adongwanai

AgentGuide

# AgentGuide [](https://free.picui.cn/free/2025/12/02/692eadf2be3ac.png) <div align="center"> <img src="https://img.shields.io/badge/Agent-%E5%BC%80%E5%8F%91%E6%8C%87%E5%8D%97-blue.svg?style=for-the-badge" alt="Agent开发指南"> <img src="https://img.shields.io/badge/%E9%9D%A2%E8%AF%95-%E6%B1%82%E8%81%8C%E5%AF%BC%E5%90%91-green.svg?style=for-the-badge" alt="求职导向"> <img src="https://img.shields.io/badge/%E9%A1%B9%E7%9B%AE-%E5%AE%8C%E5%85%A8%E5%BC%80%E6%BA%90-orange.svg?style=for-the-badge" alt="完全开源"> <br/> <a href="https://github.com/adongwanai/AgentGuide"> <img src="https://img.shields.io/github/stars/adongwanai/AgentGuide.svg?style=for-the-badge&logo=github&label=Stars" alt="GitHub stars"> </a> <a href="https://github.com/adongwanai/AgentGuide/network/members"> <img src="https://img.shields.io/badge/Forks-527-orange.svg?style=for-the-badge&logo=github" alt="GitHub forks"> </a> <br/> <h2>🔥 AI Agent 开发 × 面试求职 = 一站式解决方案</h2> <p> <strong>对标 JavaGuide 的 AI Agent 学习指南</strong><br/> <strong>从入门到拿 Offer，系统化 + 实战化 + 求职导向</strong> </p> </div> --- ## 💡 核心理念 > **📌 本项目定位：资源整合 + 系统化路径 + 实战导向** > > 🎯 **我们的原则**： > - ✅ **站在巨人的肩膀上** - 互联网已有的优质资源（课程、教程、论文），我们直接引用，不重复造轮子 > - ✅ **只分享干货** - （坚持更新中，欢迎催更） > - ✅ **提供系统化路径** - 将碎片化资源串联成完整学习路线，告诉你先学什么、再学什么 > - ✅ **求职导向** - 每个知识点都标注"面试怎么考"、"简历怎么写" > > 💪 **AgentGuide 的独特价值**：不是简单的资源堆砌，而是**系统化 + 求职导向 + 实战验证**的完整解决方案！ ## 📑 目录 **🎯 核心内容**： - [💡 关于本项目](#-关于本项目) - Agent开发指南、转行大模型、高级RAG、大模型面试 - [🆕 求职新范式](#-求职新范式做出什么--学过什么) - 1-2-5框架、个人品牌、投递策略 - [🧭 Agent 求职通关 Todo List](#-agent-求职通关-todo-list新增) - 当前优先级、8阶段学习产出、项目落地5步法 - [🚦 6步学习路径](#-从零到offer的完整路径快速导航) - 从岗位选择到拿Offer - [🔬 算法岗 vs 🛠️ 开发岗](#-第一步确定你的目标岗位) - 岗位选择决策树 - [📚 学习路线图](#-第三步基于岗位的学习路线) - 算法岗10-15周 | 开发岗8-12周 - [💼 实战项目](#-第四步完成实战项目可写进简历) - 开源优质项目合集+N X Agent项目 - [📖 技术教程](#-第五步系统学习-agent-技术技术准备) - LangGraph、RAG、上下文工程、监督微调、强化学习 - [🎯 面试题库](#-第六步面试准备与-offer-冲刺) - 1000+题、系统设计、编程题 **🛠️ 快速导航**： - [🚀 10分钟快速开始](#-快速开始) | [💬 加入学习社群](#-联系作者--加入社群) | [❓ 常见问题](./FAQ.md) - [🧭 新手快速开始](./docs/00-getting-started/README.md) | [🧭 2026 Agent 求职路线](./docs/05-roadmaps/agent-job-ready-roadmap-2026.md) | [🛠️ Agent 项目落地方法](./docs/03-practice/05-ship-agent-project.md) | [🧩 Agent Harness Engineering](./docs/02-tech-stack/27-agent-harness-engineering.md) - [📄 Paper Agent](./projects/01-paper-agent/README.md) | [🧳 Travel Agent](./projects/02-travel-agent/README.md) | [🌐 Web Agent](./projects/03-web-agent/README.md) | [🖼️ Multimodal RAG](./resources/multimodal/README.md) --- ## 📖 关于本项目 > **3 分钟了解为什么你需要 AgentGuide** ### 😰 你是否正在经历这些痛点？ - ❌ **学了一堆 LLM API 调用，但不知道 Agent 和普通对话有什么区别** - ❌ **看了无数篇 LangChain 文档，却依然不知道从哪里开始** - ❌ **做了一些 Demo 项目，但简历上写不出亮点，面试讲不清楚** - ❌ **想转 AI Agent 方向，但不知道算法岗和开发岗应该准备什么** - ❌ **网上资料又多又杂，缺少一条清晰的学习路线** **`AgentGuide` 是什么？** > **AI Agent 开发学习指南 | 转行大模型 | LangGraph 实战 | 高级RAG | 大模型面试** 一份系统化、求职导向的 AI Agent 学习与面试指南，涵盖： - **Agent 工程**：Agent Loop、LangGraph / OpenAI Agents SDK、MCP、Skills、权限与状态管理 - **Context Engineering**：上下文分层、Memory、Tool Loadout、长任务压缩、成本与缓存优化 - **RAG / Multimodal RAG**：文档解析、Embedding、Rerank、GraphRAG、Agentic RAG、视觉文档检索 - **Eval / Observability / Safety**：Agent 评测集、trace、LLM-as-judge、红队、安全边界与 human-in-the-loop - **Post-training / Agent RL**：SFT、偏好优化、GRPO/DPO、工具调用数据合成、轨迹数据训练 - **实战与求职**：Paper Agent、Travel Agent、Web Agent、项目复盘、简历表达与面试题库 ### 🗺️ AgentGuide 在 LLM 生态中的定位 **我们覆盖 AI Agent 开发的完整技术栈** - 从模型微调到应用部署的全流程： <div align="center"> <img src="https://raw.githubusercontent.com/adongwanai/Awesome-Awesome-LLMs/main/20251210154458267.png" alt="LLM开源生态图谱" width="100%"> _{图片来源：<a href="https://github.com/Langchainai/llm-oss-landscape">LLM Open Source Landscape</a>} </div> **📌 AgentGuide 涵盖的核心技术栈（2026 版）**： <table> <tr> <td width="33%"> **🤖 Agent 应用层** - ✅ **Agent / Workflow** - LangGraph、OpenAI Agents SDK - AutoGen、CrewAI、Pydantic AI - Dify、n8n、Flowise - ✅ **任务形态** - Research / Coding / Web Agent - Multi-Agent / Supervisor / Handoff - Computer Use / Browser Automation </td> <td width="33%"> **🧩 Agent Harness 层**（核心） - ✅ **Context Engineering** - System / Memory / Retrieval / Trace - Context Compression、Prompt Cache - ✅ **Tools & Protocols** - Tool Schema、MCP、Skills - A2A / ACP、权限分级 - ✅ **Reliability** - Sandbox、HITL、Retry、Cost Guard - Trace、Replay、Observability </td> <td width="33%"> **📊 Data / Eval / Training 层** - ✅ **RAG & Data** - Docling、MinerU、Unstructured - Milvus、Qdrant、Chroma、FAISS - GraphRAG、Agentic RAG、Multimodal RAG - ✅ **Eval & Safety** - Promptfoo、DeepEval、Inspect、RAGAS - WebArena、OSWorld、SWE-bench - ✅ **Post-training** - SFT、LoRA / QLoRA、DPO / GRPO - Tool-use / Trajectory 数据合成 </td> </tr> </table> > **💡 AgentGuide 的完整覆盖**： > > **🔬 算法工程师路径**： > - Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略 > - RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回 > - Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测 > > **🛠️ 开发工程师路径**： > - Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制 > - 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装 > - 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队 > > **🔀 通吃型路径**：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。 --- ### 🎯 适合人群 **求职目标**： - ✅ AI Agent 算法工程师 | AI Agent 开发工程师 | RAG 系统工程师 - ✅ LLM 应用工程师 | 大模型工程师 | 多模态算法工程师 **学习需求**： - ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills - ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness - ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧 ### 🌟 AgentGuide 的 6 大核心价值 <table> <tr> <td width="50%"> 📚 系统化学习路径 - ✅ 从零基础到面试通过的完整路线 - ✅ 理论 → 工具 → 实战 → 求职，环环相扣 - ✅ 不用再到处找资料，一个仓库学完全部 </td> <td width="50%"> 🎯 100% 求职导向 - ✅ 每个知识点都标注"面试怎么考" - ✅ 提供真实大厂面试题 - ✅ 手把手教你如何将项目写进简历 </td> </tr> <tr> <td> 💼 n个简历级实战项目 - ✅ XXXAgent（RAG方向） - ✅ XXXMulti-Agent（协作方向） - ✅ XXXAgent（高级方向） - ✅ 持续收集高质量开源项目 </td> <td> 🔀 算法 × 开发双线通吃 - ✅ 同一项目，可投算法岗或开发岗 - ✅ 算法线：原理、创新、实验设计 - ✅ 开发线：架构、优化、系统设计 </td> </tr> <tr> <td> 🆓 完全开源，持续更新 - ✅ 所有内容永久免费 - ✅ 作者一线大模型算法工程师 - ✅ 社区驱动，欢迎贡献 </td> <td> 🚀 快速上手，立即见效 - ✅ 10 分钟跑通第一个 Agent - ✅ 2-3 周完成简历级项目 - ✅ 8-10 周系统掌握，准备面试 </td> </tr> </table> --- ### 🎁 学完 AgentGuide，你能获得什么？ > **从迷茫到清晰，从理论到Offer，一站式成长路径** ``` ✅ 【概念清晰】深刻理解：Agent 和普通 LLM 调用的本质区别 ✅ 【技能掌握】熟练使用：CamelAI、LangGraph、向量数据库等核心工具 ✅ 【动手能力】独立开发：RAG Agent、Multi-Agent、Web Agent 系统 ✅ 【简历亮点】2-3 个可以写进简历、面试能讲清楚的项目 ✅ 【面试自信】掌握 Agent 方向的高频面试题和标准答案 ✅ 【职业规划】明确算法岗和开发岗的差异，找到适合自己的方向 ✅ 【人脉资源】加入 AI Agent 学习社群，结识同行，互相成长 ``` --- ## 🚦 从零到Offer的完整路径（快速导航） > **👋 新来的同学看这里！先看新范式，再按步骤执行，8-10周拿到Offer！** <table> <tr> <td align="center" width="14.3%"> **🆕 新范式** [求职新范式](#-求职新范式做出什么--学过什么) 做出什么 > 学过什么 </td> <td align="center" width="14.3%"> **🎯 第一步** [确定目标岗位](#-第一步确定你的目标岗位) 算法 vs 开发？ </td> <td align="center" width="14.3%"> **💡 第二步** [拿Offer方法论](#-第二步拿offer的方法论) 如何准备？ </td> <td align="center" width="14.3%"> **📚 第三步** [学习路线](#-第三步基于岗位的学习路线) 学什么？ </td> <td align="center" width="14.3%"> **💼 第四步** [实战项目](#-第四步完成实战项目可写进简历) 做什么？ </td> <td align="center" width="14.3%"> **🎓 第五步** [系统学习](#-第五步系统学习-agent-技术技术准备) 技术细节 </td> <td align="center" width="14.3%"> **🎯 第六步** [面试冲刺](#-第六步面试准备与-offer-冲刺) 如何面试？ </td> </tr> </table> > **⚡ 重要提醒**： > 1. **一定要先完成"第一步"和"第二步"** - 确定方向再学习！ > 2. **"第四步"实战项目最重要** - 简历的核心竞争力！ > 3. **学习时对照"第六步"面试题** - 知道学的东西面试怎么考！ --- ## 🆕 求职新范式：做出什么 > 学过什么 > **⚡ 求职规则已经变了。2026年，HC:投递比约1:200，核心问题不再是"我够不够格"，而是"我用什么方式让自己被看见"。** ### 1-2-5 求职框架 | 维度 | 内容 | |:---|:---| | **1个原则** | 从"我会什么"转向"我做出了什么" | | **2条轨道** | Agent开发（工程落地）vs Agent算法（研究创新） | | **5步链路** | 简历 → 投递 → 模拟面试 → Vibe Coding → 成果展示 | > **工具不再是壁垒，你用工具做出的东西才是。** ### 旧方式 vs 新范式 | 环节 | 旧方式 | 新范式 | |:---|:---|:---| | 简历 | 一份通用简历打天下 | AI读JD，动态生成针对性版本 | | 投递 | 手动上传，逐一投递 | 一键全网投，AI做适配分析 | | 模拟面试 | 背八股，刷题库 | AI扮演面试官，无限迭代实战 | | Vibe Coding | 手写算法题 | AI协作设计Agent系统 | | 成果展示 | PDF+截图 | 个人站+在线demo+社区影响力 | ### 个人品牌：让面试官主动找你 **个人网站必备要素（免费部署：Vercel/GitHub Pages，5分钟上线）：** - 每个项目一个页面 + **在线可访问的demo链接** - 技术Blog：至少3篇有深度的原理解析 - 社区数据：GitHub Star数 / 真实用户数 - 时间线里程碑 **简历项目描述公式：** > ❌ 「参与开发了一个AI客服系统」 > ✅ 「基于LangGraph + MCP构建多Agent客服系统，工具调用成功率94%，响应时长从3.2s降至0.8s，日处理10万+对话」 ### 投递策略：AI筛简历时代的人工突围 招聘方也在用AI筛简历——两个AI在对话，人的主动触达反而更稀缺。 **核心目标公司（5-10家）走人工路线：** 1. Boss/猎聘找具体的Hiring Manager或Team Lead 2. 提前关注他们的开源项目/技术Blog 3. 带着具体问题主动联系（不是「请问还招人吗？」） 4. 目标：一个warm intro，不是冷申请 **时机窗口：** 3-6月提前批竞争烈度比8-9月低30-40%，往往是真正的机会窗口。 **AI辅助投递工具：** - [Auto Job Apply](https://zread.ai/loks666/get_jobs) - 开源自动投递简历工具，支持批量投递与AI简历适配 ### 说几句实话 - **语言不是门槛，设计才是。** Python/TypeScript AI都能帮你写。但Agent状态机怎么设计、Memory何时截断、工具调用失败如何fallback——这些必须你自己想清楚、讲明白。 - **AI工具人人都有，判断力才是壁垒。** 会用Cursor写代码不算竞争力。当AI给你一个错误的Agent设计，你能30秒内发现并说清楚为什么错——这才是L5和L3的分水岭。 - **分享即异步面试。** 一篇深度Blog、一个有Star的仓库，相当于提前通过了一轮面试。 - **拿结果说话。** 不是"我学过LangChain"，是"我用LangGraph做了一个有300个真实用户的工具"。 ### 新增优质资源 | 资源 | 简介 | 链接 | |:---|:---|:---| | **Learn Claude Code** | 从零构建迷你Claude Code，12节渐进式，覆盖工具调用/子Agent/上下文压缩/多Agent协作 | [GitHub](https://github.com/shareAI-lab/learn-claude-code) | | **claw0** | 10章10个核心概念~7000行Python，从while循环到生产级Agent网关 | [GitHub](https://github.com/shareAI-lab/claw0) | | **hello-agents（Datawhale）** | 《从零开始构建智能体》，16章，含MCP实战、DeepResearch复现、多Agent协同 | [GitHub](https://github.com/datawhalechina/hello-agents) | | **OpenClaw** | 生产级个人AI助手框架，支持Telegram/Discord/Slack等 | [GitHub](https://github.com/openclaw/openclaw) | | **Anthropic官方：Building Effective Agents** | Anthropic工程团队出的Agent设计原则，面试必读 | [链接](https://www.anthropic.com/engineering/building-effective-agents) | | **Vibe Coding 教程** | 从零掌握AI协作编程，Cursor/Claude Code实操指南，Vibe Coding面试攻略 | [链接](https://adongwanai.github.io/vibecoding/) | --- ## 🧭 Agent 求职通关 Todo List（新增） > **不是链接收藏夹，是可以照着执行的 todo list。** > > 目标很简单：从“我学过什么”，推进到“我做出了什么、怎么验证、怎么写进简历、怎么讲给面试官听”。 - 完整路线：[2026 Agent 求职通关路线](./docs/05-roadmaps/agent-job-ready-roadmap-2026.md) - 项目落地方法：[如何落地一个可写进简历的 Agent 项目](./docs/03-practice/05-ship-agent-project.md) - 工程核心专题：[Agent Harness Engineering](./docs/02-tech-stack/27-agent-harness-engineering.md) ### How To Use | 你的状态 | 建议入口 | |:---|:---| | **零基础** | 从 [6步学习路径](#-从零到offer的完整路径快速导航) 开始，先建立 Agent / Workflow / RAG / Multi-Agent 的坐标系 | | **会 LLM 应用** | 重点补 Agent Loop、Tool Use、Context Engineering、Eval，不要只停留在 API 调用 | | **想做项目** | 直接进入 [实战项目](#-第四步完成实战项目可写进简历)，按“Spec → Coding → Eval → 复盘”推进 | | **准备面试** | 对照 [面试题库](#-第六步面试准备与-offer-冲刺)，重点准备 Agent Loop、工具设计、记忆、评测、可靠性 | | **只想找资料** | 看 [技术教程](#-第五步系统学习-agent-技术技术准备) 和 [资源导航](#-资源导航)，优先读官方文档、工程博客和可运行项目 | ### What To Learn Now Agent 方向变化很快，当前更值得投入的是能落地、能验证、能讲清楚取舍的工程能力： | 优先级 | 方向 | 为什么重要 | |:---:|:---|:---| | 1 | **Claude Code / Codex-style Coding Agents** | 真实代码库、shell、文件编辑、测试、权限、上下文压缩，是理解 Agent 工程的最佳样本 | | 2 | **Agent Harness Engineering** | Agent 能力很大一部分来自 harness：工具协议、权限、状态、反馈、回放、CI、评测 | | 3 | **Context Engineering** | Agent 的核心不是“写提示词”，而是控制信息在正确时间以正确格式进入模型 | | 4 | **Skills / MCP / A2A / ACP** | Skills 负责能力复用，MCP 连接工具，A2A 连接 Agent，ACP 连接宿主应用 | | 5 | **Browser / Computer-Use Agents** | 浏览器和桌面操作是 Agent 从 demo 走向真实任务的重要边界 | | 6 | **Evaluation / Observability / Safety** | 没有 eval、trace、权限边界的 Agent，只能算 demo，不能算可交付系统 | ### 8 阶段学习产出 | 阶段 | 学什么 | 产出物 | |:---:|:---|:---| | Stage 0 | 区分 chatbot、workflow、agent、multi-agent | 一页笔记：为什么你的场景需要 Agent | | Stage 1 | 最小 Agent Loop、结构化输出、工具调用 | 50-150 行最小 Agent | | Stage 2 | Tool Use、RAG、Memory、引用与失败处理 | 一个资料研究助手 | | Stage 3 | 现代 Agent Harness：工具、权限、状态、日志、子任务 | 可调试的 harness demo | | Stage 4 | Multi-Agent 协调：planner / executor / reviewer / router | 一个 research → write → review 小系统 | | Stage 5 | Skills、MCP、A2A、ACP 与能力封装 | 一个可复用 SKILL.md 或工具协议 demo | | Stage 6 | Browser / Computer-Use Agent | 一个只操作公开网页的 browser agent | | Stage 7-8 | Eval、Observability、Safety、部署 | 20 条 eval case + 一个别人能 clone 跑的 Agent 项目 | ### 项目落地 5 步法 1. **建立全局认知**：先搞清楚目标项目的 agent loop、tool registry、context 拼装、memory、channel 抽象。 2. **准备 AI 编程环境**：沉淀 `CLAUDE.md` / `AGENTS.md`、需求规格、实现计划和跨会话 todo。 3. **建立项目理解 Skill**：把项目结构、关键模块、测试方式写成可复用的项目理解文档。 4. **先写 Spec，再写代码**：明确目标用户、工具列表、权限策略、失败处理、成本约束、成功标准。 5. **评测 + 归因 + 消融实验**：记录通过率、失败原因、工具调用次数、成本、延迟，把结果写进简历。 ### 面试深水区 面试不只问“会不会 LangChain”，更会追问你有没有真正写过能跑的 Agent： - **Agent Loop**：`observe → think → act → observe`，最大步数、停止条件、错误恢复、HITL 怎么设计？ - **Context + Cost Engineering**：上下文分层、压缩、缓存友好结构、模型路由、token 成本怎么降？ - **Tool Design**：工具命名、description、schema、分页截断、权限分级、工具选错怎么修？ - **Memory System**：working / episodic / semantic memory，什么值得存、怎么召回、什么时候遗忘？ - **Eval + Governance**：component / trajectory / end-to-end eval，golden dataset 怎么来，trace 怎么审计？ - **Reliability Engineering**：idempotency、timeout、retry、cost guard、permission tier、observability 六件套。 ### 简历三维表达法 不要只写“基于大模型实现智能问答”。一个 Agent 项目要从三维表达： | 维度 | 怎么写 | |:---|:---| | **架构表达** | Agent loop、工具注册、会话状态、上下文裁剪、权限确认、记忆和错误恢复 | | **业务表达** | 业务场景、关键工具、数据源、用户路径、约束条件 | | **结果表达** | 评测集规模、成功率、失败类型、成本优化、消融实验结论 | 示例： > 基于轻量 Agent Harness 构建垂直场景助手，使用 ReAct loop + dispatch 表注册 5 个业务工具，四层分级 context 管理 system / long-term / short-term / turn 信息；高风险操作接入三级权限确认，20 条评测 case 端到端通过率 82%，通过上下文压缩和模型路由将 token 成本降低 60%。 --- ## 🎯 第一步：确定你的目标岗位 > **核心理念：选择 > 努力！选对方向，事半功倍！** ### 🤔 AI Agent 岗位的两条主线 在大模型时代，Agent 方向的岗位主要分为两条线： <table> <tr> <td width="50%"> ### 🔬 **算法工程师线** **核心工作**：算法创新、论文研究 **日常任务**： - 读论文、设计算法 - 跑实验、做消融 - 写论文、开源贡献 **产出形式**： - 论文发表（顶会/期刊） - 算法库、开源项目 - 专利、技术报告 **评价标准**： - 算法性能提升（+15%准确率） - 创新性（新架构、新策略） - 影响力（论文引用、Star数） **岗位数量**：⭐⭐⭐ 中等 **竞争激烈度**：⭐⭐⭐⭐⭐ 很激烈 **薪资天花板**：⭐⭐⭐⭐⭐ 很高（60-200万） </td> <td width="50%"> ### 🛠️ **开发工程师线** **核心工作**：系统搭建、业务落地 **日常任务**： - 写代码、优化系统 - 对接业务、解决问题 - 性能调优、监控告警 **产出形式**： - 生产系统上线 - 业务指标提升 - 用户满意度提高 **评价标准**： - 系统稳定性（P99延迟<500ms） - 业务价值（成本降低40%） - 工程能力（QPS、并发、可用性） **岗位数量**：⭐⭐⭐⭐⭐ 最多 **竞争激烈度**：⭐⭐⭐ 适中 **薪资天花板**：⭐⭐⭐⭐ 较高（40-80万） </td> </tr> </table> ### 🎯 你应该选哪条线？ <details> <summary><b>👉 点击查看详细的岗位选择决策树</b></summary> <br/> **问题1：你的核心优势是什么？** ``` ├─ 数学/理论强 + 喜欢钻研原理 + 有论文发表 │ → 【算法工程师线】 │ │ 细分方向选择： │ ├─ 想优化 Agent 算法 → Agent 算法工程师（Memory优化、规划策略） │ ├─ 想优化 RAG 算法 → RAG 算法工程师（检索策略、Reranker） │ └─ 想改进模型本身 → 模型算法工程师（Reasoning、对齐） │ └─ 工程能力强 + 喜欢做系统 + 注重落地 → 【开发工程师线】 细分方向选择： ├─ 想做业务应用 → Agent 应用开发（RAG系统、RPA、智能客服）⭐ 推荐 ├─ 想做基础设施 → AI Infra 开发（推理部署、训练平台） └─ 想做产品化 → AI 应用开发（前端集成、产品化） ``` **问题2：有什么背景？** - ✅ **有论文/科研经历** → 优先算法线 - ✅ **有工程/项目经验** → 优先开发线 - ✅ **两者都有** → **通吃策略**（最推荐！） **⭐ 最佳策略：两手抓！** - 简历中既有算法项目（论文、算法优化） - 又有开发项目（完整系统、业务指标） - 可以同时投两类岗位，机会翻倍！ </details> --- ### 🎯 技术方向细分（重要！） <details> <summary><b>👉 点击查看 Agent 方向的细分岗位</b></summary> <br/> #### 🔬 算法线细分方向 **1. 上下文工程算法工程师** ⭐⭐⭐⭐⭐ 最热门！ **技术方向**： - **RAG 算法**：GraphRAG、Agentic RAG、Reranker 训练 - **Agent 算法**：Memory 机制、规划算法优化、Multi-Agent 协作 - **多模态算法**：跨模态对齐（CLIP改进）、多模态融合 **项目示例**： - GraphRAG 检索算法优化（召回率 +12%） - Agent Memory 压缩算法（存储 -60%） - Agentic RAG 策略设计（准确率 +20%） **岗位数量**：⭐⭐⭐⭐（大厂+头部创业公司） --- **2. 模型算法工程师** ⭐⭐ **技术方向**： - Reasoning 算法（Long COT、工具调用 RL） - 对齐算法（RLHF、DPO、GRPO） - 模型架构（MoE、长文本、Attention 改进） **岗位数量**：⭐⭐（主要在大厂研究院） --- #### 🛠️ 开发线细分方向 **1. 上下文工程开发工程师** ⭐⭐⭐⭐⭐ 岗位最多！ **技术方向**： - **RAG 系统**：企业知识库、智能客服、文档解析 - **Agent 应用**：RPA 自动化、研究助手、工作流 Agent - **多模态系统**：图文检索、OCR pipeline、视觉问答 **项目示例**： - 企业级 GraphRAG 知识问答系统（服务1000+员工） - Agent 驱动的 RPA 系统（自动化率80%，节省200万/年） **岗位数量**：⭐⭐⭐⭐⭐（所有 AI 公司都需要） --- **2. AI Infra 开发工程师** ⭐⭐⭐ **技术方向**： - 推理服务部署（vLLM、TGI、Triton） - 训练平台搭建（KubeFlow、Ray） - 模型服务化（API 网关、负载均衡、监控） **岗位数量**：⭐⭐⭐（大厂需求多） </details> <details> <summary><b>👉 Agent 开发工程师核心能力要求（大厂真实招聘）</b></summary> <br/> > 基于 OpenAI、DeepMind、Meta、蚂蚁等大厂真实 JD 总结 #### 三层能力模型 **Layer 1：后端与系统功底**（基础能力） - 大型分布式、高并发、高性能系统设计 - 云原生 PaaS 平台、Kubernetes 架构理解 - **价值**：Agent 系统本质是复杂分布式服务 **Layer 2：Agent 核心技术**（重点能力） - 混合 Agent 架构（单 Agent vs Multi-Agent） - 上下文工程（动态打包、向量索引、信息检索） - 工具编排（Tool 设计、Function Calling） - 记忆与个性化（Memory 设计、Mem0、Zep） - 任务规划（Orchestration、Workflow） - 评估体系（如何证明 Agent 比人工更好？） **Layer 3：模型理解**（加分项） - 主流模型长短板（GPT-4/Claude/Llama 选择） - 微调能力（Function Call 微调、垂直领域适配） - 强化学习基础（Agent RL、DPO） #### 从"调包侠"到"真实项目"的关键转变 **❌ 玩具项目**： - 只用 LangChain 跑个 demo - 没有评估、没有优化、没有生产化考虑 - 面试一问就穿帮 **✅ 真实项目**： - **具体业务场景**（智能客服、RPA、研究助手） - **完整技术栈**（文档解析 + 高级 RAG + Agentic 逻辑） - **量化评估**（构建测试集、使用 Ragas、持续追踪优化） - **生产化考虑**（成本控制、性能优化、可观测性、异常处理） </details> **📖 完整技术方向详解**：[转行大模型热门方向准备指南](./docs/04-interview/06-career-transition.md) > **💡 新手建议**：优先选择**上下文工程开发**（RAG/Agent 系统），岗位最多、最易落地 --- ## 💡 第二步：拿Offer的方法论 > **不同岗位，完全不同的准备策略！** ### 🔬 算法工程师 - 如何准备？ <details> <summary><b>点击查看算法岗完整准备方案</b></summary> <br/> **简历重点**： ✅ **必须强调**： - **算法创新**："提出XX算法"、"改进XX方法"、"设计XX策略" - **实验验证**：对比实验、消融实验、baseline对比、指标提升 - **论文/专利**："论文在投XXX"、"发表于XXX" - **开源贡献**："开源代码XX stars" ❌ **尽量少提**： - 业务指标（用户数、QPS） - 系统架构细节 - 工程优化 **项目示例（算法岗）**： ``` 【Agentic RAG 策略优化】 - 问题：多跳推理场景召回率低（实验测得62%） - 方法：提出基于RL的子图采样算法，优化路径排序策略 - 实验：在KGQA数据集上F1提升12%，对比5种baseline 消融实验：RL策略贡献8%，路径排序贡献4% - 产出：论文在投EMNLP（一作），代码开源300+ stars - 技能：强化学习、图神经网络、知识图谱 ``` **面试准备重点**： - 📚 理论深度（能推导算法原理） - 🧪 实验设计（对比实验、消融实验） - 📄 论文阅读（顶会最新进展） - 💻 代码实现（能手撕核心算法） </details> ### 🛠️ 开发工程师 - 如何准备？ <details> <summary><b>点击查看开发岗完整准备方案</b></summary> <br/> **简历重点**： ✅ **必须强调**： - **完整系统**："搭建XX系统"、"端到端实现"、"上线服务" - **业务价值**：服务用户数、处理量、业务指标提升 - **性能优化**：QPS提升、延迟降低、成本节省 - **技术栈**：具体框架、工具、数据库、部署方案 - **工程能力**：高并发、高可用、监控告警 ❌ **不要过度强调**： - 算法细节和理论推导 - 论文（开发岗更看重系统） **项目示例（开发岗）**： ``` 【企业级 Agent 自动化系统】 - 背景：客服部门日均5000+重复工单，人力成本高 - 技术：LangChain + WebShaper + Mem0 多Agent协同（规划Agent、执行Agent、审核Agent） 集成20+工具（数据库、API、浏览器操作） - 优化：异常重试机制，成功率从70%→95% 并发处理，吞吐量提升5倍 - 成果：自动化率80%，效率提升3倍 节省人力成本200万/年，获部门最佳项目奖 - 技能：Agent开发、工具集成、系统监控 ``` **面试准备重点**： - 🏗️ 系统设计（高可用、高并发） - ⚡ 性能优化（缓存、批处理） - 🔧 工程实践（部署、监控、异常处理） - 💼 业务理解（为什么这样设计） </details> ### 🔀 通吃策略 - 如何准备？（⭐ 最推荐） <details> <summary><b>点击查看"通吃"完整准备方案</b></summary> <br/> **为什么推荐通吃？** 1. **机会翻倍**：可同时投算法和开发岗 2. **展现全栈**：大模型时代，算法+工程都重要 3. **灵活适配**：大厂偏算法，创业公司偏工程 **理想简历结构（3-4个项目）**： ``` 项目1：算法创新型 🔬 → 体现算法能力：Agent Memory优化 / Agentic RAG策略 → 关键词：论文、实验、开源 项目2：系统落地型 🛠️ → 体现工程能力：完整RAG系统 / Multi-Agent应用 → 关键词：业务指标、性能优化、上线 项目3：微调/训练型（加分项） → 体现训练能力：Function Call微调 / RLHF → 关键词：多少卡、参数设置、训练稳定性 ``` **AgentGuide 的学习路径**： 1. 先学理论（第一部分）- 建立算法认知 2. 再学工具（第二部分）- 掌握工程技能 3. 做实战项目（第三部分）- 同时准备算法版和开发版 4. 面试准备（第四部分）- 掌握两类面试技巧 </details> --- ## 📚 第三步：基于岗位的学习路线 > **根据你在"第一步"的选择，选择对应的学习路线** ### 🎯 快速导航 **🚀 新手推荐**： - 📘 [**AgentGuide开源学习路线（简易版）**](./docs/05-roadmaps/AgentGuide开源学习路线（简易版本）.md) - **从零到Offer完整路径**，8-15周系统化学习方案，包含完整资源清单 ⭐⭐⭐ **📋 详细路线**（按岗位分）： ### 🗺️ 选择你的学习路线 <table> <tr> <td width="50%" align="center"> ### 🔬 **算法岗学习路线** **学习时长**：10-15 周 **难度**：⭐⭐⭐⭐⭐ **产出**：论文 + 开源项目 **学习重点**： - 📚 理论深度（能推导公式） - 🧪 实验设计（对比、消融） - 📄 论文阅读（顶会前沿） - 💻 算法实现（手撕核心） **项目类型**： - Agentic RAG 策略优化 - Agent Memory 压缩算法 - Multi-Agent 协作策略 <br/> **👉 [查看详细路线图](./docs/05-roadmaps/learning-roadmap-algorithm.md)** </td> <td width="50%" align="center"> ### 🛠️ **开发岗学习路线** **学习时长**：8-12 周 **难度**：⭐⭐⭐ **产出**：完整系统 + 业务指标 **学习重点**： - 🏗️ 系统设计（架构、扩展性） - ⚡ 性能优化（缓存、批处理） - 🔧 工程实践（部署、监控） - 💼 业务理解（痛点、价值） **项目类型**： - 企业级 RAG 系统 - Agent 自动化系统 - Multi-Agent 协作应用 <br/> **👉 [查看详细路线图](./docs/05-roadmaps/learning-roadmap-development.md)** </td> </tr> </table> --- ### 🗺️ 通用学习流程图 ```mermaid graph TD A[开始学习 AI Agent] --> B{你的背景是什么?} B -->|算法/研究背景| C[第一部分: 核心理论<br/>深入理解 Agent 原理] B -->|开发/工程背景| D[第二部分: 核心技术栈<br/>快速上手开发框架] C --> E[第二部分: 核心技术栈<br/>掌握工具和框架] D --> F[第一部分: 核心理论<br/>补充理论基础] E --> G[第三部分: 系统设计与实战<br/>完成简历项目] F --> G G --> H[第四部分: 面试指南<br/>准备求职] H --> I{目标岗位?} I -->|算法工程师| J[强化: 论文复现 + 实验设计<br/>准备算法面试题] I -->|开发工程师| K[强化: 系统架构 + 性能优化<br/>准备系统设计题] I -->|全栈 Agent 工程师| L[双线并进<br/>准备两类面试] J --> M[投递简历 + 面试] K --> M L --> M ``` ### ⏱️ 学习时间概览 | 学习路线 | 时长 | 每日投入 | 适合人群 | | :------------ | :----: | :---: | :--------- | | **🔬 算法岗路线** | 10-15周 | 4-6小时 | 有科研背景，想做创新 | | **🛠️ 开发岗路线** | 8-12周 | 2-4小时 | 有工程背景，想做落地 | > **💡 建议**：点击上面的"查看详细路线图"，获取**每日学习计划**和**详细任务清单** --- ## 💼 第四步：完成实战项目（可写进简历） > **这是最重要的一步！没有项目，一切都是空谈！** AgentGuide 提供 **n 个简历级实战项目**，每个项目都提供： - ✅ 完整的代码实现 - ✅ 系统架构设计 - ✅ **算法岗和开发岗两种简历写法** - ✅ 面试时如何讲解 **👉 直接跳转到实战项目**：[点击这里查看n个项目](#32-简历级实战项目-) --- ## 🎓 第五步：系统学习 Agent 技术（技术准备） > 💡 **学习目标**：掌握 Agent 开发完整技术栈，从理论到实战全覆盖 > 🔬 **算法岗重点**：深入理解原理，能推导公式，关注创新点 > 🛠️ **开发岗重点**：熟练使用框架，快速实现功能，注重工程化 ### 📊 技术能力四层模型 我们将 Agent 技术划分为**四大能力层级**，每个层级对应不同的学习模块： 我来创建一个三列的内容导航表格： ## 📑 内容导航 | 章节 | 内容介绍 | 进展 | | :------------------ | :---------------------------------- | :-- | | **🔰 L1-基础认知层** | 理解核心概念、掌握基本原理（1-2周） | | | 模块1：Agent核心概念解析 | 智能体定义与分类体系、5级自主性模型 | | | 模块2：技术演进历程与趋势洞察 | 从专家系统到神经网络的发展轨迹 | | | 模块3：大模型工作原理 | Transformer/分词/训练/推理/对齐技术 | | | **🛠️ L2-开发实现层** | 掌握框架工具、完成系统搭建（3-4周） | | | 模块4：经典Agent范式手撕实现 | ReAct、Plan-Execute、Reflection模式 | | | 模块5：低代码平台快速验证 | LangChain、Dify、Coze、n8n工具使用 | | | 模块6：主流框架深度实战 | LangGraph、AutoGen、AgentScope、CrewAI | | | 模块7：自研Agent框架设计原理 | 消息路由、工具注册、异常处理、日志追踪 | | | **🚀 L3-高阶优化层** | 检索优化、上下文管理、模型训练（4-5周） | | | 模块8：检索增强生成（RAG）全栈技术 | 数据预处理、索引构建、检索优化、高级RAG | | | 模块9：上下文工程 | Write/Select/Compress/Isolate四大策略 | | | 模块10：智能体通信标准与协议 | MCP、A2A、ANP协议详解 | | | 模块11：模型微调与强化学习 | SFT、LoRA、PPO、DPO、GRPO算法应用 | | | 模块12：性能评估与效果量化 | 评估维度、测试框架、自定义评估方法、🔥Anthropic评估完全指南 | ✅ | --- ### 🔰 L1-基础认知层详解 > **学习时长**：1-2 周 | **难度**：⭐⭐⭐ | **重要性**：⭐⭐⭐⭐⭐ #### 🎯 阶段目标 - ✅ 理解 Agent 的本质定义与核心组件 - ✅ 掌握 Transformer 架构与大模型基础 - ✅ 了解 Agent 技术发展历程与未来趋势 #### 📚 学习内容 <table> <tr> <td width="50%"> **模块1：Agent 核心概念解析** - 智能体定义、类型、范式与应用 - 5级自主性分类体系 - L1: 基础响应器（Responder） - L2: 路由模式（Router） - L3: 工具调用者（Tool Caller） - L4: 多智能体协作（Multi-Agent） - L5: 完全自主（Autonomous） - Agent 系统解剖学 - 角色与聚焦（Role & Focus） - 记忆系统（Memory） - 工具生态（Tools） - 安全防护（Guardrails） 📖 [阅读：什么是 AI Agent？](./docs/01-theory/01-what-is-agent.md) </td> <td width="50%"> **模块2：技术演进历程与趋势洞察** - 符号主义时代（1950s-1990s） - 连接主义崛起（1990s-2010s） - 深度学习革命（2012-2020） - LLM 驱动的 Agent 时代（2020-至今） - 关键里程碑论文解读 - ReAct（推理+行动） - Reflexion（自我反思） - AutoGPT（自主规划） - Multi-Agent（协作涌现） 📖 [阅读：Agent 技术演进史](./docs/01-theory/02-agent-history.md) </td> </tr> <tr> <td colspan="2"> **模块3：大模型工作原理（Agent的大脑）** > **Agent 的"大脑"是 LLM，理解大脑的工作原理是构建 Agent 的前提** | 知识模块 | 核心内容 | 学习要点 | |:-----|:---------|:---------| | **架构层** | Transformer、Self-Attention、MoE | 注意力机制、上下文窗口、位置编码（RoPE/ALiBi） | | **数据层** | Word2Vec、BPE、WordPiece | Tokenizer 原理、中文分词（jieba）、Token 计算 | | **训练层** | 预训练、SFT、LoRA/QLoRA | 分布式训练、参数高效微调、显存优化技巧 | | **推理层** | vLLM、TGI、量化技术 | PagedAttention、GPTQ/AWQ 量化、推理优化 | | **对齐层** | RLHF、PPO、DPO | Reward Model、策略优化、人类偏好对齐 | 📖 [深入阅读：Transformer 架构详解](./docs/01-theory/03-transformer.md) 📖 [DeepSeek 系列完整深度笔记](./docs/01-theory/10-deepseek-series.md) 🆕 📖 [LLaMA 系列完整深度笔记](./docs/01-theory/11-llama-series.md) 🆕 📖 [Qwen 系列深度学习笔记](./docs/01-theory/12-qwen-series.md) 🆕 </td> </tr> </table> --- ### 🛠️ L2-开发实现层详解 > **学习时长**：3-4 周 | **难度**：⭐⭐⭐⭐ | **重要性**：⭐⭐⭐⭐⭐ #### 🎯 阶段目标 - ✅ 手撕核心 Agent 架构（ReAct、Plan-Solve、Reflexion） - ✅ 掌握主流开发框架（LangChain、AutoGen、AgentScope） - ✅ 能够独立搭建完整的 Agent 系统 #### 🔨 实操内容 <table> <tr> <td width="50%"> **模块4：经典 Agent 范式手撕实现** 从零实现三大核心模式： **1. ReAct 模式** - Thought（思考）→ Action（行动）→ Observation（观察） - 工具调用与结果解析 - 循环终止条件设计 **2. Plan-Execute 模式** - 任务分解（Task Decomposition） - 子任务规划与执行 - 依赖关系处理 **3. Reflection 模式** - Self-Evaluation（自我评估） - Error Analysis（错误分析） - Strategy Adjustment（策略调整） 📖 [实战教程：手撕 ReAct](./docs/01-theory/04-react-framework.md) 📖 [实战教程：规划与执行](./docs/01-theory/05-cot-and-planning.md) </td> <td width="50%"> **模块5：低代码平台快速验证** 工具选型与使用： **1. 代码优先（Code-First）** - **LangChain/LangGraph**：工业界标准 - **LlamaIndex**：数据导向，RAG 首选 - **AutoGen/CrewAI**：Multi-Agent 协作 - **AgentScope**：阿里开源，易上手 **2. 低代码/无代码（Low-Code）** - **Dify**：开源 LLM 应用平台 - **Coze/扣子**：字节跳动，快速搭建 - **n8n**：工作流自动化神器 📖 [框架对比：如何选择？](./docs/02-tech-stack/04-langchain-guide.md) 📖 [Multi-Agent 框架详解](./docs/02-tech-stack/06-multi-agent-frameworks.md) </td> </tr> <tr> <td colspan="2"> **模块6：主流框架深度实战** 框架能力对比与应用： | 框架 | 核心特性 | 适用场景 | 学习资源 | |:-----|:---------|:---------|:---------| | **LangGraph** | 图导向、状态管理、循环控制 | 复杂工作流、需要精确控制的场景 | [📖 完整教程](./docs/02-tech-stack/04-langchain-guide.md) | | **AutoGen** | 多 Agent 对话、角色扮演 | 团队协作、复杂任务分解 | [📖 实战指南](./docs/02-tech-stack/06-multi-agent-frameworks.md) | | **AgentScope** | 消息驱动、灵活扩展 | 国内场景、中文优化 | [📖 快速上手](./docs/02-tech-stack/07-agentscope.md) | | **CrewAI** | 角色分工、层级管理 | 企业级应用、流程自动化 | [📖 企业实战](./docs/02-tech-stack/06-multi-agent-frameworks.md) | **模块7：自研 Agent 框架设计原理** 理解框架底层设计，培养自主开发能力： - 消息路由与状态管理机制 - 工具注册与动态加载系统 - 异常处理与重试策略 - 可观测性与日志追踪 📖 [实战项目：打造自己的 Agent 框架](./docs/02-tech-stack/22-build-your-agent-framework.md) </td> </tr> </table> --- ### 🚀 L3-高阶优化层详解 > **学习时长**：4-5 周 | **难度**：⭐⭐⭐⭐⭐ | **重要性**：⭐⭐⭐⭐⭐ #### 🎯 阶段目标 - ✅ 掌握 RAG 全栈技术（数据处理、检索优化、高级 RAG） - ✅ 精通上下文工程（Context Engineering 2.0） - ✅ 理解 Agent 评估体系与微调方法 #### 💡 高级技术 <table> <tr> <td width="50%"> **模块8：检索增强生成（RAG）全栈技术** **8.1 数据预处理** - 文档解析（PDF/Markdown 高保真提取） - 智能分块（Semantic Chunking 语义切分） - 元数据增强（结构化信息提取） **8.2 索引构建与管理** - Embedding 模型选型与评估 - 向量数据库对比（Milvus/Chroma/Qdrant） - 多模态索引（图文混合处理） **8.3 检索策略优化** - 混合检索（Hybrid Search 向量+关键词） - 查询重写（HyDE/Query Expansion） - Reranker 二次排序 - Text2SQL 自然语言查询 **8.4 高级 RAG 架构** - **GraphRAG**：知识图谱增强检索 - **Modular RAG**：模块化可组合架构 - **Agentic RAG**：智能体驱动的自主检索 - **Multimodal RAG**：跨模态理解与检索 📖 [完整教程：RAG 系统开发指南](./docs/02-tech-stack/20-rag-full-pipeline.md) 📖 [向量数据库选型](./docs/02-tech-stack/08-vector-db-basics.md) </td> <td width="50%"> **模块9：上下文工程（Context Engineering）⭐⭐⭐** > "将海量信息中最相关的内容，精准放入有限上下文窗口的艺术" **核心策略 - The 4 Acts**： - **Write（写入）**：Prompt 设计、Memory 结构化存储 - **Select（选择）**：RAG 检索、动态工具加载 - **Compress（压缩）**：摘要生成、Token 剪枝优化 - **Isolate（隔离）**：状态隔离、沙盒环境设计 **工程实践技巧**： - KV Cache 优化（降低 90% 成本与延迟） - 12-Factor Agents 生产级设计原则 - Claude Code 最佳实践 **常见问题修复**： - 上下文中毒（Poisoning） - 注意力分散（Distraction） - 信息冲突（Clash） 📖 [必读：上下文工程资源合集](./docs/02-tech-stack/13-context-engineering-resources.md) 🔥 📖 [深度指南：Context Engineering 2.0](./docs/02-tech-stack/18-context-engineering-guide.md) </td> </tr> <tr> <td colspan="2"> **模块10：智能体通信标准与协议** | 协议 | 功能定位 | 核心能力 | 应用场景 | |:-----|:---------|:---------|:---------| | **MCP** | Model Context Protocol | 标准化上下文与工具交换 | 跨平台工具调用、统一接口 | | **A2A** | Agent-to-Agent | 智能体间协作通信 | Multi-Agent 系统、任务分发 | | **ANP** | Agent Negotiation Protocol | 智能体协商与共识 | 资源分配、冲突解决 | 📖 [协议详解：MCP 完全指南](./docs/02-tech-stack/14-mcp-protocol.md) </td> </tr> <tr> <td width="50%"> **模块11：模型微调与强化学习** 从监督微调到强化学习的完整路径： **11.1 监督微调（SFT）** - LoRA/QLoRA 参数高效微调原理 - Function Call 微调实战 - 指令数据集构建技巧 - LlaMA-Factory 实战应用 **11.2 强化学习（RLHF）** - **PPO**：Proximal Policy Optimization - **DPO**：Direct Preference Optimization - **GRPO**：DeepSeek 的群组相对策略优化 - Reward Model 训练技巧 **11.3 Agent RL 应用** - 工具调用策略优化 - 规划能力增强训练 - 自我修正机制训练 📖 [完整指南：Agent 强化学习](./docs/02-tech-stack/21-agent-reinforcement-learning.md) 📖 [实战：SFT 监督微调](./docs/02-tech-stack/16-sft-finetuning.md) 📖 [Post-Training 完整面试指南](./docs/02-tech-stack/25-post-training-complete-guide.md) 🆕 </td> <td width="50%"> **模块12：性能评估与效果量化** 如何科学评估 Agent 性能？ **评估维度**： - **准确性**：任务完成率、答案正确率 - **效率**：平均步数、Token 消耗 - **鲁棒性**：错误恢复、异常处理 - **成本**：API 调用次数、计算资源 **评估框架**： - **AgentBench**：通用 Agent 评测基准 - **WebArena**：Web 任务评测 - **KGQA**：知识图谱问答 - **HotPotQA**：多跳推理测试 **自定义评估**： - 构建测试集的方法论 - 使用 Ragas 自动评估 - 人工评估与 LLM-as-Judge **🔥 新增：AI Agent 评估完全指南** - 💡 **Anthropic 万字评估指南译文** - 🎯 三种评分器正确打开方式 (Code/Model/Human-based) - 🏗️ 四类 Agent 评估秘籍 (编程/对话/研究/计算机操作) - 🎲 驯服非确定性：pass@k vs pass^k - 🗺️ 从零开始的八步路线图 - 🧀 瑞士奶酪组合拳评估法 - 🛠️ 工具选择避坑指南 📖 [评估指南：科学评估 Agent](./docs/01-theory/09-evaluation-metrics.md) 📖 [AgentBench 详解](./docs/01-theory/08-agent-bench.md) 📖 [🔥 **AI Agent 评估完全指南** (Anthropic官方万字长文)](./docs/02-tech-stack/agent-evaluation-complete-guide.md) ⭐ **必读** </td> </tr> </table> --- ### 🛡️ 生产级系统设计（工程化实践） #### 高可用架构设计 - 缓存策略（Semantic Cache、KV Cache） - 异步任务队列与重试机制 - 降级与熔断 #### 可观测性（Observability） - LangSmith/LangFuse 链路追踪 - 成本监控与 Token 审计 - 性能分析与优化 #### 安全性（Security） - Prompt 注入防御 - 权限控制与沙盒隔离 - 人机协作边界（Human-in-the-loop） 📖 [完整指南：高可用 RAG 系统](./docs/03-practice/02-high-availability-rag.md) 📖 [安全性指南](./docs/03-practice/03-agent-security.md) --- ### 💼 简历级实战项目 🚀 > **💡 学习目标**：掌握复杂 Multi-Agent 系统设计，完成可写进简历的高质量项目 > **⏱️ 学习时长**：3-4 周 | **难度**：⭐⭐⭐⭐⭐ | **重要性**：⭐⭐⭐⭐⭐（简历核心） #### 🎯 核心收获 - ✅ 掌握复杂 Multi-Agent 系统设计 - ✅ 理解生产级系统的工程化实践 - ✅ 完成可写进简历的高质量项目 --- #### 🎨 简历级实战项目详解 > **每个项目都提供完整代码 + 算法岗/开发岗双版本简历写法** ##### 🎯 简历项目详细教程 <details> <summary><b>📄 项目一：自动化论文检索与分析 Agent（⭐ 推荐新手）</b></summary> <br/> **项目核心**：为研究人员打造智能论文分析助手，整合 ArXiv 检索、多跳推理、自主规划等核心技术 **适合场景**： - ✅ 面试 RAG 相关岗位（检索增强生成） - ✅ 展示 Agentic 思维和系统设计能力 - ✅ 零基础友好，2-3周可完成 **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - Agentic RAG 策略设计 - 多跳推理算法实现 - 检索召回率优化（65% → 85%） - 消融实验设计与分析 </td> <td width="50%"> **🛠️ 工程线能力** - 端到端 RAG 系统搭建 - Redis 缓存优化（降低70%成本） - LangSmith 链路追踪集成 - 高可用架构设计 </td> </tr> </table> **技术栈**：LangChain + Milvus + ArXiv API + GPT-4 + Redis **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ **📝 简历示例** <table> <tr> <td width="50%"> **算法岗写法**： ``` 【Agentic RAG 策略优化】 - 问题：传统RAG召回率仅65% - 方法：基于ReAct框架设计自主 规划检索策略，引入多跳推理 - 实验：召回准确率提升至85% 消融实验：规划策略贡献12% - 产出：论文在投，代码开源 ``` </td> <td width="50%"> **开发岗写法**： ``` 【高可用论文分析系统】 - 背景：研究员日均检索50+论文 - 技术：LangChain + Milvus + Redis 混合检索策略 + 缓存优化 - 优化：P99延迟2s→300ms API成本降低70% - 成果：服务20+研究员，日均 500+查询，满意度95% ``` </td> </tr> </table> </details> <details> <summary><b>🌍 项目二：旅行规划 Multi-Agent 系统（⭐ 适合展示协作能力）</b></summary> <br/> **项目核心**：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环 **适合场景**： - ✅ 面试 Multi-Agent 协作岗位 - ✅ 展示复杂任务分解与Agent编排能力 - ✅ 中等难度，适合有一定基础的同学 **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - Multi-Agent 协作策略设计 - 任务分解与规划算法 - Agent 通信协议优化 - 共识机制与冲突解决 </td> <td width="50%"> **🛠️ 工程线能力** - AutoGen/CrewAI 框架实战 - 多API集成与编排 - 异步任务处理与并发控制 - 分布式 Agent 系统设计 </td> </tr> </table> **技术栈**：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4 **项目亮点**： - ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者） - ✅ 层级式通信：Supervisor 模式 + 消息队列 - ✅ 智能决策：预算超支自动调整、天气影响行程变更 **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ </details> <details> <summary><b>🕷️ 项目三：Web Agent - 自主浏览与任务完成（⭐ 高级，适合冲刺大厂）</b></summary> <br/> **项目核心**：打造能自主浏览网页、理解页面内容、完成复杂任务的智能Agent（如在线购物、表单填写） **适合场景**： - ✅ 面试顶级 Agent 岗位（字节、阿里等） - ✅ 展示视觉理解 + 决策执行的完整能力 - ✅ 高级项目，适合冲刺大厂SP/SSP **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - 视觉-语言多模态理解 - 强化学习策略优化 - 自我修正与反思机制 - Benchmark评估（WebArena） </td> <td width="50%"> **🛠️ 工程线能力** - Playwright 浏览器自动化 - GPT-4V 视觉理解集成 - 异常处理与重试机制 - 复杂工作流编排 </td> </tr> </table> **技术栈**：Playwright + GPT-4V + LangChain + 强化学习（PPO） **项目亮点**： - ✅ 视觉理解 + 操作执行的完整闭环 - ✅ 基于反馈的自我修正机制（识别错误 → 分析原因 → 调整策略） - ✅ 在 WebArena 基准测试上达到 75% 成功率（超越 Baseline 10%） **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ </details> <details> <summary><b>📂 项目四：优质 Agent 实战开源项目、Workflow 项目与 Agent 项目集合</b></summary> <br/> **项目核心**：整理分享一些优质的 Agent 实战开源项目、Workflow 项目与 Agent 项目集合 **包含内容**： - [优质 Agent 实战开源项目](./projects/04-end-to-end-projects/README.md) - [优质 Workflow 项目](./projects/05-agent-workflows/README.md) - [优质 Agent 项目集合](./projects/06-project-collections/README.md) </details> <details> <summary><b>🧳 项目五：智能旅行助手 - Multi-Agent 协作系统（⭐ 适合展示协作能力）</b></summary> <br/> **项目核心**：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环 **适合场景**： - ✅ 面试 Multi-Agent 协作岗位 - ✅ 展示复杂任务分解与Agent编排能力 - ✅ 中等难度，适合有一定基础的同学 **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - Multi-Agent 协作策略设计 - 任务分解与规划算法 - Agent 通信协议优化 - 共识机制与冲突解决 </td> <td width="50%"> **🛠️ 工程线能力** - AutoGen/CrewAI 框架实战 - 多API集成与编排 - 异步任务处理与并发控制 - 分布式 Agent 系统设计 </td> </tr> </table> **技术栈**：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4 **项目亮点**： - ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者） - ✅ 层级式通信：Supervisor 模式 + 消息队列 - ✅ 智能决策：预算超支自动调整、天气影响行程变更 - ✅ MCP 协议集成实践 **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ </details> <details> <summary><b>🔬 项目六：自动化深度研究智能体（⭐ 适合科研方向）</b></summary> <br/> **项目核心**：复现 DeepResearch Agent，打造自动化文献检索与分析系统 **适合场景**： - ✅ 面试 AI 研究助手相关岗位 - ✅ 展示复杂工作流设计与知识整合能力 - ✅ 高级项目，适合有科研背景的同学 **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - 知识图谱构建算法 - 多源信息融合策略 - 自动化推理与总结 - 长文本生成优化 </td> <td width="50%"> **🛠️ 工程线能力** - LangGraph 状态机设计 - ArXiv / Semantic Scholar API集成 - GraphRAG 知识整合 - 分布式爬虫与数据处理 </td> </tr> </table> **技术栈**：LangGraph + ArXiv API + Semantic Scholar + GraphRAG + GPT-4/Claude **项目亮点**： - ✅ 复现 DeepResearch Agent 核心功能 - ✅ 自动化文献检索与分析（日均处理100+论文） - ✅ 知识图谱自动构建与可视化 - ✅ 研究报告自动生成（3000+字深度报告） **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ </details> <details> <summary><b>🎮 项目七：桌游小镇社会模拟 - 大规模Agent系统（⭐ 高级，展示系统设计能力）</b></summary> <br/> **项目核心**：构建25个Agent角色的社会模拟系统，探索复杂社交网络与记忆机制 **适合场景**： - ✅ 面试大规模Agent系统设计岗位 - ✅ 展示社交模拟与记忆系统设计能力 - ✅ 高级项目，适合冲刺大厂 **你将获得的核心能力**： <table> <tr> <td width="50%"> **🔬 算法线能力** - 社交网络建模 - 记忆压缩与检索算法 - 行为预测与模拟 - 涌现行为分析 </td> <td width="50%"> **🛠️ 工程线能力** - 自定义 Agent 框架设计 - SQLite 记忆存储优化 - 事件驱动架构 - 大规模并发处理 </td> </tr> </table> **技术栈**：自定义 Agent 框架 + SQLite + 事件驱动架构 + 可视化界面 **项目亮点**： - ✅ 25 个 Agent 角色自主交互与演化 - ✅ 记忆与关系网络动态管理 - ✅ 复杂社交行为模拟（友谊、竞争、合作） - ✅ 可视化展示社交网络演化过程 **学习路径**： - [ ] 项目需求与技术选型 _（即将推出）_ - [ ] 系统架构设计 _（即将推出）_ - [ ] 核心代码实现 _（即将推出）_ - [ ] 部署与演示 _（即将推出）_ - [ ] 📝 如何写进简历？（算法岗 vs 开发岗）_（即将推出）_ </details> <details> <summary><b>🎓 项目八：毕业设计 - 综合实战项目（⭐⭐⭐ 必做）</b></summary> <br/> **项目核心**：综合运用所学知识，构建属于你的完整 Agent 应用 **适合场景**： - ✅ 所有同学必做 - ✅ 简历核心项目 - ✅ 面试必讲项目 **设计要求**： 1. ✅ **选择真实业务场景**（RAG/自动化/研究助手等） 2. ✅ **端到端系统设计**（需求分析 → 架构设计 → 实现 → 优化 → 部署） 3. ✅ **包含量化评估**（构建测试集、性能指标、成本分析） 4. ✅ **生产级考虑**（异常处理、监控告警、成本优化） 5. ✅ **可写进简历**（提供算法岗和开发岗两种描述版本） **推荐方向**： <table> <tr> <td width="50%"> **🔬 算法岗方向** - 企业级 RAG 检索算法优化 - Agent 规划策略创新 - Multi-Agent 协作算法 - 强化学习策略优化 </td> <td width="50%"> **🛠️ 开发岗方向** - 企业级 RAG 知识问答系统 - Agent 驱动的 RPA 自动化平台 - 智能研究助手（论文分析/代码生成） - Multi-Agent 协作系统（客服/销售/运营） </td> </tr> </table> **核心产出**： - ✅ 完整的系统设计文档 - ✅ 可运行的代码实现 - ✅ 性能评估报告 - ✅ 算法岗 + 开发岗双版本简历描述 - ✅ 面试讲解准备材料 📖 [毕业设计完整指南](./docs/03-practice/04-graduation-project.md) </details> --- ## 💼 第六步：面试准备与 Offer 冲刺 > 💡 **学习目标**：系统准备面试，提升 Offer 成功率 > 📝 **两条线不同的面试策略**：算法岗讲创新，开发岗讲价值 #### 📚 完整面试题库（300+题）🔥 全面升级 > **🎯 题库特色**： > - ✅ 完整覆盖 LLM/VLM/RLHF/RAG/Agent 全技术栈 > - ✅ 包含美团、字节、阿里、DeepSeek等一线大厂真题 > - ✅ 难度分级 + 公司来源标注 + 考点分析 > - ✅ 区分算法岗/开发岗重点，覆盖最新技术（DeepSeek-V3/R1） **📖 核心通用题库（两个岗位都需要）** <table> <tr> <td width="50%"> **理论基础（必学）** - [x] [📘 LLM/VLM/RLHF理论题](./docs/04-interview/01-theory-questions.md) - **LLM核心**: 32题（Transformer、位置编码、MHA/MQA/GQA等） - **推理优化**: 16题（KV Cache、LoRA、量化、分布式训练） - **VLM多模态**: 18题（CLIP、融合策略、BLIP等） - **RLHF对齐**: 32题（SFT、PPO、DPO、GRPO等） - **总计**: **98题** ⬆️ 新增42题 **RAG系统（开发岗重点）** - [x] [📊 RAG全流程题](./docs/04-interview/02-rag-questions.md) - **核心原理**: 检索、索引、生成 - **检索优化**: 混合检索、BM25、Reranker - **高级技术**: GraphRAG、意图识别、增量更新 - **总计**: **22题** ⬆️ 新增10题 </td> <td width="50%"> **Agent开发（核心）** - [x] [🤖 Agent系统题](./docs/04-interview/03-agent-questions.md) - **核心概念**: ReAct、Memory、Tool Use - **Multi-Agent**: 协作机制、调度策略 - **系统设计**: 记忆系统、工具调用、容错机制 - **工程实践**: 并发安全、性能优化、可解释性 - **总计**: **52题** ⬆️ 新增39题 **编程实战（必备）** - [x] [💻 手撕代码题](./docs/04-interview/04-coding-questions.md) - LLM基础：Self-Attention、MHA、MQA、RoPE等 **11题** 🆕 - Agent核心：ReAct、Tool Registry、Memory系统 - RAG系统：文档切块、混合检索、Reranker - 推理优化：KV Cache、Beam Search、LoRA - **总计**: **34题** ⬆️ 新增11道Transformer核心组件手撕题 - [x] [💻 大模型手撕刷题路线](./docs/04-interview/17-coding-exercises.md) 🆕 - 分阶段刷题：神经网络基础算子 → Attention 机制 → 位置编码 → 优化技术 - 按难度分级，系统化刷题指南 </td> </tr> </table> **🎯 岗位专项题库（针对性强化）** - [x] [🔬 算法岗专项](./docs/04-interview/05-algorithm-specialized.md) - 算法创新/推导/实验/论文 **45题** - [x] [🛠️ 开发岗专项](./docs/04-interview/06-development-specialized.md) - 系统设计/工程实践/选型/落地 **45题** **🏢 真实面经与进阶** - [x] [📋 大厂真实面经](./docs/04-interview/12-company-interview-cases.md) - 美团/字节/阿里等16个完整案例 - [x] [🧭 AI Agent 面试备战手册合集](./docs/04-interview/18-agent-interview-playbooks/) - Memory、Skills、Harness、评估、数据合成、源码分析与项目话术 - [x] [📊 模型评估专题](./docs/04-interview/13-model-evaluation.md) - BLEU/ROUGE、基准测试、LLM-as-Judge **10题** - [x] [🔮 前景与趋势](./docs/04-interview/14-llm-future-trends.md) - AGI、多模态、世界模型等开放讨论 **9题** - [x] [💬 开放性讨论](./docs/04-interview/15-open-discussion.md) - 技术判断、学习建议、核心素质 **8题** **💡 题库使用建议** ``` 第一阶段（2-3周）：系统学习 ├─ 01-理论基础题（LLM/VLM/RLHF）→ 打基础 ├─ 02-RAG系统题 → 掌握检索技术 └─ 03-Agent核心题（Q1-Q13）→ 理解Agent原理 第二阶段（2-3周）：深入强化 ├─ 03-Agent系统题（Q14-Q52）→ 工程实践 ├─ 05/06-岗位专项 → 针对性准备 └─ 04-编程实战题 → 手撕代码 第三阶段（1-2周）：冲刺突破 ├─ 12-真实面经 → 模拟完整面试 ├─ 13-模型评估 → 掌握评估方法 └─ 14/15-开放讨论 → 展示思维深度 ``` #### 求职软技能 - [x] [📝 简历编写指南](./docs/04-interview/12-resume-guide.md) - AI Agent 项目简历公式、双岗写法与自检脚本 - [x] [🎤 项目讲述技巧](./docs/04-interview/13-storytelling.md) - STAR+Tech 项目表达、追问地图与复盘模板 - [x] [⭐ 转行大模型指南](./docs/04-interview/07-career-transition.md) - [x] [⭐ 秋招完整攻略](./docs/04-interview/08-job-hunting-guide.md) #### 📄 专业简历模板（新增⭐） > **🎨 开源 LaTeX 简历模板 - 专为转行大模型设计** <table> <tr> <td width="60%"> **模板特色**： - ✅ **专业美观** - 基于 Awesome-CV，适合技术岗位 - ✅ **深度优化** - 针对 LLM/Agent/RAG 方向的项目描述模板 - ✅ **新增带头像版本** - 满足不同展示需求 - ✅ **完整板块** - 涵盖科研经历、实习经历、项目经历、技能清单 - ✅ **双岗适配** - 同时支持算法岗和开发岗的写法示例 - ✅ **AI友好** - 支持 Cursor AI 快速编辑，提效10倍 - ✅ **零门槛** - Overleaf 在线编译，无需本地配置环境 **适合人群**： - 转行AI/大模型的同学 - 准备算法/开发岗面试 - 想要专业LaTeX简历的求职者 </td> <td width="40%"> **🔗 获取模板**： 👉 **[LLM-Resume-Template](https://github.com/adongwanai/LLM-Resume-Template)** **快速开始**： 1. Fork 仓库到你的 GitHub 2. 用 Overleaf 打开项目 3. 填入你的项目和技能 4. 一键导出 PDF **模板包含**： - 算法岗简历示例 - 开发岗简历示例 - 项目描述话术库 - 技能关键词清单 </td> </tr> </table> #### 面试软技能（新增⭐） - [x] [⭐ 校招生谈薪实用指南](./docs/04-interview/09-salary-negotiation.md) - 3大原则、话术模板 - [x] [⭐ HR面试完全攻略](./docs/04-interview/10-hr-interview.md) - 10大高频问题应对 - [x] [⭐ 秋招心态调整指南](./docs/04-interview/11-mindset.md) - 保持好心态拿Offer #### 4.3 核心资源精选（按方向分类） > **📌 只推荐面试会考、项目会用的核心资源！** **🤖 Agent 方向**： - [x] [Agent 资源总览 📂](./resources/agent/) - Agent 所有资源导航 - [Agent 框架对比](./resources/agent/frameworks.md) - 5个核心框架 - [Memory 模块](./resources/agent/memory.md) - 4个记忆系统 - [Tool Use](./resources/tools.md) - 工具调用 - [GUI Agent](./resources/agent/gui-agent.md) - 界面操作 - [核心论文](./resources/agent/papers/README.md) - 必读论文 **📊 RAG 方向**： - [x] [RAG 资源总览 📂](./resources/rag/) - RAG 所有资源导航 - [向量数据库](./resources/rag/vector-db.md) - 5个核心向量库 - [文档解析](./resources/rag/document-parsing.md) - 5个解析工具 - [完整项目汇总](./resources/rag/projects.md) - 150+个RAG开源项目 🆕 - [Embedding 模型](./resources/rag/embedding.md) - Embedding选型 - [Reranker](./resources/rag/reranker.md) - 重排序 - [高级RAG](./resources/rag/advanced.md) - GraphRAG、HyDE - [核心论文](./resources/rag/papers/README.md) - 必读论文 **🛠️ 通用工具**： - [x] [开发者工具箱](./resources/tools.md) - Cursor、元宝、Excalidraw - [x] [开发框架总览](./resources/frameworks.md) - 快速框架对比 **🎨 推荐可视化学习资源**： - 📊 **[100+ LLM/RL 算法原理图](https://github.com/changyeyu/LLM-RL-Visualized)** - 《大模型算法：强化学习、微调与对齐》作者巨献 - 涵盖内容：Transformer架构、注意力机制、SFT微调、LoRA/QLoRA、DPO/PPO/GRPO、RLHF全流程、逻辑推理优化等 - 适合人群：算法岗必看！通过100+原创原理图深入理解大模型算法的数学原理和实现细节 - 配套书籍：[《大模型算法：强化学习、微调与对齐》](https://book.douban.com/subject/37331056/) **🌟 需要更全面的 LLM 资源？** 👉 查看作者的另一个项目：**[Awesome-Awesome-LLM](https://github.com/adongwanai/Awesome-Awesome-LLM)** （涵盖训练、推理、多模态、Infra 等 LLM 全栈 200+ Awesome 系列资源） --- ## 🚀 快速开始 ### 1️⃣ 如果你是算法背景（10 分钟快速入门） ```bash # 第一步：理解 Agent 是什么 阅读：docs/01-theory/01-what-is-agent.md # 第二步：学习核心框架 ReAct 阅读：docs/01-theory/04-react-framework.md # 第三步：快速上手 LangChain 阅读：docs/02-tech-stack/04-langchain-guide.md # 第四步：跑通第一个 Agent git clone https://github.com/adongwanai/AgentGuide.git cd AgentGuide/examples python quickstart_agent.py ``` ### 2️⃣ 如果你是开发背景（10 分钟快速入门） ```bash # 第一步：快速上手 LangChain 阅读：docs/02-tech-stack/04-langchain-guide.md # 第二步：理解 Agent 核心概念 阅读：docs/01-theory/01-what-is-agent.md # 第三步：学习向量数据库 阅读：docs/02-tech-stack/08-vector-db-basics.md # 第四步：搭建第一个 RAG Agent git clone https://github.com/adongwanai/AgentGuide.git cd AgentGuide/examples python quickstart_rag_agent.py ``` --- ## 🤝 如何贡献 `AgentGuide` 是一个完全开源的项目，非常欢迎你的贡献！ ### 贡献方式 1. **内容贡献**：完善文档、补充案例、纠正错误 2. **代码贡献**：优化示例代码、添加新的实战项目 3. **翻译贡献**：帮助翻译成英文版，让更多人受益 4. **问题反馈**：发现问题？请提 Issue ### 贡献流程 1. Fork 本仓库 2. 创建你的特性分支 (`git checkout -b feature/AmazingFeature`) 3. 提交你的修改 (`git commit -m 'Add some AmazingFeature'`) 4. 推送到分支 (`git push origin feature/AmazingFeature`) 5. 提交 Pull Request 详细贡献指南请参考：[CONTRIBUTING.md](./CONTRIBUTING.md) --- ## 📬 联系作者 & 加入社群 ### 👨‍💻 关于作者 我是**阿东**，一线大模型算法工程师 - 🎓 **技术背景**：专注 AI、RAG、LLM 应用方向 - 📝 **内容创作**：全网 5w+ 粉丝，持续分享 AI 技术与求职经验 - 🚀 **开源贡献**：多个 AI 相关开源项目维护者 ### 🌐 在这些平台找到我 <table> <tr> <td align="center" width="25%"> <strong>📱 小红书</strong><br/> <a href="https://www.xiaohongshu.com/user/profile/5f310fd50000000001009df5"><code>阿东玩AI</code></a><br/> _{短视频教程 + 技术拆解} </td> <td align="center" width="25%"> <strong>📝 公众号</strong><br/> <a href="https://mp.weixin.qq.com/s/u_UFh0l8clzaPLyp2_LEnQ"><code>阿东玩AI</code></a><br/> _{深度技术文章 + 求职经验} </td> <td align="center" width="25%"> <strong>🎬 B站</strong><br/> <a href="https://space.bilibili.com/297247087"><code>阿东玩AI</code></a><br/> _{视频教程 + 项目实战} </td> <td align="center" width="25%"> <strong>💻 GitHub</strong><br/> <a href="https://github.com/adongwanai"><code>@adongwanai</code></a><br/> _{开源项目 + 代码示例} </td> </tr> </table> ### 💬 加入 AI Agent 学习社群 **为什么要加入社群？**  - ✅ **每周技术分享**：Agent 最新论文解读、工程实践经验 - ✅ **简历面试辅导**：免费简历诊断、模拟面试、内推机会 - ✅ **问题实时答疑**：技术问题、求职困惑，随时提问 - ✅ **学习小组**：组队学习 AgentGuide，互相监督，共同进步 - ✅ **行业资源**：大厂内推信息、技术资料、论文分享 **如何加入？** 1. **方式一**：Star 本项目后，在 [Issues](https://github.com/adongwanai/AgentGuide/issues) 中评论"申请加群" 2. **方式二**：关注公众号「阿东玩AI」，回复「AgentGuide」获取入群二维码 3. **方式三**：[小红书@阿东玩AI](https://www.xiaohongshu.com/user/profile/5f310fd50000000001009df5)，私信"加群" **🎁 社群福利**：Agent 学习路线图 PDF + 面试题库 + 项目代码模板 + 大厂内推机会 --- ### ⭐ 如果这个项目对你有帮助 **请考虑支持一下：** - ⭐ **Star** 本仓库，让更多人看到 - 🔀 **Fork** 本仓库，开始你的学习之旅 - 📣 **分享** 给正在找 AI 工作的朋友 - 💬 **反馈** 你的建议和意见（提 Issue 或 PR） **你的每一个 Star 都是我持续更新的动力！🚀** --- ## 📝 更多文档 ### 📚 项目文档 - ❓ [常见问题 (FAQ)](./FAQ.md) - 14个常见问题解答 - 📊 [项目总结 (PROJECT_SUMMARY)](./PROJECT_SUMMARY.md) - 项目定位与核心优势 - 🤝 [贡献指南 (CONTRIBUTING)](./CONTRIBUTING.md) - 如何参与贡献 ### 🗺️ 学习路线 - 🧭 [2026 Agent 求职通关路线](./docs/05-roadmaps/agent-job-ready-roadmap-2026.md) - Agent Loop、Harness、Skills、Eval、项目产出的可执行路线 ⭐ 新增 - 🚀 [AgentGuide开源学习路线（简易版）](./docs/05-roadmaps/AgentGuide开源学习路线（简易版本）.md) - 从零到Offer完整路径（8-15周）⭐ 新增 - 🔬 [算法岗详细路线](./docs/05-roadmaps/learning-roadmap-algorithm.md) - 每日学习计划 - 🛠️ [开发岗详细路线](./docs/05-roadmaps/learning-roadmap-development.md) - 每日学习计划 ### 💼 实战方法 - 🛠️ [如何落地一个可写进简历的 Agent 项目](./docs/03-practice/05-ship-agent-project.md) - Spec、AI 编程环境、项目理解 Skill、Eval 和消融实验 - 🧩 [Agent Harness Engineering](./docs/02-tech-stack/27-agent-harness-engineering.md) - Agent Harness 七层模型与可靠性六件套 ### 📂 资源导航 - 🤖 [Agent 资源总览](./resources/agent/) - Agent 所有资源 - 📊 [RAG 资源总览](./resources/rag/) - RAG 所有资源 - 🛠️ [开发工具箱](./resources/tools.md) - 效率工具推荐 - 📚 [精选学习资源](./resources/learning-resources.md) - 课程、教程、书籍汇总 --- <div align="center"> <br/> <h2>🚀 开始你的 AI Agent 学习之旅吧！</h2> <p> <strong>从这一刻起，距离你拿到 AI Agent Offer 只有 8-10 周</strong> </p> <br/> <p> <a href="#-快速开始"><strong>👉 点击这里，10分钟快速上手 👈</strong></a> </p> <br/> <p> ⭐⭐⭐ 如果觉得有帮助，请给个 Star！⭐⭐⭐ </p> <p> _{你的 Star 是我持续更新的最大动力} </p> <br/> <p> <strong>转行大模型，看阿东玩AI</strong> </p> <br/> </div> --- ## 📈 Star History [](https://star-history.com/#adongwanai/AgentGuide&Date)