
  • 工具集成与记忆
  • 生产级打磨

为什么学习

  • 所有深度理解都要在综合实战中落地，本节点是主线的第一个大型交付物。

如何检验理解

  • 交付含 5+ 工具、记忆、流式输出的完整应用
  • 编写项目 README 与架构说明

Agent 模式

多 Agent 协作深入：编排模式对比

对比多 Agent 工作流五大模式：路由、并行化、编排者-工作者、评估者-优化者、自主协作的选型与代价。

建议预留 150 分钟

学习目标

  • 能根据任务特征选择多 Agent 模式
  • 能说清每个模式的适用边界

关键概念

  • 五大协作模式
  • 模式选型与代价
  • 自主协作的失控风险

为什么学习

  • Anthropic 官方《Building Effective Agents》明确强调『简单优先』，模式选型是高级决策能力。

如何检验理解

  • 为 3 个具体任务做模式选型并论证
  • 分析自主多 Agent 协作的失控风险与缓解

Agent 模式

ReAct 模式深入

深入 ReAct（Reason+Act）模式：思考-行动-观察循环的完整闭环、何时需要循环、何时停止。

建议预留 180 分钟

学习目标

  • 能手工实现 ReAct 循环并解释每一步
  • 能设计循环终止与防死循环策略

关键概念

  • Reason+Act 循环
  • 思考-行动-观察闭环
  • 终止条件设计

为什么学习

  • ReAct 是所有工具型 Agent 的理论基础，官方教程与论文都把它作为第一课。

如何检验理解

  • 不依赖框架手写一个 ReAct 循环
  • 对比手写循环与 LangGraph 实现的异同

Agent 模式

Planning 规划模式

理解规划模式：任务分解（plan-then-execute）、规划器-执行器分离与规划失败时的重新规划。

建议预留 150 分钟

学习目标

  • 能实现 plan-then-execute 架构
  • 能处理规划执行中的偏差与重新规划

关键概念

  • plan-then-execute
  • 任务分解与执行
  • 重规划策略

为什么学习

  • 复杂任务的可靠完成依赖规划，Anthropic 官方教程将其列为多智能体工作流核心模式。

如何检验理解

  • 实现『规划器→执行器』并处理一次执行失败后的重规划
  • 对比规划模式与直接 ReAct 的适用场景

Agent 模式

Reflection 反思模式

理解反思模式：生成→自我批评→改进的迭代循环、Critique 设计方法与质量提升的边界。

建议预留 150 分钟

学习目标

  • 能实现生成-批评-改进循环
  • 能设计有效的批评提示

关键概念

  • 生成-批评-改进循环
  • critique 设计
  • 质量边界与成本

为什么学习

  • 反思是提升输出质量的通用手段，社区共识认为成本与收益需要明确边界。

如何检验理解

  • 对一次代码生成任务应用反思循环并对比前后质量
  • 评估反思循环的成本收益

Agent 综合实战

实战复盘：架构评审与迭代

复盘实战一：架构决策评审、性能与成本分析、失败案例整理、明确下一实战的改进点。

建议预留 180 分钟

学习目标

  • 能对自己的架构做批判性评审
  • 能整理出可复用的模式与教训

关键概念

  • 架构评审方法
  • 成本与性能复盘
  • 经验沉淀

为什么学习

  • 复盘是深度学习的放大器，社区大佬的学习路线普遍强调『做完必须复盘』。

如何检验理解

  • 输出一份架构评审报告
  • 列出下一实战的 5 个改进点

ML 基础

机器学习基础概念（了解）

了解 ML 基础术语：模型、训练/推理、过拟合、损失函数、监督/无监督/强化学习的边界。

建议预留 120 分钟

学习目标

  • 能看懂 LLM 论文与文档中的 ML 术语
  • 能说清训练与推理的区别

关键概念

  • 训练与推理
  • 过拟合与损失函数
  • 监督/无监督/RL 边界

为什么学习

  • 本节点只建认知不深入——Nest 后端经验里的『模型=API』心智在此补全，为理解采样、微调与评测打底。

如何检验理解

  • 用自己的话解释训练与推理的区别
  • 给 3 个术语写一句话定义（训练/过拟合/损失）

ML 基础

模型微调概览（了解）

了解微调（Fine-tuning）的动机、流程与代价：为什么先提示工程后微调、RAG 与微调的分工。

建议预留 90 分钟

学习目标

  • 能说清微调与提示工程的适用边界
  • 能评估一个场景是否需要微调

关键概念

  • 微调流程与数据
  • 与提示工程/RAG 的分工
  • 成本与维护代价

为什么学习

  • 生产决策常涉及『要不要微调』，了解边界即可，深入微调属于后续主线。

如何检验理解

  • 为一个场景论证『应微调还是用 RAG/提示』
  • 列出微调的三大成本

ML 基础

向量与嵌入（了解）

了解嵌入（Embedding）的概念：文本如何变成向量、语义相似度计算、维度与模型选型的直觉。

建议预留 120 分钟

学习目标

  • 能解释嵌入在高维空间中的语义表示
  • 能说出相似度计算的直觉原理

关键概念

  • 嵌入与语义空间
  • 余弦相似度
  • 嵌入模型选型

为什么学习

  • 嵌入是 RAG 与向量记忆的基石，只要求建立直觉不要求推导数学。

如何检验理解

  • 用两个相似句子的向量演示语义相近
  • 解释为什么嵌入比词频更能代表语义

RAG

文档解析与分块策略

掌握文档解析与分块：Markdown/PDF 解析器选择、按标题/语义/固定长度的分块策略与元数据保留。

建议预留 180 分钟

学习目标

  • 能针对不同文档类型选择解析与分块方案
  • 能论证分块大小对检索质量的影响

关键概念

  • 文档解析器
  • 分块策略与元数据
  • 分块质量评估

为什么学习

  • 分块质量直接决定检索质量，是 RAG 中最容易被忽视却最影响效果的工程环节。

如何检验理解

  • 对同一文档用 3 种分块策略检索对比质量
  • 实现保留标题层级的分块

RAG

Prompt 组装与引用溯源

掌握生成侧工程：上下文组装、引用标注、『不知道就说不知道』的拒答设计与人机可验证性。

建议预留 150 分钟

学习目标

  • 能实现带引用标注的回答
  • 能设计拒绝回答与来源冲突处理

关键概念

  • 上下文组装与截断
  • 引用溯源
  • 拒答设计

为什么学习

  • RAG 的回答必须可溯源，这是生产产品与 Demo 的核心区别，也直接关系可信度。

如何检验理解

  • 实现带引用标注的问答应用
  • 设计来源冲突时的处理策略

RAG

Embedding 与向量数据库

掌握向量检索实践：嵌入模型选型、向量数据库（Chroma/Qdrant）接入、索引参数与过滤条件。

建议预留 180 分钟

学习目标

  • 能完成文档入库与相似度检索全流程
  • 能结合元数据过滤做精确检索

关键概念

  • 向量库接入
  • 索引与搜索参数
  • 元数据过滤

为什么学习

  • 向量库是 RAG 的存储核心，选型与参数直接影响检索质量与成本。

如何检验理解

  • 用向量库实现含元数据过滤的检索服务
  • 对比不同距离度量的检索结果差异

RAG

混合检索与重排序

掌握混合检索（关键词+向量）与重排序（RRF 融合、cross-encoder reranker）的完整链路。

建议预留 180 分钟

学习目标

  • 能实现混合检索与结果融合
  • 能接入 reranker 并评估质量提升

关键概念

  • 混合检索与 RRF
  • cross-encoder reranker
  • 检索质量评估

为什么学习

  • 社区共识：纯向量检索难以满足生产质量，混合检索+重排是 2026 年的标准配置。

如何检验理解

  • 实现混合检索并量化对比纯向量检索
  • 接入 reranker 前后做一次质量对比

RAG

RAG 评估与 RAGAS

掌握 RAG 评估体系：RAGAS 指标（忠实度/相关性/上下文精度/召回）、评估集构建与回归测试。

建议预留 180 分钟

学习目标

  • 能用 RAGAS 对 RAG 系统打分
  • 能构建评估集并建立回归机制

关键概念

  • RAGAS 四大指标
  • 评估集构建
  • 评估自动化

为什么学习

  • 没有评估就没有优化依据，社区路线明确把 RAG 评估列为深挖点，是工程师与玩具开发者的分界。

如何检验理解

  • 用 RAGAS 评估自己的 RAG 系统并给出优化点
  • 构建 20 条评估集并跑回归

RAG

查询改写与多查询检索

理解查询侧优化：查询改写（Rewrite）、多查询分解（Multi-Query）、HyDE 与查询意图理解。

建议预留 120 分钟

学习目标

  • 能实现查询改写与多查询扩展
  • 能评估查询优化带来的收益

关键概念

  • 查询改写
  • 多查询分解
  • HyDE 与意图理解

为什么学习

  • 用户查询与文档语言差异是检索失配的主因，查询侧优化是低成本高收益的杠杆。

如何检验理解

  • 实现改写+多查询并对比单查询检索质量
  • 分析一次失配检索的根因

RAG

Agentic RAG：检索进入 Agent 循环

理解 Agentic RAG：LLM 自主决定检索时机、检索工具化、多轮检索与自反思式检索（Self-RAG 思路）。

建议预留 150 分钟

学习目标

  • 能把检索封装为工具并接入 Agent 循环
  • 能设计『先查再答』的自主决策流程

关键概念

  • 检索工具化
  • 自主检索决策
  • Self-RAG 思路

为什么学习

  • 固定流程 RAG 无法应对复杂问题，Agentic RAG 是 2026 年社区公认的进阶方向。

如何检验理解

  • 实现检索工具接入 LangGraph 的 Agent
  • 对比固定流程与自主检索的问答质量

RAG

RAG 综合实战：知识问答 Agent

综合运用 RAG 全链路（解析→分块→混合检索→重排→生成→溯源）+ RAGAS 评估，构建文档问答 Agent。

建议预留 420 分钟

学习目标

  • 交付带评估报告的完整 RAG 问答系统
  • 具备混合检索、溯源、拒答全部能力

关键概念

  • 全链路集成
  • 评估与迭代闭环
  • 工程化打磨

为什么学习

  • 主线的第二个大型交付物，要求『先评估后优化』的工程闭环。

如何检验理解

  • 交付完整 RAG 问答应用+评估报告
  • 附 3 轮迭代的指标变化记录

RAG

RAG 架构与完整流程

理解 RAG 全流程：索引（解析→分块→嵌入→入库）与检索（查询→召回→重排→生成），以及各环节的失效风险。

建议预留 120 分钟

学习目标

  • 能画出 RAG 完整架构图
  • 能指出每个环节可能失效的位置

关键概念

  • 索引流水线
  • 检索-生成闭环
  • 失效风险分布

为什么学习

  • RAG 是知识型 Agent 应用的事实标准，官方课程与社区路线均独立成章且标注为深挖重点。

如何检验理解

  • 画 RAG 全流程图并标注每环节风险
  • 分析一个真实 RAG 产品的环节缺陷

RAG

RAG 失败模式与调优

掌握 RAG 的典型失败模式：召回不全、上下文冲突、幻觉残留、时序错乱，以及对应的调优手段。

建议预留 120 分钟

学习目标

  • 能诊断 RAG 失败并定位环节
  • 能给出针对性的调优方案

关键概念

  • 失败模式分类
  • 逐环节调优
  • 效果验证方法

为什么学习

  • 生产 RAG 问题大多可归因于少数已知模式，学会系统诊断比堆功能更有价值。

如何检验理解

  • 为 3 个失败案例做诊断并给出调优方案
  • 总结自己的 RAG 调优检查清单

生产化

性能优化与成本治理

掌握 LLM 应用性能与成本：缓存（语义缓存/前缀缓存）、批处理、模型分级与用量治理。

建议预留 120 分钟

学习目标

  • 能设计缓存与批处理优化方案
  • 能建立成本治理机制

关键概念

  • 语义与前缀缓存
  • 批处理与并发
  • 成本治理与配额

为什么学习

  • LLM 应用的边际成本显著，成本治理是生产应用能否持续运营的关键。

如何检验理解

  • 为已有应用设计缓存与分级方案
  • 制定月度成本预算与超支告警

生产化

可观测性与日志追踪

理解 Agent 应用的可观测性：Token 用量与成本日志、LangSmith 类追踪、请求链路与异常监控。

建议预留 120 分钟

学习目标

  • 能追踪一次 Agent 调用的完整链路
  • 能设计成本与用量监控面板

关键概念

  • 链路追踪（LangSmith 等）
  • 成本与用量监控
  • 异常与告警

为什么学习

  • Agent 应用是异步多跳系统，没有可观测性就无法定位问题，与 NestJS 日志体系思路相通。

如何检验理解

  • 接入追踪工具查看一次调用的完整链路
  • 设计成本告警规则

生产化

评测工程化：离线与在线评估

掌握评测体系工程化：评估集管理、回归流水线、Golden Set、在线 A/B 与上线门槛。

建议预留 150 分钟

学习目标

  • 能搭建自动化评测流水线
  • 能制定上线质量门槛

关键概念

  • 回归流水线与 Golden Set
  • 在线 A/B 评估
  • 上线门槛设计

为什么学习

  • 从『能跑』到『能上线』的分界是评测体系，这是生产级工程师的必备能力。

如何检验理解

  • 为已有应用搭建评测回归流水线
  • 制定一份上线检查清单

生产化

生产安全与合规（了解）

了解 AI 应用的安全与合规基线：数据脱敏、日志隐私、内容过滤与合规红线（与后端安全课的对照）。

建议预留 90 分钟

学习目标

  • 能识别常见隐私与合规风险
  • 能说出安全基线清单

关键概念

  • 数据脱敏与隐私
  • 内容安全过滤
  • 合规红线

为什么学习

  • 安全要求已在 Agent 安全节点与 NestJS 课程覆盖细节，这里聚焦部署侧基线。

如何检验理解

  • 为应用做一次安全基线检查并输出清单
  • 列出 5 条合规红线

生产化

生产部署（了解）

了解生产部署要点：Docker 化、FastAPI 部署、并发与长连接、限流与扩容的基本思路。

建议预留 120 分钟

学习目标

  • 能理解部署拓扑并完成基础容器化
  • 能说出限流与扩容的基本策略

关键概念

  • 容器化与部署
  • 限流与扩容
  • 与 NestJS 部署的对照

为什么学习

  • 部署细节在 NestJS 项目深入，本节点建立 Python 侧的部署对照认知即可。

如何检验理解

  • 完成应用的 Docker 化并本地跑通
  • 对照 NestJS 部署列出异同表

毕业项目

项目复盘与毕业评估

系统复盘整个学习路径：各节点知识在毕业项目中的落点、薄弱环节识别、后续学习路线规划。

建议预留 180 分钟

学习目标

  • 能评估自己各领域的真实掌握程度
  • 能制定下一阶段学习计划

关键概念

  • 知识落点复盘
  • 薄弱环节识别
  • 后续路线规划

为什么学习

  • 复盘是主线收尾：把 74 个节点映射到项目中的实际落点，形成下一阶段路线。

如何检验理解

  • 输出学习复盘报告
  • 制定下一阶段 4 周学习计划

生产化

LLM 应用安全加固

综合应用安全实践：输入净化、输出审核、工具白名单、敏感操作二次确认与审计日志。

建议预留 120 分钟

学习目标

  • 能为 Agent 应用做端到端安全加固
  • 能设计安全测试方案

关键概念

  • 输入净化与输出审核
  • 工具白名单与二次确认
  • 审计与追溯

为什么学习

  • 把安全节点学到的原理落实为完整的生产加固方案，是交付前的必做项。

如何检验理解

  • 为实战应用做安全加固并演示攻击失败
  • 输出安全加固文档

毕业项目

毕业项目：成熟 AI Agent 应用

独立完成毕业项目：综合 Agent 核心 + MCP + LangGraph + RAG + 评测 + 生产化，交付一个成熟的 AI 应用。

建议预留 600 分钟

学习目标

  • 交付完整可部署的应用与文档
  • 具备评估报告与安全加固
  • 架构决策有依据

关键概念

  • 端到端产品设计
  • 全部技术栈综合运用
  • 工程文档与交付

为什么学习

  • 毕业项目是 2 个月主线的验收物：能用全部所学独立交付一个成熟 AI Agent 应用。

如何检验理解

  • 交付完整项目（代码+文档+评估报告+部署方案）
  • 做一次 15 分钟项目答辩演示

前置关系与知识联系

结合互动地图查看具体关系类型，再选择下一步。