我的 Agent 学习路线：要学什么、怎么学

先看终点：Agent 全栈岗要准备什么 ​

学习之前先想清楚目标。如果目标是 Agent 全栈岗位，面试题基本就集中在这些主题上：

• RAG 篇
• Tool / MCP / Skill 篇
• LangGraph 篇
• Memory 篇
• 评测篇
• 大模型原理篇

先看终点有个好处：知道面试考什么，学起来就不会跑偏，每个阶段都清楚自己在为什么做准备。

学习主线：LangChain → LangGraph → DeepAgents ​

我的主线从 LangChain 起步，先把 Agent 的基础组件逐个过一遍：

• ChatModel
• Tool Call
• MCP
• RAG
• Memory
• Structured Output
• Prompt Template

LangChain 的核心价值是把这些组件用链式流程（Chain）串起来，配合 LCEL 声明式语法，业务链路能很快搭出来。但 Chain 本质上是线性执行，原生不支持循环、多分支和复杂跳转，碰到真正的 Agent 场景就有点吃力。

所以下一步是 LangGraph——面向 Agent 的图编排引擎。底层依旧复用 LangChain 那套组件，只是在此基础上增加了图编排能力：State 状态、节点、边、检查点 Checkpoint 等。

有了图模型，循环、条件分支、并行执行、多 Agent、会话中断恢复这些复杂能力就都能实现了。

不过 LangGraph 毕竟是底层编排框架，很多 Agent 通用能力得自己从零实现。如果不想重复造轮子，可以看看基于 LangGraph 封装的 DeepAgents——任务规划、多 Agent、Skill 这些能力都内置好了，开箱即用。

后端能力也不能落下 ​

Agent 业务最终都跑在后端环境里，市面上的 Agent 开发基本都是全栈岗，所以后端这摊也得补齐：

• Docker Compose 跑本地环境
• 向量数据库 Milvus
• 关系数据库 MySQL、PostgreSQL
• 全文检索数据库 ElasticSearch
• 缓存中间件 Redis
• 对象存储 Minio、RustFS
• 图数据库 Neo4j
• 消息队列 RabbitMQ

另外再补一下后端框架 Nest 的基础。

Agent 全链路监测 ​

再往后是查缺补漏，把 Agent 的可观测性补上。用 LangSmith、LangFuse 这类方案记录 Agent 的完整运行链路：

• 用户输入
• 大模型调用
• 工具调用
• 报错
• token 消耗与耗时数据

这样能把 Agent 的思考过程和工具执行过程可视化复现出来，排查死循环、参数错误、响应慢这类问题会方便很多，顺便还能跑一些 RAG 指标的评估实验。

大模型底层原理：了解即可 ​

大模型底层原理也会过一遍，比如 Transformer 架构、单向/双向注意力、训练/推理阶段、自回归生成等。但我的重心是 Agent 开发，这部分了解即可，不必深挖。

项目实战：企业级知识库 ​

基础学完就进入实战——企业级知识库项目，把前面的后端技术和 Agent 框架综合运用一遍。

选这个方向不是随便挑的：大部分公司的 Agent 项目都围绕 RAG 展开，说明企业需求集中在这里。实战就挑最贴合企业需求的场景来做，性价比最高。

语言无关：TypeScript 还是 Python 都行 ​

Agent 开发是语言无关的。以我自己的笔记为例，示例用 TypeScript 写，但 LangChain、LangGraph 的 API 在 Python 里完全一致，实现方案是通用的，用什么语言学都不影响。

不过简历上写 Python 技能，岗位匹配度会更高一些。实际工作中，很多人也是指挥 AI 用 Python 写 Agent——重点是 Agent 思路本身，语言只是工具。

总结 ​

整条路线收一下：

1. Agent 基础：从 LangChain 开始，掌握 ChatModel、Tool Call、MCP、RAG、Memory 等核心组件
2. Agent 框架：LangGraph 图编排引擎，以及基于它封装的 DeepAgents
3. 后端基础：Docker Compose、PostgreSQL、Redis、ElasticSearch、RabbitMQ、Minio、Milvus 等
4. 项目实战：企业级知识库项目，把前面学的综合运用一遍
5. 简历参考：多看看真实 Agent 简历，借鉴项目背景、技术栈、实现方案来理清思路
6. 面试押题：高频 Agent 面试题过一遍，答题思路更清晰

脑子里有了这条路线，后面学起来就有方向感了。