【AI Agents 学习路线图】

这份路线图旨在为学习和构建 AI Agents（人工智能代理）提供一个结构化的指引。它涵盖了从基础知识到高级概念和实践应用的各个方面。

核心要点：

1. 基础前提 (Pre-requisites):

- 需要掌握基础后端开发知识。

- 熟悉 Git 和终端的使用。

- 了解 REST API 的基本原理。

- （路线图还链接到了更详细的后端、Git 和 API 设计路线图）。

2. 大语言模型基础 (LLM Fundamentals):

- 理解Transformer 模型和 LLM 的工作原理（如 Tokenization、Context Windows、Token 定价）。

- 了解开源和闭源模型。

- 掌握生成控制参数（如 Temperature, Top-p, Presence/Frequency Penalty）。

- 理解不同的模型家族和许可证。

- 掌握一些关键概念对比：流式 vs 非流式响应、推理模型 vs 标准模型、微调 vs 提示工程、嵌入和向量搜索、RAG 基础、常见模型定价。

3. AI Agents 入门 (AI Agents 101):

- 理解什么是 AI Agents 以及什么是 Tools。

- 掌握核心的 Agent 循环 (Agent Loop)：感知/用户输入 -> 推理和规划 -> 行动/工具调用 -> 观察和反思。

- 了解常见的应用场景：个人助理、代码生成、数据分析、网页抓取、NPC/游戏 AI。

4. 提示工程 (Prompt Engineering):

- 学习如何编写有效的提示（明确具体、提供上下文、使用专业术语、使用示例、迭代测试、指定格式等）。

- （路线图链接到更详细的提示工程路线图）。

5. 工具/行动 (Tools / Actions):

- 如何定义工具（名称描述、输入输出模式、错误处理、使用示例）。

- 了解常见的工具示例：网页搜索、代码执行 (REPL)、数据库查询、API 请求、邮件/Slack/SMS、文件系统访问。

6. 模型上下文协议 (Model Context Protocol - MCP):

- 了解 MCP 的核心组件（Hosts, Client, Servers）。

- 知道如何创建 MCP 服务器及其部署模式（本地桌面、远程/云）。

7. Agent 记忆 (Agent Memory):

- 区分情景记忆 (Episodic) 和语义记忆 (Semantic)。

- 理解短期记忆（通常在提示内）和长期记忆（如向量数据库、SQL、自定义存储）。

- 掌握维护记忆的方法（RAG、用户配置文件存储、摘要/压缩、遗忘/老化策略）。

8. Agent 架构 (Agent Architectures):

- 学习常见的架构：RAG Agent、ReAct (Reason + Act)、Chain of Thought (CoT)。

- 了解其他架构模式：Planner Executor、DAG Agents、Tree-of-Thought。

9. 构建 Agents (Building Agents):

- 手动（从零开始）：直接调用 LLM API、实现 Agent 循环、解析模型输出、处理错误和速率限制。

- 使用框架 (Frameworks)：Langchain、LlamaIndex、Haystack、AutoGen、CrewAI、Smol Depot 等。

- 利用 LLM 原生功能调用 (Function Calling)：OpenAI Functions/Assistant API、Gemini Function Calling、Anthropic Tool Use。

10. 评估与测试 (Evaluation and Testing):

- 需要关注的指标 (Metrics)。

- 单元测试（针对单个工具）。

- 集成测试（针对流程）。

- 人工参与评估 (Human in the Loop)。

- 评估框架：LangSmith、DeepEval、Ragas。

11. 调试与监控 (Debugging and Monitoring):

- 结构化日志和追踪。

- 可观测性工具：LangSmith、Helicone、LangFuse、openllmetry。

12. 安全与伦理 (Security & Ethics):

- 关注提示注入/越狱风险。

- 工具沙箱/权限控制。

- 数据隐私和 PII（个人身份信息）脱敏。

- 偏见和毒性内容防护。

- 安全性和红队测试。

13. 相关路线图:

- 这份路线图与其他 AI 相关领域（如 AI 工程师、AI 与数据科学家、MLOps、AI 红队、提示工程）的学习路线图相关联，可以进一步深入学习。

总结:

这份路线图提供了一个全面学习 AI Agents 的框架，从理论基础到实践构建，再到评估、监控和安全伦理，覆盖了开发和部署 AI Agents 所需的关键知识点和技能。它强调了 LLM 基础、Agent 核心循环、工具使用、记忆机制和不同架构的重要性，并列举了常用的框架和工具。

学习路线图开发者资源AI学习AI创造营