先看终点：Agent 全栈岗要准备什么
面试题方面，按主题分成几类：
- RAG 篇
- Tool / MCP / Skill 篇
- LangGraph 篇
- Memory 篇
- 评测篇
- 大模型原理篇
学习主线：LangChain → LangGraph → DeepAgents
学习主线从 LangChain 开始，基于它学习 Agent 基础，掌握这些核心组件：
- ChatModel
- Tool Call
- MCP
- RAG
- Memory
- Structured Output
- Prompt Template
LangChain 的核心能力是把各类组件拼装成链式流程（Chain），通过 LCEL 声明式语法快速串联业务链路。但 Chain 本质偏向线性执行，原生不支持循环、多分支、复杂跳转，面对复杂的 Agent 场景能力受限。
所以接下来学习 LangGraph——Agent 的图编排引擎。它底层依旧复用 LangChain 的全套组件，在此之上新增了图编排能力：State 状态、节点、边、检查点 Checkpoint 等。
借助图模型，可以实现循环、条件分支、并行执行、多 Agent、会话中断恢复等复杂能力。
不过 LangGraph 是底层编排框架，很多 Agent 通用能力需要自己从零实现。如果想用基于 LangGraph 进一步封装的方案，可以学一下 DeepAgents——它内置了任务规划、多 Agent、Skill 等现成能力，开箱即用。
补齐后端能力
业务的 Agent 都跑在后端环境里，市面上的 Agent 开发基本都是全栈岗，所以要顺带补齐后端能力：
- 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
另外会讲一下后端框架 Nest 的基础。
Agent 全链路监测
之后查缺补漏，讲 Agent 的全链路监测方案 LangSmith、LangFuse，记录 Agent 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
可视化复现 Agent 的思考与工具执行过程，方便排查死循环、参数错误、响应慢等问题，做全链路观测。还能跑一些 RAG 指标的评估实验。
大模型底层原理（了解即可）
还会讲解大模型底层原理，比如 Transformer 架构、单向/双向注意力、训练/推理阶段、自回归生成等。但主要目标是学 Agent 开发，大模型底层原理了解即可，不必深入。
项目实战：企业级知识库项目
学完基础之后进入项目实战——企业级知识库项目，综合运用前面学到的后端技术和 Agent 框架。
大部分公司的 Agent 项目是围绕 RAG 来的，说明企业需求主要集中在这里。所以实战项目也选择最适配企业需求的场景来做。
语言问题：Agent 开发是语言无关的
课程用 TypeScript 讲，但 LangChain、LangGraph 的 API 在 Python 里是一样的，Agent 的实现方案是语言无关的，所以学 Agent 用啥语言都行。
不过简历上可以写 Python 技能，这样岗位匹配度更高。很多同学学完入职后，都是指挥 AI 用 Python 写 Agent——重点是 Agent 相关的学习，这是语言无关的。
总结
整条学习路线可以概括为：
- Agent 基础：从 LangChain 开始，掌握 ChatModel、Tool Call、MCP、RAG、Memory 等核心组件
- Agent 框架：LangGraph 图编排引擎，以及基于它封装的 DeepAgents
- 后端基础：Docker Compose、PostgreSQL、Redis、ElasticSearch、RabbitMQ、Minio、Milvus 等
- 项目实战：企业级知识库项目，把前面学的综合运用一遍
- 简历参考：大量真实 Agent 简历，借鉴项目背景、技术栈、实现方案来理清思路
- 面试押题：真实高频 Agent 面试题，面试时答题思路更清晰
脑子里有了这条路线，后面学起来就更有方向感了。
