#想从事Agent应该学习哪些技术？### 思维转变：Agent开发的本质

在讨论具体技术前，需要先理解Agent开发与传统AI/软件开发的根本不同。Agent的本质是 **LLM + Memory + Planning + Tool Use** 的集合体，要求开发者从"面向过程编程"转向"面向目标（Goal-Oriented）编排"。Agent构建的是一个能在开放环境中**感知-规划-行动-观察**的动态系统，而非传统的"输入-处理-输出"封闭流程。

---

## 六步学习路线图

### 第一步：掌握大语言模型基础

**Python**是目前Agent开发的绝对主力语言（其次是TypeScript、Go），在此基础上深入学习：

- **Prompt工程**：从简单的指令设计升级为结构化编程，掌握思维链（Chain-of-Thought）、少样本学习（Few-Shot）、输出格式化（JSON/XML）等高级技巧
- **函数调用（Function Calling）**：这是让LLM连接外部世界的关键协议，需精通如何定义、描述工具函数并解析LLM的调用请求
- **上下文管理**：理解Token计算、上下文窗口限制及溢出处理，让Agent拥有持续对话和长期学习的能力

### 第二步：精通编排框架

- **LangChain / LangGraph**：LangChain生态中，LangGraph将Agent建模为"有向图"，通过节点和边管理复杂的循环和自我纠错，是生产环境使用最广泛的框架。入门时需要深入理解Chain和Graph概念，以及DAG（有向无环图）的执行逻辑
- **LlamaIndex**：如果你的Agent核心任务是处理海量企业文档（RAG），LlamaIndex是最强大的数据连接器和索引技术首选

### 第三步：构建记忆与检索体系

Agent的智能很大程度上取决于它"记得什么"：

- **向量数据库**：熟练使用Milvus、Pinecone、腾讯云VectorDB等
- **RAG进阶**：掌握分块策略（Chunking）、重排序（Re-ranking）、混合检索（Hybrid Search），以及如何防止长短期记忆污染、保证检索准确率
- **记忆机制**：理解对话记忆、摘要记忆、向量记忆等多种模式，让Agent具备长期学习能力

### 第四步：工具调用与集成架构

Agent的能力边界等于其可调用工具的集合。核心技能包括：

- **工具抽象与封装**：将内部API、数据库查询甚至RPA流程封装成标准化的工具函数
- **工具路由与编排**：设计逻辑让Agent根据上下文自动选择合适工具
- **MCP协议**：2026年已成为连接模型与外部工具的事实标准，开发的工具插件可以在LangChain、Claude、AutoGen之间无缝通用
- **安全性设计**：工具调用必须置于权限和审核机制之下，设计熔断策略和降级方案

### 第五步：掌握核心架构模式

两种最核心的智能体架构模式必须深入理解：

| 模式 | 核心逻辑 | 适用场景 |
|------|----------|----------|
| **ReAct** | 每一步行动前先输出思考过程：Thought → Action → Observation → Thought... | 需要动态调整的开放式任务 |
| **Plan-and-Solve** | 先生成完整步骤清单，再逐一执行，执行后进行反思与修正 | 任务路径相对明确的场景 |

此外，Multi-Agent Collaboration（多智能体协作）模式也已成为标配，让多个专精Agent分工合作完成复杂任务。

### 第六步：工程化与评估

这是Demo和生产级应用的核心区别：

- **评估体系**：使用Ragas等工具建立自动化测试集，量化Agent表现
- **鲁棒性设计**：当模型出现幻觉或死循环时，系统需有熔断机制
- **可观测性**：使用LangSmith / LangFuse记录Agent每一步的思考轨迹，定位问题节点
- **微调能力**：在必要时针对特定任务微调小参数模型（SLM）以降低成本

---

## 主流框架全景

根据功能定位和技术复杂度，Agent框架可分为三类：

| 类别 | 代表框架 | 特点与适用场景 |
|------|----------|----------------|
| **逻辑编排框架** | LangGraph、LangChain、LlamaIndex | 底层架构层，决定Agent如何思考、规划和执行任务 |
| **多智能体协作框架** | CrewAI、AutoGen | 当需要多个角色协作时使用，如CrewAI擅长角色扮演式分工 |
| **低代码/可视化平台** | Dify、Coze、n8n | 适合快速原型验证和非技术人员使用 |

**选型速查**：
- 追求**生产环境极致稳定** → LangGraph
- 追求**快速原型和商业演示** → CrewAI
- 追求**与企业现有系统深度集成** → Semantic Kernel 或 Dify
- 核心任务是**海量文档RAG** → LlamaIndex

---

## 关键技术速查表

| 技术领域 | 必学项 | 进阶项 |
|----------|--------|--------|
| 编程语言 | Python | TypeScript / Go |
| 编排框架 | LangChain / LangGraph | LlamaIndex |
| 多Agent协作 | CrewAI | AutoGen |
| 向量数据库 | Milvus / Pinecone | Tencent Cloud VectorDB |
| RAG技术栈 | 分块 + 混合检索 | 重排序 + 多模态检索 |
| 协议标准 | MCP 2.0 | Semantic Kernel |
| 评估调试 | LangSmith / LangFuse | Ragas + AgentRx |
| 架构模式 | ReAct + Plan-and-Solve | Multi-Agent Collaboration |

---

## 面试高频考点

1. **ReAct与Plan-and-Solve的区别**：ReAct是动态逐步推理-行动循环，Plan-and-Solve是先生成完整计划再执行，各适用于什么场景？
2. **如何设计Agent的记忆系统**：短期记忆（对话历史）和长期记忆（向量数据库）如何配合？如何防止记忆污染？
3. **工具调用的安全性设计**：如何防止Agent越权操作？熔断机制如何设计？
4. **多智能体协作的设计模式**：何时用中心协调模式，何时用对等协商模式？
5. **Agent评估体系的设计**：如何量化一个Agent的好坏？Ragas等工具的核心指标是什么？

---

**一句话建议**：不要停留在Demo层面，动手构建一个能解决真实问题的Agent——比如自动分析日志的运维智能体或智能客服——才能真正掌握从胶水层到工程化的全链路能力。