布吉岛 Agent

Appearance

Agent 开发学习路线 ​

Agent 领域发展很快，内容也越来越多

text
Tool Calling
RAG
Memory
MCP
Skills
Multi-Agent
LangGraph
Transformer
LoRA
vLLM
……

然后就会有一个问题：

这么多东西我到底应该先学哪个？

而且不同教程给出的路线有时候还不一样。

有的从 Python 开始，有的先讲机器学习，有的上来就是 LangGraph，还有一些会把微调、本地部署甚至模型训练全部放进 Agent 学习路线。

这些路线并不一定错，只是受众群体并不完全一样。

如果目标只是开发一个 Agent 项目，需要掌握的东西和准备大模型应用岗位并不完全相同；如果以后想做大模型算法，学习范围又会继续扩大。

所以 Agent 开发学习路线并不是一成不变的。

知道哪些是 Agent 开发的主线，哪些是按需补充的专项能力，以及自己的目标需要学到什么程度。

Agent 开发到底要学哪些东西 ​

大致可以分成三类。

第一类是开发主线：

text
编程与开发基础
↓
模型 API
↓
Tool Calling
↓
Agent
↓
Agent Framework
↓
真实项目

这是 Agent 开发最基本的能力。

第二类是围绕 Agent 不断向外延伸的知识，比如：

text
Agent 原理
LLM
RAG
微调
本地部署
模型推理
Multi-Agent

它们同样很重要，但重要并不意味着同样要全学。

第三类就和目标有关。

例如准备求职，还需要重新补计算机基础、算法、大模型相关面试知识；如果目标进一步变成大模型算法工程师，那么数学、机器学习、深度学习和模型训练又会成为新的主线。

所以合理的学习路径应该：先把当前阶段需要的东西学会，再随着项目、兴趣或者职业目标继续扩展。

路线一：按照「布吉岛 Agent」怎么学 ​

「布吉岛 Agent」目前主要面向 Agent 开发和大模型应用开发。

整个教程并不要求按照栏目顺序从第一篇一直读到最后一篇，而是把不同深度、不同用途的内容分开。

text
入门
 ↓
框架
 ↓
项目

原理 → 按需深入

LLM / RAG → 推荐扩展

面试题 → 求职阶段使用

虽然导航中「原理」位于「入门」之后，但它并不是进入框架之前必须完成的一门课程，更希望大家按需深入了解。

第一步：入门——先建立完整的 Agent 认知 ​

如果完全不了解 Agent，那么建议先从入门开始。

入门栏目的任务主要是把整个 Agent 世界先看明白：

  • Agent 到底是什么
  • Workflow、RAG 和 Agent 有什么区别
  • Tool Calling 是怎么回事
  • Agent 为什么能够持续执行任务
  • Context、Memory、MCP、Skills 等概念分别解决什么问题
  • 怎么从零跑通一个最小 Agent
  • 一个简单 Agent 走向真实系统时还会遇到哪些问题

这些内容更偏向建立认知和基本实践。

即使没有太多编程经验，也可以借助 AI 辅助阅读；如果本来就会 Java、Python、TypeScript 等语言，就可以更快进入代码部分。

第二步：原理——感兴趣的专题再继续深入 ​

原理栏目紧跟入门，是因为很多内容本身就是对入门概念的继续追问。

比如入门已经知道 MCP 是什么、怎么使用，接下来可能还会想知道：

MCP 为什么这样设计？协议内部到底怎么通信？不同版本之间发生了什么变化？

Memory、Context Engineering、Skills、Agent Loop 等也是类似的思路。

但这里我需要强调一下：

原理栏目不推荐从第一篇顺序读到最后一篇。

它类似一个围绕 Agent 展开的专题知识库。

开发过程中遇到了哪个问题，或者对哪个概念产生兴趣，再回来深入对应内容即可。

第三步：框架——开始真正学习 Agent 开发 ​

理解 Agent 的基本结构以后，就可以开始接触真实的 Agent Framework。

我们不会把所有框架都学一遍。

而是先学会：

text
怎么判断框架适不适合自己的业务
↓
怎么使用它完成真实任务
↓
它内部一些关键设计是怎么实现的

例如不同框架可能都在处理：

  • Agent Loop
  • Tool Execution
  • Context
  • Session
  • Streaming
  • State
  • Compaction

但设计方式并不完全一样。

框架栏目除了使用方法，也会挑选这些关键位置结合源码分析。

这就有点像学习 Spring 的时候，没有必要从头阅读整个源码，但 IOC、AOP、自动配置、Bean 生命周期这些关键机制值得单独看。

Agent Framework 也是一样。

我们重点不是背 API，而是逐渐看懂： 一个真正的 Agent Framework 为什么会变成现在这个样子。

第四步：项目——进入真实项目做定制开发 ​

框架学会以后，还需要进入真正的项目。

项目栏目不会只停留在“重新写一个 Demo”。

更希望基于相对完整、质量较高的开源项目继续开发，因为真实项目通常已经存在很多模块：

text
模型层
Agent
Tool
RAG
数据库
权限
用户
任务
业务服务
……

这时候再增加一个能力，面对的问题和从零写几十行示例代码完全不同。

可能需要考虑：

  • 新功能应该放在哪一层
  • 怎么复用已有业务能力
  • 怎么避免 Agent 和业务完全耦合
  • 一个模块变化会不会影响其他模块
  • 失败、权限和运行边界怎么处理

项目栏目的重点因此是：

在一个已经存在的真实系统里，完成合理的定制开发。

做到这一步以后，学习 Agent 就开始从“会用某个框架”逐渐转向真正的工程能力。

第五步：LLM——想继续理解模型，再系统深入 ​

只做 Agent 开发项目，其实没有必要把大模型底层原理全部搞明白。

但如果不满足于“会调用模型 API”，或者希望拓宽自己的知识面，就可以继续进入 LLM 栏目。

这里会更加系统地讨论模型本身，例如：

text
Token / Tokenizer
Embedding
Transformer
Attention
模型如何训练
为什么会出现幻觉
微调
量化
模型推理
本地部署
……

这些知识对于理解模型能力边界、准备相关岗位或者继续向更底层方向发展都很有价值。

但它属于推荐深入，而不是 Agent 开发必须的。

第六步：RAG——需要知识检索能力，再专项学习 ​

RAG 也是一套可以独立深入的知识体系。

很多企业 Agent 最终都会接触知识库、文档检索和内部数据，因此掌握 RAG 也非常重要。

但不同 Agent 对 RAG 的依赖差异很大。

企业知识助手可能大量依赖 RAG，而 Coding Agent、Browser Agent 或一些自动化 Agent 完全可能在很长时间里都不需要复杂的检索系统。

所以 RAG 栏目会从基础逐渐深入：

text
Chunking
Embedding
Retrieval
Vector Database
Hybrid Search
Rerank
Context 构建
企业级 RAG
……

什么时候进入这个栏目，可以直接根据自己的项目和兴趣决定。

第七步：面试题——准备求职时集中复习 ​

如果开始准备 Agent 开发、大模型应用等相关岗位，再进入面试题栏目。

这个栏目不会单纯把前面文章重新缩写一遍，而是按照真实面试中的提问方式重新组织知识。

例如一个问题可能从：

什么是 RAG？

继续追问到：

Chunk 为什么这样切？召回效果不好怎么办？Rerank 在哪里加入？

LLM、RAG 中一些高频知识也会在面试题栏目出现。

区别在于：

text
面试题
→ 重点是理解、回答和应对追问

LLM / RAG
→ 重点是把一套知识真正系统展开

如果只是准备面试，可以先通过面试题栏目掌握核心内容；某个知识点想继续深入，再进入对应的专项栏目就可以了。

教程主线到底是哪一条 ​

如果不知道怎么开始，那么就按照这个路线：

text
入门 → 框架 → 项目

其他栏目按需深入了解：

  • 原理：遇到感兴趣的问题随时深入
  • LLM：希望进一步理解模型时学习
  • RAG：项目需要或希望系统掌握检索时学习
  • 面试题：准备面试的时候重点使用

所以不要因为「原理」排在第二个栏目，就先把整个原理栏目读完再进入框架。

也不要为了学习 Agent，花很长时间把 LLM 和 RAG 全部学完。

路线二：通用的 Agent 开发学习路线 ​

即使大家不按照「布吉岛 Agent」教程学习，我认为合理的 Agent 开发学习路线大概如下：

text
编程基础
↓
模型调用
↓
Tool Calling
↓
最小 Agent
↓
Agent Framework
↓
真实项目
↓
按需深入

第一阶段：补齐基本编程和开发能力 ​

如果完全没有编程基础，可以优先学习 Python。

不是 Agent 只能使用 Python，而是目前大量大模型和 Agent 生态的示例都提供了 Python 版本，学习资料也比较丰富。

Python 也推荐大家作为第一个入门编程语言，容易理解。

但如果已经熟悉 Java、TypeScript或者其他语言，也可以先不学 Python。

真正需要的是基本开发能力，例如：

  • 函数、类和模块
  • HTTP 和 API
  • JSON
  • 环境变量
  • 包管理
  • Git
  • 基本数据库操作
  • Linux 和命令行基础

目标只是做到：

能够读懂一个简单的大模型应用，并能够借助AI修改和运行。

不用等到“编程全部学完”才开始下一步。

第二阶段：学会调用大模型 ​

用代码调用一次模型。

在这个过程中理解 Messages、System Prompt、Context Window、Structured Output 等基本概念。

重点是建立代码开发模型应用的基本感觉。

这一阶段结束以后，模型对我们来说就不再只是聊天网页，而是程序中的一个能力组件。

第三阶段：理解 Tool Calling，并自己跑通一个最小 Agent ​

Tool Calling 是从普通模型调用走向 Agent 非常关键的一步。

先亲手跑通一次：

text
Model
↓
Tool Call
↓
宿主程序执行 Tool
↓
Tool Result
↓
Model 再决定下一步

真正跑过一次以后，后面再看到不同 Framework 中复杂的 Runtime、State 和 Workflow，会更容易理解它们到底在扩展什么。

这个阶段也不用追求完整。

几个简单 Tool，加上一条能够持续执行的 Loop，已经足够建立核心认知。

第四阶段：学习一个主流 Agent Framework ​

理解最小 Agent 之后，再选择一个主流 Framework 深入学习。

这里最容易犯的错误是：

text
LangGraph 学一点
AgentScope 学一点
另一个框架再学一点
……

最后知道很多框架，却一个都没有深入了解。

实际上应该：

先选择一个适合自己的主框架，把一个完整项目做出来。

等真正理解框架以后，再去比较其他框架的状态管理、Tool、Workflow、Multi-Agent 等设计，才会更好理解。

第五阶段：用真实项目建立工程能力 ​

真正拉开差距的不是“会不会调用一个 Agent API”，而是项目开始复杂以后还能不能继续处理。

例如：

text
Tool 会失败
Context 会增长
业务规则会变化
模型可能需要切换
权限需要控制
任务可能被用户中断

这些问题很难通过单独背概念真正掌握。

进入完整项目以后，它们会自然出现。

所以这个阶段不要只继续学框架 API，而应该把重点逐渐转向：

怎么把 Agent 放进真实软件系统。

第六阶段：根据需要补充专项能力 ​

到这里以后，学习路线就不是一条直线了。

项目需要企业知识库，可以深入 RAG。

希望了解模型为什么会这样工作，可以深入 LLM。

需要私有化模型，可以学习量化、vLLM、SGLang 和部署。

业务开始出现长期状态，再深入 Memory。

需要大量外部工具，可以继续学习 MCP。

单 Agent 已经难以承担任务，再研究 Multi-Agent。

LLM、RAG、微调和本地部署到底要不要学 ​

这几个方向经常被同时塞进“Agent 学习路线”。

实际上它们的重要程度取决于目标。

能力普通 Agent 项目系统拓展知识Agent / 大模型应用求职
LLM 原理推荐了解推荐深入重要
RAG按项目需要推荐学习很多岗位重要
微调通常非必需可以了解部分岗位重要
本地部署 / 推理通常非必需可以了解部分岗位重要

例如一个调用云端模型 API 的 Coding Agent，完全可以不先学习 LoRA 和本地部署。

但如果目标是大模型应用相关岗位，Transformer、RAG、微调、模型部署等内容都可能被面试官问到。

不同目标的人，学习路线应该怎么调整 ​

只想做 Agent 项目 ​

如果目标非常直接，就是想把 Agent 做出来，那么路线可以保持简单：

text
开发基础
↓
Agent 入门
↓
一个主流 Framework
↓
真实项目

其他知识在项目需要时再补。

想系统学习 Agent ​

如果不只希望“能跑”，还希望对 Agent 有比较完整的理解，可以在主线之外增加更多原理学习。

重点可以放在：

text
Context
Memory
MCP
Skills
Agent Runtime
状态管理
Tool 设计
Multi-Agent

同时通过不同 Framework 的实现观察这些概念在真实系统里怎么落地。

LLM 和 RAG 也建议整体学习一遍。

准备找 Agent / 大模型应用相关工作 ​

求职路线会明显比单纯做项目更宽。

除了 Agent 主线，还应该根据目标岗位补充：

  • LLM 基础原理
  • RAG
  • 微调基础
  • 模型部署与推理基础
  • 数据库、网络、操作系统等计算机基础
  • 算法题
  • 项目设计和工程问题

不同公司的岗位边界差异比较大。

有些更偏后端和 Agent 工程，有些会继续追问 Transformer、LoRA、模型部署甚至训练相关内容。

所以求职时应该回到具体 JD，判断这个岗位到底更靠近：

text
软件工程
大模型应用
还是模型算法

再调整准备深度。

面试题栏目也会按照这种方式整理高频问题，而不是把所有岗位混成一套固定答案。

想往大模型算法方向继续深入 ​

如果目标已经从 Agent 开发继续转向大模型算法，那么学习路线会发生明显变化。

通常还需要系统补充：

text
数学基础
↓
机器学习
↓
深度学习
↓
PyTorch
↓
Transformer
↓
模型训练
↓
微调 / 后训练
↓
分布式训练与推理优化

这已经不是单纯的 Agent 开发路线。

需要特别说明：

「布吉岛 Agent」目前主要面向 Agent 开发和大模型应用开发，只依靠本站内容并不足以完整学习大模型算法。

LLM 栏目可以帮助理解 Transformer、训练、微调、推理等相关内容，但它仍然不能替代完整的机器学习、深度学习、数学和模型训练体系。

如果最终目标是大模型算法工程师，应该把本站相关内容作为其中一部分，而不是完整课程。

最后应该怎么安排自己的学习顺序 ​

Agent 领域变化很快，很难提前把所有未来会遇到的东西全部学完。

实际上应该：

text
先学到能够动手
↓
开始做项目
↓
让真实问题暴露出来
↓
补对应知识
↓
继续深入

不要因为以后“可能用到”，就在第一阶段把所有 Framework、Transformer 细节、微调方法、RAG 技术和 Multi-Agent 全部学一遍。

记住：

主线持续往前走，专项知识按需要向两边扩展。