本文基于 Datawhale 开源项目 Agent-Learning-Hub，为想从调用大模型 API 走到能做出可靠 Agent 项目的学习者提供学习路线。文章强调 Agent 的核心在于观察、选择动作、调用工具、检查结果并在出错时拉回，而非追名逐利。学习重点应放在工程本身，如 agent loop、工具调用、RAG、记忆、harness、skills、协议、评测和安全。文章拆解了从最小 Agent Loop 到多 Agent 协作，再到技能封装和浏览器操作 Agent 的完整学习路线，并提供了 90 天学习安排和常见坑的避坑指南，旨在帮助学习者稳扎稳打，最终交付一个真实可用的 Agent 项目。
本文基于 Datawhale 开源项目 Agent-Learning-Hub 整理。
适合想从“会调用大模型 API”，走到“能做出一个可靠 Agent 项目”的学习者。
最近学 AI Agent 的人很多，但真正卡住的地方往往不是“资料太少”，而是“资料太多”。
今天看到 LangGraph，明天看到 CrewAI，后天又刷到 AutoGen、MCP、A2A、Browser Agent、Coding Agent。收藏夹越来越厚，项目却还是没有跑起来。
如果你也有这种感觉，先别急着补框架。
学 Agent 最重要的不是追名词，而是先搞清楚一件事：
一个 Agent 到底怎样观察问题、选择动作、调用工具、检查结果，并在出错时把事情拉回来。
这也是 Datawhale 这份 Agent-Learning-Hub 最值得参考的地方。它没有把路线做成“框架大全”，而是把学习重点放回了工程本身：agent loop、工具调用、RAG、记忆、harness、skills、协议、评测和安全。
下面这篇文章，就按这条思路，把 AI Agent 学习路线拆成一套可以照着执行的教程。
一、先说清楚：什么是 Agent？
很多人第一次接触 Agent，会把它理解成“更聪明的聊天机器人”。
这个理解只对了一小半。
聊天机器人主要做一件事：你问，它答。
工作流主要做一件事：你提前写好流程，它按流程走。
而 Agent 要解决的是另一类问题：任务不完全确定，过程中需要根据观察结果不断调整下一步。
举个简单例子。
你让普通聊天机器人“帮我调研某个行业”，它可能直接给你一段总结。
你让工作流系统做调研，它会按固定步骤：搜索 3 个关键词、抓 5 篇文章、生成总结。
而一个更像样的 Agent，会先判断任务目标，再搜索资料；如果结果太泛，会改关键词；如果发现资料冲突，会继续验证；如果需要引用，会保留来源；最后再输出报告。
它不是一次性回答，而是在做一个循环。
这个循环可以简化成四步：
观察： 读取用户输入、当前状态、历史上下文、工具返回结果。
思考： 判断下一步该回答、该调用工具，还是该继续查证。
行动： 按明确的 schema 调用搜索、文件、数据库、浏览器、代码执行等工具。
复盘： 看工具结果是否有效，决定继续、修正，还是结束任务。
所以，Agent 的核心不是“模型会不会说话”，而是：
它能不能在不确定任务里稳定地做事。
这句话很关键。
因为很多 Demo 看起来惊艳，只是因为模型写了一段漂亮的话；但真正能用的 Agent，必须能追踪、能复现、能控制风险。
二、现在学 Agent，主线应该放在哪里？
Agent-Learning-Hub 里有一个很清醒的判断：
当前更值得投入的，不是老式“角色扮演多 Agent 框架”，而是更贴近真实生产力的方向。
可以把重点记成五个词。
1. Coding Agent
比如 Claude Code、OpenAI Codex 这类产品。
它们不是只会聊天，而是能进入真实代码库，读文件、改文件、跑测试、看报错、申请权限、处理上下文压缩。
如果你想理解 Agent 如何真正工作，Coding Agent 是非常好的样本。
因为软件工程场景天然要求闭环：不能只说“我改好了”，还要能运行、测试、回滚、解释。
2. Agent Harness
Harness 可以理解成 Agent 的“工程外壳”。
模型只是大脑的一部分，真正让 Agent 可用的，是外面这一整套系统：
工具怎么注册？
权限怎么控制？
状态怎么保存？
失败怎么重试？
上下文太长怎么压缩？
每一步怎么追踪？
发布前怎么评测？
很多时候，Agent 能力不是单纯来自模型，而是来自这个 harness。
3. Personal Agent
也就是更接近“个人操作系统”的 Agent。
它可能长期运行，接入本地文件、浏览器、消息入口、日程、知识库和技能包。
这类 Agent 的难点不只是回答问题，而是记忆、权限、长期任务、跨应用协作和安全边界。
4. Skills / MCP / A2A / ACP
这几个词很容易混。
简单说：
Tool 是一个可调用接口，比如搜索、读文件、发请求。
Skill 是一套可复用流程，比如“如何做代码审查”“如何写研究报告”。
MCP 让 Agent 标准化连接外部工具和数据源。
A2A 让不同 Agent 之间发现、通信和协作。
ACP 更偏 Agent 与宿主应用之间的连接协议。
如果说模型负责“想”，工具负责“做”，那 skills 和协议解决的是“能力如何复用、如何连接、如何扩展”。
5. Evaluation and Safety
这是很多入门教程会轻轻带过，但真实项目绕不开的部分。
Agent 一旦能调用工具，就不只是“说错话”的问题。
它可能误删文件、误发邮件、误查隐私数据、误把不可靠内容当证据。
所以，一个能交付的 Agent 至少要有：
固定测试集；
trace 记录；
成本和延迟统计；
工具权限边界；
高风险操作的人类确认；
prompt injection 和数据泄露防护意识。
没有这些，Agent 再会说，也只是 Demo。
三、完整学习路线：从 0 到能交付
先看一张总图。
下面按阶段拆开说。
Stage 0：先分清边界
这一阶段不要写太多代码，先把概念分清。
你需要能说清楚：
chatbot 适合什么？
workflow 适合什么？
agent 适合什么？
multi-agent 又适合什么？
更重要的是，要知道什么时候不该用 Agent。
如果一个任务流程稳定、规则明确、普通脚本就能完成，那硬上 Agent 反而会增加不确定性。
这一阶段的产出很简单：
写一页短笔记，回答“我的场景为什么需要 Agent，而不是普通 workflow？”
能回答这个问题，再往下走。
推荐资料与主要内容：
Agent-Learning-Hub：Stage 0
主要内容：原教程对 Stage 0 的要求很清楚：区分 chatbot、workflow、agent、multi-agent，理解 observe -> think -> act -> observe 的基本循环，并知道什么时候不该用 Agent。建议先按这里列出的 todo 自测一遍。
Anthropic：Building effective agents
主要内容：这篇文章很适合建立第一性理解。它强调大多数场景应先用简单 workflow，只有任务需要动态决策时再使用 agent，并给出 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer 等常见模式。
OpenAI：A practical guide to building agents
主要内容：偏产品和工程落地视角，讲什么时候适合构建 Agent、Agent 由模型、工具、指令、护栏等部分组成，以及如何从小场景开始验证价值。
Stage 1：写一个最小 Agent Loop
别一上来就装框架。
先自己写一个 50 到 150 行的小 Agent。
它只需要做到几件事：
调用一次 LLM API；
让模型输出结构化 JSON；
定义一个工具，比如 calculator、search、read_file；
解析模型的 tool call；
执行工具；
把工具结果再喂回模型；
设置最大步数、超时和错误处理。
这一阶段的目标不是功能强，而是让你真正理解 Agent 是怎么“转起来”的。
如果你跳过这一步，后面学任何框架都会停留在“会调 API”，但不知道它内部为什么这么设计。
推荐资料与主要内容：
OpenAI Docs：Function Calling
主要内容：学习如何把工具描述成结构化 schema，让模型返回可解析的工具调用参数。重点看“工具定义、参数校验、调用结果回传”这几件事。
Anthropic Docs：Tool use
主要内容：学习 Claude 的工具调用机制，尤其是模型如何请求使用工具、开发者如何执行工具、再把 tool result 返回给模型。适合对比不同厂商的 tool call 设计。
Gemini API：Function calling
主要内容：Google Gemini 的函数调用文档。建议不要只学一家 API，而是横向比较“函数声明、参数类型、调用模式、错误处理”这些共性。
ReAct 论文
主要内容：Reasoning + Acting 的经典范式。初学者不用逐字啃论文，重点理解“推理轨迹”和“行动调用”为什么要交替出现。
Stage 2：工具、RAG 与记忆
这一阶段开始做一个有实际用途的 Agent。
推荐项目是：资料研究助手。
输入一个主题，它可以自动搜索、筛选、总结，并输出引用来源。
你需要掌握：
文档如何切块；
embedding 怎么做；
如何检索相关内容；
如何让回答带 citations；
搜索、数据库、文件、浏览器怎么接成工具；
工具失败、空结果、重复调用怎么处理；
短期上下文、会话记忆、长期记忆有什么区别。
很多人以为 RAG 只是“向量库 + 大模型”。
但真正难的地方在于：怎么让 Agent 不乱引用、不把检索不到的内容编出来、不在工具失败时假装成功。
这一阶段做完，你应该能完成一个能用的研究类 Agent。
推荐资料与主要内容：
LlamaIndex：RAG 入门
主要内容：系统理解 RAG 的基本链路：加载文档、切块、索引、检索、生成回答。适合用来补“知识库 Agent”的底层概念。
LlamaIndex：Agents
主要内容：学习如何把 query engine、检索器和外部工具交给 Agent 使用。适合把普通 RAG 升级成“能选择工具的 RAG Agent”。
Model Context Protocol：Introduction
主要内容：MCP 解决的是 Agent 如何标准化连接外部工具、数据源和上下文。Stage 2 不必深入协议细节，但要知道“工具接入”正在走向标准化。
mem0 / Letta
主要内容：两个都适合学习 Agent 记忆层。mem0 更偏记忆组件，Letta 更偏 stateful agents 和上下文管理。建议先看它们如何区分用户偏好、事实记忆和任务上下文。
GPT Researcher
主要内容：一个非常接近“资料研究助手”的开源项目。适合学习多轮搜索、资料筛选、引用整理和长报告生成。
Stage 3：深入学一个现代 Agent Harness
到了这里，可以开始选一个系统学深。
注意，不是学十个框架的 Hello World，而是选一个现代 Agent 系统，把它拆开看。
你要找这些东西：
agent loop 在哪里；
tool registry 怎么设计；
permission gate 怎么拦截危险操作；
session store 怎么保存状态；
context compaction 怎么处理长上下文；
trace 如何记录每一步；
失败时如何重试和恢复。
可以研究的方向包括 Claude Code、Codex、OpenClaw、Hermes、LangGraph、hello-agents 等。
这一阶段的产出是：
一个可调试的 agent harness demo。
它应该有 README、运行步骤、示例输入输出，以及至少一次失败记录。
别害怕失败记录。
真正的工程能力，往往就是从“为什么失败”里长出来的。
推荐资料与主要内容：
Agent-Learning-Hub：Stage 3
主要内容：原教程在这一阶段列出了 Claude Code、learn-claude-code、OpenClaw、Hermes、LangGraph 等方向。重点不是都学一遍，而是选一个系统，拆它的目录结构、agent loop、tool registry、permission gate、session store 和 trace。
Claude Code Docs
主要内容：研究 coding agent 产品形态。重点看 CLI 如何进入代码库、如何使用工具、如何请求权限、如何与 GitHub/MCP/hooks/subagents 等能力配合。
OpenAI Agents SDK
主要内容：学习轻量但完整的 Agent SDK 设计：agents、tools、handoffs、guardrails、sessions、tracing。适合写一个生产化雏形。
LangGraph Overview
主要内容：学习状态图、可恢复执行、checkpoint、人类介入和长期运行任务。适合复杂流程、审批流、多步任务和需要明确状态管理的 Agent。
learn-claude-code
主要内容：从零复刻 Claude Code-like harness 的开源教程。适合想真正理解 coding agent 内部机制的人。
Stage 4：多 Agent 是协调，不是魔法
很多多 Agent Demo 看起来很热闹：一个 planner，一个 writer，一个 critic，一个 reviewer，大家聊来聊去，最后输出一篇报告。
但真实项目里，多 Agent 的重点不是“角色越多越聪明”，而是“职责边界越清楚越可靠”。
你需要学习：
planner / executor / reviewer / router 分别做什么；
如何定义每个 Agent 的输入输出 schema；
如何设定停止条件；
如何避免循环、争论和任务漂移；
什么时候单 Agent 反而更好。
推荐练习：
做一个 research -> write -> review -> revise 的小系统。
研究 Agent 只负责找资料；
写作 Agent 只负责成文；
审稿 Agent 只负责指出证据不足、结构混乱、表达不清；
修订 Agent 根据意见改稿。
这样做，才是多 Agent 协作。
推荐资料与主要内容：
Claude Code：Subagents
主要内容：学习“专用子代理”的思路：不同 agent 拥有不同职责、上下文和工具权限。适合理解多 Agent 不是聊天群，而是上下文隔离和任务委派。
Google Agent Development Kit
主要内容：Google 的 Agent 开发框架，覆盖 agents、tools、sessions、multi-agent、evaluation 和 deployment。适合从框架角度理解多 Agent 协作。
LangGraph：Multi-agent Systems
主要内容：学习 supervisor、handoff、network、hierarchical 等多 Agent 组织方式。重点看“谁调度谁、状态如何传递、什么时候停止”。
Agent2Agent Protocol
主要内容：A2A 关注的是不同 Agent 之间如何发现、通信和协作。Stage 4 可以先看概念，理解未来多 Agent 不一定都在同一个框架里。
AutoGen
主要内容：经典多 Agent 对话框架。现在不建议把它作为唯一主线，但适合了解多 Agent 对话、角色协作和历史演进。
Stage 5：学习 Skills、协议和能力封装
Agent 变强，不只是因为模型变强，也因为它能复用经验。
Skill 就是把一类任务的做法沉淀下来。
一个好的 skill 通常包含：
什么时候使用；
具体步骤；
需要哪些脚本或模板；
如何验证结果；
失败时怎么处理。
举个例子。
“写研究报告”不是一个普通 prompt，而可以变成一个 skill：
先确认主题和受众；
再搜索资料；
保留来源；
整理大纲；
写初稿；
检查引用；
生成最终版本。
这个流程可以反复复用，也可以被版本化、测试和分发。
同时，你还需要理解 MCP、A2A、ACP 这些协议。它们不是炫技名词，而是解决一个实际问题：
Agent 如何稳定接入外部工具、其他 Agent 和宿主应用。
推荐资料与主要内容：
Claude Code：Skills
主要内容：学习 skill 的文件结构、触发机制和渐进式加载。重点理解 skill 不是一段 prompt，而是可发现、可复用、可版本化的能力包。
Anthropic：Agent Skills
主要内容：从更通用的 Agent 视角理解 skills：什么时候该封装成 skill、skill 里应该放步骤还是脚本、如何让模型按需加载额外资料。
Model Context Protocol
主要内容：MCP 用来连接工具和数据源。和 skill 的区别是：MCP 负责“接进来”，skill 负责“怎么做一类任务”。
Agent Client Protocol
主要内容：ACP 更偏 Agent 与编辑器、IDE、应用宿主之间的交互协议。适合理解 Agent 如何嵌入真实软件，而不是只在命令行里运行。
OpenClaw Skills
主要内容：适合观察本地个人 Agent 如何组织 skills、系统工具、权限边界和长运行任务。不要只看功能，要看它如何把能力变成可复用模块。
Stage 6：浏览器和电脑操作 Agent
Browser Agent 和普通 API Tool 不一样。
API 是结构化的，浏览器页面是变化的。
你要处理：
页面加载慢；
按钮位置变了；
弹窗挡住内容；
元素定位失败；
网页内容和截图不一致；
平台规则和账号安全限制。
这一阶段可以用 Playwright 或 browser-use 做练习。
但请记住一个边界：
只操作公开网页，不登录敏感账号，不绕过平台规则。
浏览器 Agent 很有用，但安全边界要比普通工具更严。
推荐资料与主要内容：
Playwright Docs
主要内容：浏览器自动化基础。重点看 locator、click、fill、screenshot、trace、等待策略。做 Browser Agent 前，最好先能自己写稳定的 Playwright 脚本。
Anthropic：Computer use
主要内容：学习模型如何观察屏幕、移动鼠标、点击和输入。重点不在炫技，而在安全限制、任务边界和人类监督。
browser-use
主要内容：浏览器 Agent 开源项目。适合学习如何把网页观察、动作执行、失败恢复、任务规划组合起来。
WebArena / VisualWebArena
主要内容：真实网页环境下的 Agent benchmark。适合理解为什么网页任务很难：页面状态复杂、视觉信息不稳定、任务需要长期规划。
Stage 7：评测、安全和可观测
如果前面几个阶段让 Agent “能做事”，这一阶段就是让它“做得可靠”。
你需要给 Agent 准备固定测试集，而不是每次只看一个漂亮 demo。
至少记录这些信息：
任务是否成功；
失败发生在哪一步；
调用了几次工具；
花了多少 token；
耗时多久；
有没有越权风险；
回答有没有引用依据。
建议做一个 eval 表格，先写 20 条任务。
每次你改 prompt、改工具、换模型、换检索策略，都跑一遍。
这一步会让你明显感觉到：Agent 工程不是玄学，它可以被观测、被比较、被改进。
推荐资料与主要内容：
OpenAI Evals
主要内容：学习如何给模型或 Agent 准备评测集，记录期望输出、实际输出和评分方式。重点是把“感觉更好”变成“有数据对比”。
LangSmith Evaluation
主要内容：学习 trace、dataset、experiment、regression testing 等概念。适合做 Agent 调试、回放和版本对比。
OWASP Top 10 for LLM Applications
主要内容：学习 prompt injection、敏感信息泄露、供应链风险、过度授权等安全问题。Agent 一旦能调用工具，安全问题就不只是“答错”。
AgentBench / SWE-bench
主要内容：两个典型 benchmark。AgentBench 用来理解通用 Agent 能力评测，SWE-bench 用来理解真实 GitHub issue 修复为什么难。
Stage 8：交付一个真实 Agent
最后，不要只停在本地 demo。
做一个别人能 clone 下来运行的项目。
它需要有：
明确用户；
明确任务；
明确成功标准；
日志和 trace；
错误重试和超时；
成本上限；
权限边界；
高风险动作人工确认；
部署方式；
README 和限制说明。
到这一步，你才算真正从“学 Agent”走到了“交付 Agent”。
推荐资料与主要内容：
OpenAI Agents SDK：Tracing
主要内容：交付前必须能看见每一步。重点看如何记录 Agent 运行轨迹、工具调用、handoff、错误和耗时。
OpenAI：Production best practices
主要内容：上线前检查速率限制、重试、超时、错误处理、监控、成本控制和安全边界。适合作为 Agent 项目的生产化 checklist。
FastAPI：Deployment
主要内容：如果你把 Agent 做成 Web API，需要理解进程模型、环境变量、反向代理、容器部署和健康检查。
Docker Docs：Get Started
主要内容：把 Agent 项目的运行环境封装起来，避免“我电脑能跑，你电脑跑不了”。README 里最好包含 Docker 启动方式。
GitHub Actions Docs
主要内容：适合做 CI、定时任务、自动评测和发布前检查。一个可交付 Agent，至少应该能自动跑 smoke test 或 eval 子集。
四、项目阶梯：按这个顺序练
学习 Agent 最怕只看文章不做项目。
如果不知道从哪开始，可以按下面这个阶梯练。
推荐顺序是：
第 1 层：Calculator Agent
只做最小 tool call loop。目标是理解模型如何选择工具、如何接收工具结果。
第 2 层：Web Research Agent
加入搜索、筛选、引用和总结。目标是做出一个真的能帮你查资料的小助手。
第 3 层：PDF QA Agent
学习 RAG、chunk、retrieval、citation。目标是让 Agent 回答你自己的文档。
第 4 层：Coding Review Agent
读取 git diff，按风险排序，给测试建议。目标是理解 coding agent 的基本工作方式。
第 5 层：Browser Agent
让 Agent 操作公开网页，提取信息，并处理失败恢复。
第 6 层：Nano Coding Agent
接入 shell、文件编辑、权限控制、session。不要做太大，先做一个迷你版。
第 7 层：Reusable Skill Pack
写一个自己的 SKILL.md，加入脚本、模板、触发条件和 smoke test。
第 8 层：Multi-Agent Writer
做 planner、writer、reviewer 的协作系统，重点练职责边界。
第 9 层：Personal Agent
加入记忆、skills、消息入口，尝试做一个个人长期助手。
第 10 层：Production Harness
补齐 evals、trace、权限、CI、回放，让项目从 demo 走向可维护。
每层都不要贪大。
真正有效的练习标准是：
能运行、能复现、能解释。
五、给你一份 90 天学习安排
如果你每天能拿出 1 到 2 小时，可以按下面节奏推进。
第 1-14 天：把最小闭环跑起来
目标只有一个：写出最小 Agent Loop。
每天做一点：
第 1-2 天：熟悉 LLM API 和结构化输出。
第 3-5 天：定义 calculator / search / read_file 这类简单工具。
第 6-8 天：解析 tool call，并把工具结果送回模型。
第 9-11 天：加入最大步数、超时、异常处理。
第 12-14 天：整理 README，写清楚一次完整运行过程。
这两周结束，你应该不再把 Agent 当成黑盒。
第 15-30 天：做一个研究助手
目标是完成 Web Research Agent。
你要学会搜索、抓取、筛选、引用、总结。
这段时间重点练三件事：
第一，回答要有来源。
第二，找不到资料要承认不知道。
第三，工具失败不能假装成功。
这会逼你开始关注 Agent 的可靠性。
第 31-45 天：补 RAG 和记忆
把 PDF、网页、Markdown 文档接入进来。
学习 chunk、embedding、retrieve、rerank 和 citations。
再加一点记忆能力：
短期上下文用于当前任务；
会话记忆用于连续对话；
长期记忆用于跨任务偏好和事实。
不要一开始就做复杂记忆系统。
先让它能“记得必要的东西”，再考虑长期演化。
第 46-60 天：拆一个现代 Harness
选一个系统学深。
可以是 LangGraph、OpenAI Agents SDK、Claude Code 相关学习项目、OpenClaw、hello-agents，任选一个。
这一阶段不要只看 API。
你要画出它的结构：
入口在哪里；
状态怎么传；
工具怎么注册；
权限怎么过；
trace 怎么看；
失败怎么恢复。
然后给它加一个自己的工具。
第 61-75 天：做 skills、协议和多 Agent
先写一个 skill。
比如：
code-review；
research-report；
pdf-extraction；
release-note-writer。
然后理解 MCP 的作用：让 Agent 用标准方式连接工具和数据源。
最后再做一个小型多 Agent 系统。
记住，多 Agent 的重点是协调，而不是让几个角色自由聊天。
第 76-90 天：加评测、安全和部署
最后 15 天，专门做工程化。
准备 20 条 eval 测试任务；
记录成功率、失败原因、成本和延迟；
给危险工具加人工确认；
写部署文档；
把项目整理成别人能运行的样子。
如果能做到这一步，你已经不是“看过 Agent 教程”，而是有了一个能展示、能改进、能继续扩展的 Agent 项目。
六、几个很常见的坑
坑 1：一上来就学多 Agent
多 Agent 不是入门捷径。
如果单 Agent 的工具调用、状态管理、失败处理都没搞清楚，多 Agent 只会把问题放大。
先做单 Agent，再做协作。
坑 2：只看框架，不看 trace
Agent 失败时，最有价值的信息在 trace 里。
它为什么调用这个工具？
工具返回了什么？
它为什么又调用了一次？
哪一步开始跑偏？
不会看 trace，就很难调 Agent。
坑 3：工具 schema 写得太随意
工具不是“给模型一个函数名”就完事。
参数要清楚，返回要稳定，错误要可读，权限要明确。
工具越随意，Agent 越容易乱用。
坑 4：没有 eval，却不断调 prompt
没有测试集的 prompt 优化，很容易变成玄学。
你觉得变好了，可能只是刚好命中了一个样例。
固定测试集能帮你判断：这次修改到底是进步，还是只是换了一种失败方式。
坑 5：忘了判断“是否需要 Agent”
不是所有任务都该用 Agent。
如果普通脚本能稳定完成，就用脚本。
如果固定流程能解决，就用 workflow。
只有在任务有不确定性、需要动态决策、需要调用多种工具时，Agent 才真正有价值。
七、最后：一条最朴素的学习原则
学 Agent，不要只问“哪个框架最强”。
更好的问题是：
这个 Agent 能不能完成闭环？
工具调用是否可靠？
失败能不能定位？
危险动作有没有权限边界？
有没有固定评测？
别人能不能运行我的项目？
能回答这些问题，你的学习就不会被新名词带着跑。
从一个 50 行的最小 Agent 开始。
再做一个研究助手。
再加 RAG、记忆、trace、skills、评测和安全。
最后把它整理成一个真实项目。
这条路看起来慢，但它最稳。
因为真正能用的 Agent，从来不是靠“角色设定”堆出来的。
它是一个能观察、能行动、能复盘、能被约束的工程系统。
最后
如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。
现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！
看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？
别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！
👇👇扫码免费领取全部内容👇👇
1、大模型系统化学习路线
2、大模型学习书籍&文档
3、AI大模型最新行业报告
4、大模型项目实战&配套源码
5、大模型大厂面试真题
四阶段精细化学习规划（附时间节点，可直接照做）
结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
👇👇扫码免费领取全部内容👇👇
6、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
410
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
