聊到AI Agent学习这件事我第一句想说的是别急着囤资料。过去这一年我见过太多人收藏夹里躺着几十篇“AI Agent入门必读”“AI Agent实战教程”真到动手写一个Agent的时候却连最基本的模型调用返回结果怎么解析都卡住。资料不是不够多是太杂、太水、太重复。今天这篇内容是我把自己过去一年筛过、读过、实操过的AI Agent学习资料按“先懂原理、再会动手、最后能落地”的逻辑重新捋出来的一份清单顺手把判断一篇资料到底值不值得读的经验也写了。适合正准备入坑的朋友也适合已经在做Agent开发、但感觉知识体系还是零散的同学。我不追求“全网最全”只追求“读完能往下走”。1. 先想清楚再囤资料学习路线怎么搭才不会半途而废1.1 为什么你收藏了100篇资料还是学不会很多人学AI Agent半途而废问题不在于不够努力而在于把“收藏”当成了“学习”。我见过不少朋友的书签栏、Notion剪藏、知识星球里存了几百条内容从LangChain的API文档到各个公众号的“一文读懂Agent”应有尽有。但真问他Agent的运行逻辑是什么回答大概率是“就是大模型加个循环嘛”。这个答案对也不对。说它不对是因为这里面缺了规划、记忆、工具调用、结果反思这些关键环节说它对是因为从最粗粒度看Agent确实可以理解为一个循环——模型推理、决定动作、执行动作、观察结果、继续推理。但理解到这个程度是写不出能解决实际问题的Agent的。我在整理资料时给自己定了三条硬标准权威性、时效性、可复现性。权威性是指优先看论文原文、官方文档、一线开发者的实践总结而不是二手转述时效性是指超过一年以上、且不是经典理论的内容我会打上“谨慎参考”的标签因为Agent这个领域迭代太快半年前的思路可能已经被新框架替代可复现性是指文章里给的代码或配置我能不能在本地跑通。跑不通的资料价值直接减半。用这三条标准筛完之后资料量基本能减少一半以上。剩下的那些才是值得花时间精读的。1.2 按“原理—开发—工程化”三段递进搭学习路径我把AI Agent学习拆成三个阶段每个阶段目标非常明确不交叉。第一阶段是原理目标是搞清楚Agent到底是怎么“想”和“做”的。这个阶段不急着写代码重点是把大模型调用、上下文窗口、工具注册、记忆存储这些基础概念吃透。很多人一上来就冲LangChain的API结果被一堆抽象概念绕晕就是因为跳过了这个阶段。第二阶段是开发目标是写出一个能跑通的最小Agent然后再去拆解主流开源框架的源码或优秀项目的代码。这里要特别提醒不要沉迷于框架的API要理解框架在背后替你做了什么。你把LangChain的AgentExecutor翻来覆去调通一百遍不如自己手写一个几十行的循环能更直观地理解“工具结果是如何回到模型上下文里的”。第三阶段是工程化重点关注测试、评估、知识库接入、部署、可观测性。这个阶段解决的问题是“Agent在真实业务里怎么稳定跑起来”而不是“Demo能不能跑通”。如果每周能投入10个小时我建议原理、开发、工程化的时间占比大概是3:4:3。前两周专注原理中间一个月专注开发和复现项目最后两周做测试和总结整理。这样两个月左右能把基础打牢之后不管市面上冒出新框架还是新概念你都能快速归位到自己的知识体系里。2. 原理篇哪些资料真的值得花时间啃2.1 入门级必读清单论文、专栏与PDFAI Agent入门资料里我最推荐先读的不是教程而是几篇经典论文。别被“论文”两个字吓跑这几篇都很好读。第一篇是ReAct论文全称是“Synergizing Reasoning and Acting in Language Models”发在ICLR 2023。这篇论文回答了Agent最核心的问题大模型怎么把“推理”和“行动”结合起来。它提出的Thought思考、Action行动、Observation观察循环几乎是所有Agent框架的理论原点。建议直接读原文很短重点是看那张流程图和实验对比。第二篇是Toolformer讲的是模型如何学会自己决定要不要调用工具、以及如何调用工具。这篇比ReAct更偏底层但能帮你理解工具调用不是“靠提示词硬凑”而是模型背后有一套学习机制。第三篇我要单独拎出来说就是李博杰的《深入理解AI Agent》。网上流传的PDF版本吊打市面上90%的二手教程。它好在哪里好在不是罗列概念而是把Agent的运行逻辑、规划能力、记忆机制、工具使用的边界讲得很透而且有很多作者自己实践的感悟。这篇资料如果读透了面试和实战都能撑起来。除了这三类内容博客和视频怎么筛我的经验是视频只看两类一类是会议/论坛的技术分享另一类是带完整代码演示的实操录屏。那些标题写着“十分钟搞懂Agent”的短视频建议直接跳过信息密度太低。博客优先看大厂技术团队和开源项目维护者写的比如LangChain官方博客、各家大模型厂商的技术专栏通常能挖到第一手的使用经验和坑点。2.2 从LLM到Agent四个必懂的核心组件理解Agent的运行逻辑核心就四个组件规划Planning、记忆Memory、工具调用Tool Use、反思Reflection。我用新员工来类比。大模型是大脑负责做判断规划是拆解任务员工接到“写一份季度汇报”的指令要知道先收集数据、再搭框架、最后填内容记忆是笔记本和档案室短期内记住对话上下文长期里把重要知识存进向量数据库工具调用是员工打开电脑上的各种软件写文档用Word做表格用Excel反思是做完之后自己检查一遍发现数据对不上就回头修改。很多人理解Agent的时候只盯着“工具调用”忽略规划和记忆这是很常见的误区。实际上一个Agent能不能稳妥地完成任务规划能力是上限记忆能力是下限。规划决定了它面对复杂任务时拆得够不够细、顺序合不合理记忆决定了它在一个长时间任务里会不会做着做着就忘了前面的结论。反思这个组件这两年讨论越来越多。最简单的反思实现是在Agent给出最终答案前加一步“自我检查”让模型重新审视一遍自己的输出比如检查代码有没有语法错误、结论有没有引用依据。看似朴素实测能把错误率明显降下来。读资料的时候只要看到一篇内容能把这四个组件讲清楚并且配上代码或案例那就算优质资料。如果一篇内容只是把“Agent是什么”翻来覆去讲直接跳过不值得你花20分钟。3. 实战篇开发资料和代码项目怎么选3.1 语言和框架怎么选Python、Java 与 Spring Boot AI Agent 客户端选开发语言和框架先想一个核心问题你做Agent是为了快速验证想法还是要融入企业现有技术栈如果是前者直接选Python。Python在AI生态里没有对手LangChain、LlamaIndex、AutoGen这些主流框架都是Python优先。你写原型、跑评估、接向量库都最顺手。LangChain上手快但抽象层级多建议先看懂它怎么组织Prompt、怎么管理工具注册再用它LlamaIndex在RAG场景更专注AutoGen适合研究多Agent协作。我的建议是不要三个都学选一个主框架其他用的时候再查。如果是后者Java方向的同学这两年有福了。Spring Boot AI Agent客户端这种词汇越来越热核心就是Spring AI这个项目。它让你能在熟悉的Spring生态里构建Agent应用把大模型调用、Function Calling、Prompt模板管理都封装成Spring风格。对企业级项目来说最大的优势是能和现有Spring Boot的配置体系、安全体系、微服务治理无缝衔接。如果你是Java技术栈完全没必要强行转Python做Agent直接用Spring AI起步就好。另外你可能会遇到“AI Agent Skill”这类概念比如LangChain里的Tool、或某些平台里的Skill。本质上就是把某个能力查天气、调数据库、操作Excel封装成一个可复用的技能块让Agent按需调用。这个思想要掌握不要被各种名词绕晕。框架的迭代速度实在太快了。我今天写某个框架的配置方式可能三个月后就变了。所以学习重心一定是底层原理大模型调用方式、上下文管理、工具调用协议、评估方法。这些换了框架照样通用。3.2 从零手写一个最小Agent核心代码拆解光看不练是学不会Agent的。我先带你手写一个最小可运行的Agent。这里用OpenAI的Function Calling能力来演示核心是让模型决定要不要调用工具然后把工具结果返回给模型继续推理。import json from openai import OpenAI client OpenAI() def get_weather(city: str) - str: # 这里真实场景可以接天气API我们先用模拟数据 return f{city}今天晴气温24℃东南风3级 # 工具注册信息模型会参考这个来决定要不要调用 TOOLS [ { type: function, function: { name: get_weather, description: 查询指定城市的实时天气, parameters: { type: object, properties: { city: {type: string, description: 城市名称} }, required: [city] } } } ] def run_agent(user_input: str, max_steps: int 5) - str: messages [{role: user, content: user_input}] for step in range(max_steps): resp client.chat.completions.create( modelgpt-4o-mini, messagesmessages, toolsTOOLS, ) msg resp.choices[0].message messages.append(msg) # 判断模型是否要求调用工具 if msg.tool_calls: for tc in msg.tool_calls: if tc.function.name get_weather: args json.loads(tc.function.arguments) result get_weather(args[city]) messages.append({ role: tool, tool_call_id: tc.id, content: result, }) else: # 模型没有要求调工具说明已经给出最终回答 return msg.content return 达到最大步数任务未完成 if __name__ __main__: print(run_agent(北京今天天气怎么样适合跑步吗))这段代码就是Agent最朴素的骨架。你仔细看循环里发生了什么模型第一次看到用户问题时判断需要调天气工具于是返回一个tool_calls请求我们把工具执行结果作为roletool的消息追加到messages里模型第二次推理时能看到工具返回的天气信息于是结合这个信息生成最终回答。这一刻你就明白了为什么说Agent不是简单的大模型问答——它的关键在于“每一步的工具结果都会成为下一轮推理的上下文”。所有框架LangChain也好、Spring AI也好核心逻辑都是这个循环只是帮你把prompt管理、多步规划、记忆持久化、多Agent通信都封装好了。我强烈建议你把这个代码亲自跑一遍然后试着加一个“查询城市空气质量”的工具再加一个“搜索新闻”的工具体会一下模型如何从多个工具里做选择。这个过程比看十篇框架教程都有用。3.3 值得拆解的实战项目从知识库到垂直场景跑通最小Agent之后下一步是拆几个像样的实战项目我挑三个方向说。第一个是RAG知识库问答Agent。这是目前落地最广的场景。大体流程文档解析PDF、Word、Markdown、切块Chunking、向量化Embedding、存入向量数据库如Chroma、Milvus、用户提问时先检索相关知识片段再拼进Prompt交给大模型生成答案。你可以做一个“公司内部运维知识库问答Agent”丢进去几十篇文档问它“如何重置员工密码”看它能不能找到对应文档并给出步骤。这个项目做完你对记忆组件和外部知识接入的理解就基本到位了。第二个是Obsidian AI Agent知识库。我自己的实践是把Obsidian作为个人笔记系统然后用AI Agent做两件事一是自动为笔记打标签、生成摘要、建立双链二是把笔记向量化后通过对话方式做知识问答和创作辅助。具体实现上可以用Obsidian的插件生态配合自建的Agent服务本地起一个Python服务接收笔记文件路径和问题走向量检索大模型生成。这个项目的价值在于你会把“资料整理”本身变成Agent的一个应用场景体验非常直接。第三个方向是我最近看到有人问的Next AI某个基于Next.js的前端项目模板里的draw.io集成能不能对接Hermes Agent。这类问题的本质其实是“Agent如何调用外部绘图工具”。不管前端是不是Next AI只要把draw.io的核心操作创建文件、添加节点、连接箭头、导出图片封装成工具通过Function Calling或MCP协议暴露Agent就能按用户指令操作绘图再把结果回传到前端渲染。至于能不能对接关键不在“能不能”而在三件事鉴权怎么打通、文件存在哪里、多人同时编辑的冲突怎么处理。如果你以后要做AI生成图表或AI辅助设计这就是典型的落地方案。再补充一个小众但很有意思的场景AI Agent生成Verilog代码。这是垂直领域Agent的代表和通用代码生成不同Verilog对正确性要求极高Agent不是生成代码就结束了还必须接上仿真工具做验证失败就返回错误信息让Agent自我修正。这个场景非常适合用来练习“反思”和“工具闭环”感兴趣的同学可以去找一个开源项目来复现。4. 面试与测试学习资料的“最后一公里”4.1 AI Agent面试题怎么准备不是背题是搭体系这半年AI Agent方向的岗位需求明显变多面试题也五花八门。我整理资料的时候专门建了一个“AI Agent面试题”的标签后来发现题是背不完的但知识点是有限的。我把高频题目分成五类基础概念、运行逻辑、工程实现、评估运维、场景设计。基础概念题包括“什么是AI Agent”“Agent和传统程序有什么区别”。运行逻辑题包括“Function Calling底层怎么实现”“Agent的记忆要怎么设计”“多Agent之间如何通信协调”。工程实现题包括“怎么让Agent调用企业内部API”“上下文窗口不够用怎么办”“如何防止Agent陷入死循环”。评估运维题包括“如何评估一个Agent的效果”“Agent在什么场景下会彻底失控”。场景设计题最常见比如“设计一个自动处理工单的Agent”考察的是你能不能结合规划、工具、记忆设计出一个靠谱方案。准备面试的姿势不是背答案而是围绕这几个分类把你做过的项目往里填。比如问到记忆设计你就讲自己做的知识库问答Agent里短期记忆怎么用对话上下文、长期记忆怎么用向量库问到评估你就讲自己怎么构造测试集。有实战经验的人回答自带细节这比背一百道题都有用。另外我自己的体会面试官真正想看的是你对不确定性的理解。Agent项目代码谁都能写个Demo但能不能说清楚“哪里会失败、失败后怎么降级、怎么观测”才是分水岭。4.2 AI Agent测试实战怎么测一个Agent而不是一阵乱试Agent的测试是很多学习资料里涉及最少的部分但工作中又极其重要。我自己接手第一个Agent项目时最大的痛苦就是“没法测”——同样的输入跑三次三次结果可能都不一样。如果连测试都做不了你凭什么把它放到生产环境我的做法是分层测试。单元测试针对最基础的部分比如工具函数的输入输出是否正确、API Key配置是否正常、单个工具的边界条件是否处理了集成测试针对Agent的完整流程比如“用户问天气→Agent选择工具→工具返回→Agent生成回答”这条链路是否走得通评估测试是领域级的提前准备一批标准问题和标准答案让Agent回答后用规则或模型打分看整体准确率是否达标回归测试则是为了防退化每次改完代码把历史测试集重新跑一遍看有没有把之前修好的问题又弄坏。下面是我常用的测试维度表测试维度重点测什么常用方法工具正确性参数解析、返回值、异常处理单元测试Mock外部依赖规划合理性任务拆解、步骤顺序、是否卡死多轮对话回放设定最大步数上下文管理长对话是否丢失关键信息构造长上下文场景检查关键实体输出质量回答准确性、格式规范性、有无幻觉标准评测集规则或模型打分稳定性相同输入多次执行结果波动固定温度参数多次重复实验安全性是否执行了危险操作或越权调用注入恶意指令权限最小化Agent测试有两条经验强烈建议你记下来。第一先定“确定性”再谈“智能性”。测试初期把参数固定比如温度调到0、用确定性更高的模型先把链路跑通再放开随机性去看多样性表现。第二所有外部调用都要能被Mock不然你测的每一轮都依赖第三方服务的网络状态根本没法定位问题。4.3 把资料沉淀成自己的知识库Obsidian的实践我在开头说“别急着囤资料”那不是让大家不收藏而是要有一个资料沉淀的闭环。我的做法是用Obsidian搭了一套个人知识库。我的结构很朴素分成四个目录Inbox存放所有临时收集的内容Sources存放摘录的原文和标注Notes存放我自己总结的理解Projects存放每个实战项目的记录包括报错截图、关键代码、调参记录。每篇资料看完我逼自己写一段200字以内的总结放在Notes里然后打上标签。比如读完ReAct论文我会打上#Agent/原理/#LLM/推理在这条笔记里把论文核心思想、代码实现、和Toolformer的区别写出来。这样做的价值在于半年之后我面对一个新问题时不是靠记忆去回忆我读没读过而是直接在Obsidian里搜索标签几分钟就能找到自己当时整理的结论和相关资料。这种积累是复利的越到后面越值钱。更进阶的玩法是把Obsidian和AI Agent打通。Script插件调本地模型给新笔记自动生成摘要和标签或者自建一个RAG服务把Obsidian的笔记文件夹作为知识源然后用Agent做全局问答。这样你的Agent学习资料库本身就成为一个Agent应用案例一举两得。5. 趋势判断2026年AI Agent会往哪走学习重心该放哪很多人在后台问我AI Agent这个方向2026年会往哪发展我现在学的东西会不会半年就没用了我的判断是Agent不会消失但形态会快速变化。几个看得见的趋势从单Agent到多Agent协作越来越普遍。单个Agent能力再强面对复杂流程也有限所以行业开始研究多个Agent分工协作比如一个负责规划、一个负责工具调用、一个负责质检。从框架绑定到协议标准化工具调用层面的MCP这类协议正在变成事实标准Agent要接什么工具、怎么接都会越来越统一。从原型Demo到生产落地测试、可观测性、安全评审会成为企业采用Agent的前提而不是可有可无的加分项。垂直领域Agent会大量出现通用Agent只是中场真正赚钱的是懂医疗、懂法律、懂硬件的垂类Agent。学习重心怎么调整我的建议很明确底层原理比框架更值得投入时间。上下文工程、Function Calling工作机制、模型评估方法、Agent记忆架构这些几十年内不会变。而LangChain的某个新API、某个新出的Agent框架很快会被迭代掉。你钻进去花三个月学框架细节远不如花三个月搞懂底层的运行逻辑框架只是工具原理才是能力。另外别忽略“被测”和“可观测”这两件事。懂测试和可观测性的Agent工程师会是未来一年市场上很稀缺的物种。很多Agent项目从POC到上线的最后一公里就卡在“不敢上线因为出了问题不知道怎么看、怎么回滚、怎么归因”。最后再分享一个我自己的笨办法也算给这篇资料整理收个尾。每次读完一篇AI Agent相关资料不管它多长我都强迫自己写200字以内的总结加上几个标签丢进Obsidian每跑通一个Demo项目就留一份截图和关键代码片段。半年之后回头看真正在工作里救过我命的不是那些“全网最强必读清单”而是我自己整理过、带着问题去读的这几十条笔记。资料整理的终点从来不是收藏是内化。希望这份学习路径能帮你少走点弯路咱们一起慢慢把Agent这栋楼盖扎实。