Agent开发48页攻略

逼自己啃透这四十八页，你的多 a 阵系统就很牛了！很早就想搭建自己的 a 阵子了，一直没空，这两天抽空得了个多 a 阵协助，系统还整理了一套文字加视频的入门教程，从需求分析到工作流搭建，从智能体设计对接外部生态， 每个步骤都拆解清晰。教程内容专为新手打造，就算是没接触过 a 阵的小白跟着做，也能搭出自己的智能体。想学习 a 阵的朋友直接拿走这套教程练手，希望能让你少走弯路。

a 盾从啥都不懂到精通，我就看了这四十八页干货教程。首先你要做的就是把网上那些杂乱无章的课程丢掉，你要是真想学，就按这个学习路线走，制定一个学习计划，每日打卡一个月的时间就能从小白进阶成 a 盾的 工程师。建议先收藏，避免以后走半路。第一周，先打基础，吃透 a 盾的核心理论，搞懂核心组建吃透大语言模型、规划模块、记忆模块和工具集 这些基础概念。第二周，专攻 agent 的 工作原理和难点解决方案，拓展学习 react、 扣 et 等经典 agent 范式。第三周，巩固学习，了解多智能体协助的逻辑，同时学习 prompt 调油技巧，好的提示词能让你的 agent 回答更精准。第四周，多练实战，结合前面 所学知识，自己动手落地几个实战项目，你就能真正把技术接入实际业务升职掌心不在话下。如果你还不知道从何开始，我这里整理了学习路线以及配套视频教程，实战项目，只要你是我的粉丝，留个学习直接抱走！

二点五小时练完这些，你的 ai agent 就 很牛了，信心满满买好设备准备好算力，结果要去搞一个 agent 的 时候就坐在电脑面前发呆。别担心，今天跟着我分享的这四十八页干货，我就是靠它从小白秒变 a 届实战高手的。 之前觉得搞 ai 智能体超难，代码看懵教程劝退，就这个四十八页神级攻略，我照着练，直接搭建出个 agent 智能体纯小白保姆级教程，一步一图，不讲虚的，全是干货。完整版 pdf 我 已经整理出来了，留学习直接暴走。

你在实际的开发当中，你是怎么样保证 at 调用工具的可信呢？保证 at 调用工具的可信，不能只靠优化。 prom 核心是搭建一套全链路的预防拦截之余的体系，用四层工程架构兜底，解决大模型幻觉乱填、参数执行失控的问题。具体落地分四层，第一是结构化定义层，这是基础， 核心是给模型立好规矩，用节省做强类型约束，把参数的类型非空，要求每举值都定死，避免格式错误。 同时精细化打磨工具语义描述，像写 prompt 一 样，讲清不同场景该调哪个工具，从根源减少误判。第二个就是推理策略层，让模型想清楚再调，用 强制加思维链 c o t， 要求调动前输出思考过程，挡掉百分之八十低级错误。用 facebook 势利给模型正反模板，靠它的模仿能力提准确率。另外做工具与解锁，只给模型推和用户相关的问题， 减少干扰。第三个就是执行互拦层，相当于执行前的安检，绝不执行模型输出结果。用 padlet 做自动化校验，格式参数有问题就直接拦截，高风险操作，比如转账商户必须加用户手动确认，防止 a 键的失控。 第四个就是治愈修复层，这是体现工程能力的关键，不会直接给用户抛错工具执行报错的话，把报错信息原封不动的传给模型，让他根据错误重新生成参数。 工具调用完成之后，让模型校验结果，是不是解决问题不符合预期，就重新规划再次调用。那你能不能用一句话总结一下，保证 ag 的 调用工具的核心逻辑是什么？可以给他总结成一个公式， agent 的 调用可能性就等于高质量的结构化定义加严格的代码执行约束成以闭环的反思从事机制，本质就是不把希望全寄托在大模型本身， 而是通过四层架构做全链路管控，让 agent 的 工具调用从随机化变成标准化可控制能治愈的稳定执行，这才是生产级的保障核心。

二点五小时念完这些，你的 agent 就 很他妈牛了！当你信心满满准备好设备和算力，真要你上手去搞一个 agent 的 时候，就坐电脑前发呆。别担心，今天给你分享的这四十八页教程就靠它！老子从菜鸟进阶到了 agent 的 大神！ 之前我也觉得搞 ai 智能体超难，代码看懵教程劝退，直到刷到这个四十八页神级攻略，照着练一周就搓出了一个智能体文档，有图有文有代码，可以说是新手小白最好的启蒙教程。完整版来个学习通通暴走！

二点五小时练完这些，你的 ai agent 就 很牛了，信心满满买好设备准备好算力，结果要去搞一个 agent 的 时候就坐在电脑面前发呆。别担心，今天跟着我分享的这四十八页干货，我就是靠它从小白秒变 a 届实战高手的。 之前觉得搞 ai 智能体超难，代码看懵教程劝退，就这个四十八页神级攻略，我照着练，直接搭建出个 agent 智能体纯小白保姆级教程，一步一图，不讲虚的，全是干货。完整版 pdf 我 已经整理出来了，留学习直接暴走。

如果说你想搞懂 ai 智能体的本质，那么这个项目你一定要看，这个项目非常牛逼，有朋友说 chris 分享了这么多的 github 项目，每个都说很牛逼，那我想说的是这个是真的牛逼，大家一定要看。然后因为这个项目我自己也在学习，我给大家看一下我自己做的这个笔记啊， 就是因为它是英英语写的那个注士嘛，然后我看到不懂的地方，我会加上中文的注士，然后去网上搜啊，或者通过 a 大 模型问一下为什么这么写，我自己确实在学，我觉得这个项目是真的呃，用最少的代码能够让你了解 cloud code 是 怎么实现的。我说的 cloud code 不是 那个模型啊，就是那个编程智能体 cloud code， 也就是我们如何自己搭一个 cloud code， 这是最本质的，这些东西已经体现在这十二节这个课里了，就是这个，这一共十二个小节，就是每个小节都在层层递进，比如说第一个吧，就是先教你这个 agent 它怎么呃，就是形成这个问答的这个流程， 然后其实他这个代码很少，但是他却把他最本质的部分已经体现出来了。然后每一小节都会在前一节的基础上再加一些东西，比如说第二小节，在第一小节的基础上加上了工具的使用，然后第三小节，在第二小节的基础上加上了这个。呃，土豆就是分这个任务。然后话说回来啊，我们还说这个项目， 这个项目大家一定要克隆下来。如果说，哎，你真的想搞这个 ai 真的 开发，那这个最本质的东西你一定要选啊，因为在网上你会看到很多人都说自己特别懂行，然后会讲一些听起来很高级的名词， 然后用一些嗯，有点听起来很晦涩的这种词汇表达出来，然后就显得逼格很高，我觉得这个 大家要懂得识别什么人，什么水平，是吧？然后如果说大家想要真正的学写，那么这个项目就是你真正接触 ai agent 最基础的那个本质，那个框架，那个思想的这样一个有价值的项目。目前这个项目的算法是三十六点六 k。 问大家一个问题，你知不知道什么叫 ai agent？ 有 同学说这个 ai agent 就是通过这个 openclaw 对 话，然后才能够操纵电脑上的和这个文件，这么理解也可以，但是你要是想全面的了解的话，你会发现 ai agent 它就是包括了这个。呃，首先基础的这个对话的调用，还有就是工具的使用，就是它有了脑子了， 然后他得有手脚，对吧？然后可以调用工具了，然后他还能够保存记忆了，还能够分任务了，还能够安排子智能体了，然后这就这些都是组成一个智能体的要素。 那么这个项目就是通过这十二节呃，小课，就是所谓的小课呢，其实就是一个 python 代码嘛，这个 python 代码，这一共是十二个 python 代码， 比如说第一个，他教你怎么运行一个最基本的这个代理，就是给他发问题，然后他会调大模型，然后给你回复，这最简单的啊。再一个呢，那能这个对话了，那他就是没有手脚，对吧？就是，呃，你想让他执行一个命令，你想让他创建一个文件， 他只能给你一个回复，告诉你怎么做，但是他不能帮你做。那第二小节呢，就告诉你如何添加一个工具，就在第一个基础上添加一个工具，让这个呃你所写的这个 ai 智能具备了操作文件、执行命令的这些等等等等这些你自己定义的工具的这种能力。第三个就是我们就是掌握了工具，对吧？我们不能胡乱的用， 那我们要有计划，所以说第三小节呢，就是在前面的基础上加入了这个计划，就是在完成一件事情的时候，让他先列出步骤，然后再执行。第四小节呢，就是将大任务分解，每个子智能体都有清晰的上下文，然后子智能体呢可以用独立的消息，他不受其他子智能体的干扰，也就保持了主题化的这个清晰性。 相当于你派你的儿子去帮你做一件事情，你的儿子自己就努力的干这件事，到最后给你一个结果就可以了，这样的话就把任务就分下去了。第五小节呢，就是按需加载知识。第六小节就是上下文的问题，我们如何压缩？因为我们知道大模型它的上下文的长度是有限制的，对吧？它不可能无限制的让你传呃，这些提示词， 那要是快满了怎么办？我们得压缩一下。那第六小节就是教你如何完成一个最小的压缩上下文的这样一个 demo， 你 理解了它，你再去看那些复杂的那个智能体的这个开发，你就知道它整体的这个流程，这个价格是什么样的， 只不过在具体的方法实现上可能会更细化，更复杂，但是主体上已经掌握了就这么点东西。 第七小节就是大目标拆分成小任务排序，并且保存到自繁。后续我就不说了，大家自己把这个项目克隆下来，真的一定要好好看一看。嗯，这个项目做的非常好，为什么这么多人 star， 肯定是有它的原因的，而且很有意思的一点是，这个项目的开发者真的是太用心了，我给大家看一下，就是你，呃，其实这个步骤也在这个项目里边写啊， 就是你你切换到这个目录，然后切换到这个 npm 这个命令，然后把这个前端项目起起来，然后你就访问这个本地的三千端口，你会看到这个 他帮你做了一个学习这个项目的前端页面是不是非常赞，你点开始学习，然后他还帮你分类这个工具和执行的，然后你就学第一课和第二课，比如说我们点开第一课啊， 他把流程图给你画，这是不是非常棒？然后再往下他给你介绍，嗯，这小节是干啥的，然后，嗯，这个流程图是怎么样的？他如何工作的？关键的代码是什么？他是什么意思？一步步都帮你列好了。 哎呀，做这个项目的人真的非常用心啊，大家不要辜负这么好的开源创作者，我觉得真的是要哎，给予一个非常大的呃，这个这个点赞的， 然后下边你看他每一个他里边都有对应的动画，还有这个流程图关键代码的解释，那有了这个给你搭的这个前端的这个页面在辅助你学习，把这个拿下岂不是很容易？ 这个又是很关键的，我觉得大家要学习，首先要学最本质的东西，我们平常使用 cloud code 通过对话的方式让大模型改我们的代码，那我们就不好奇他为什么能改我们代码吗？如果说我们多想一步知道这个 cloud code 的 这个程序它是如何开发的， 那是不是如果说我们后续去做相关的 ai 应用开发相关的这个工作就会游刃有余？哎，我们我们先不说游刃有余的事，我们是不是能够知道他基本的这个流程， 就是基本的路数，我们不会两眼抓瞎这什么呀，对吧？所以说这个项目大家一定要记住啊，再再给大家看一下 learn cloud code 这个名字起的也非常好记啊， 大家一定要收藏，跟我一起学习。如果说大家想要我的这份学习的笔记的话，等我完成之后会呃再发一些视频通知下来，然后给大家分享一下，或者说后续我把我所整理的这个资料呢都放到一个统一的一个文件上，到时候给大家看。好吧，如果说有需要的话 啊，记得点个关注，然后点个赞，点个收藏之类的支持一下啊，创作不易，学习也不易嘛，大家一起进步，我是不吃辣 chris， 关注我，带你了解更多 ai 相关的开营项目和工具，还有我们一起学习，一起进步。

一个很恶心但是能让你四周吃透 a 阵的方法，你要做的第一件事就是把网上那些杂乱无章的课程丢掉，只要年龄在二十四岁以上会使用电脑，那我告诉你一条最快的学习路线，建议收藏，避免以后走弯路。第一周，打基础，先啃透 a 阵的核心理论，搞懂核心组 建，吃透大语言模型、规划模块、记忆模块和工具及这些基础概念。第二周，专攻 agent 的 工作原理和难点解决方案，拓展学习 react 调优技巧，让你的 agent 更精准的理解你想要的结果。 四周练实战，结合前面所学知识，自己动手完成几个小项目，掌握这些足够让你胜任百分之九十以上的 ai 岗位。如果你还不知道从何开始，我这里整理了大模型及 a 阵子学习路线以及配套视频教程，实战项目留下学习双手奉上。

二点五小时练完这些，你的 ai 帧就很牛了，信心满满买好设备，准备好算力，结果真到了要动手搞一个 a 帧的时候，却只能坐在电脑前对着屏幕发呆。别忘今天跟着我分享这套四十八页硬核干货， 我就是靠它从小白秒变 a 键实战高手的。之前我也觉得搞 ai 智能体难如登天，代码像天书教程太晦涩，直到遇见这份神级攻略，我照着它练， 今天利用一个周末，就直接搭出了一个能解决实际问题的硬核 a 政策保姆级教程，图文结合，全是干货！完整版 pdf 我 已经整理出来了，刘学喜直接暴走！

a 盾从啥都不懂到精通，我就看了这四十八页干货教程。首先你要做的就是把网上那些杂乱无章的课程丢掉，你要是真想学，就按这个学习路线走，制定一个学习计划，每日打卡一个月的时间就能从小白进阶成 a 盾的 工程师。建议先收藏，避免以后走半路。第一周，先打基础，吃透 a 盾的核心理论，搞懂核心组建吃透大语言模型、规划模块、记忆模块和工具集 这些基础概念。第二周，专攻 agent 的 工作原理和难点解决方案，拓展学习 react、 扣 et 等经典 agent 范式。第三周，巩固学习，了解多智能体协助的逻辑，同时学习 prompt 调油技巧，好的提示词能让你的 agent 回答更精准。第四周，多练实战，结合前面 所学知识，自己动手落地几个实战项目，你就能真正把技术接入实际业务升职掌心不在话下。如果你还不知道从何开始，我这里整理了学习路线以及配套视频教程，实战项目，只要你是我的粉丝，留个学习直接抱走！

今天聊一个最近 agent 的 开发领域，最火的概念叫 harness engineering。 如果你最近在关注 ai， agent 的 技术圈一定到处都能看到这个词， 但大部分人对它的理解停留在给 agent 加约束这个层面，这远远不够，今天我们把它彻底讲清楚。看完之后你会发现，业界一直以来对 agent 做的技术优化，本质上还是做同样的事情。 先从一个反直觉的事实说起， land chain the coding agent 在 terminal bench 排行榜上从三十名开外，一路冲到了前五。整个过程中，底层模型一行没换，始终是同一个模型，它们只动了三个东西，系统提示、工具配置和中间箭钩子。 这个结果直接挑战了 ai 开发中一个根深蒂固的假设，就是更好的性能，需要更大或更新的模型。 lincoln 用实际数据证明模型不变的前提下，光靠优化模型周围的系统就能带来数量级的提升。它们用的方法论就叫 harness engineering。 那 harness 到底是什么意思？这个词来自马距，比如江绳、马鞍等用来引导马匹朝正确方向走的装备。这个比喻是刻意的。马是 ai 模型，强大、快速，但它自己不知道该往哪走。骑手是人类工程师提供方向，而不是亲自跑。 harness 就是 骑手和马之间的那套控制系统。 这个词最早的定义非常简洁，每当你发现 agent 犯了一个错误，你就花时间设计一个解决方案，让 agent 永远不会再犯同样的错误。 lanchain 在 此基础上给出了一个更精炼的公式， agent 等于 model 加 harness， 模型包含智能 harness 让这个智能变得有用。 把模型想成引擎， agent 就是 整辆车，而 harness 就 好比方向盘和刹车，最好的引擎没有方向盘和刹车，去不了任何有用的地方。这里有一个关键区分，你可能听过另一个类似的概念，叫 context engineering， 上下文工程，它们是什么关系？ 一句话讲清楚， context engineering 问的是我们给 agent 看什么， harness engineering 问的是系统预防了什么，测量了什么，修复了什么。 更准确地说，上下文工程主要关注怎么管理 agent 的 上下文窗口，给他看什么信息不看什么信息什么时候看。而 harness engineering 的 范围更广，它还包括架构约束、自验证、循环商治理和系统的可研进行，两者之间互相包含。 好概念，讲清楚了，那 harness 具体包含什么？我用六个关键词来概括。第一个，上下文架构，前沿团队一致发现，给 agent 塞太多信息反而有害。有研究表明， agent 的 性能在上下文利用率超过大约百分之四十之后开始下降。 所以关键不是给 agent 的 一本百科全书，而是给他一张地图，让他按需查找。 open ai 的 做法是把 agent 的 d 文件控制在大约一百行，只充当目录，指向更深层的文档。 agent 需要什么信息自己去查，而不是一开始就全部塞进去。 anthropic skill 的 渐进式加载理念也是为了解决这个问题。 第二个，架构约束。大多数人靠 prompt 来约束 agent 的 行为。写，请遵循以下规则。但 prompt 里的规则本质上是建议模型可以听也可以不听。 前沿团队的做法是用确定性的工具来机械式执行约束，比如自定义的 linter 和结构化测试规则，一旦编码，就在所有 agent 的 绘画中同时生效，不依赖模型的自觉性。这里有一个反直觉的发现， virso 一 开始给 agent 提供了大量工具，什么都能用，结果 agent 反而变得困惑，做荣誉调用。 后来他们移除了百分之八十的工具，只留最必要的 agent 反而更快更可靠，约束解空间反而提高了产出。 第三个，自验证循环。 agent 有 两个常见的失败模式，一是陷入死循环，对同一个文件反复编辑十几次，但问题始终没解决。二是交付时跳过验证，第一个看起来合理的方案就直接输出了。 line chain 的 方案是用中间键钩子来解决，一个中间键跟踪每个文件的编辑次数，超过预值就提醒 agent 重新审视方案。另一个中间键在 agent 准备退出时拦截它，强制执行一轮完整验证。他们还发现了一个非常有价值的策略，叫推理三明治。 规划阶段用最高推理强度充分理解问题，执行阶段降到高等推理强度保证速度。验证阶段再拉回最高推理强度补货错误。全程最高推理强度反而成绩更差，因为会超时把蒜粒花在刀刃上，效果最好。 第四个，上下文隔离。当任务复杂到需要多个 agent 的 协助时，关键不是按角色分工什么前端 agent、 后端 agent， 而是把子 agent 当做上下文防火墙。 父 agent 只看到他给子 agent 的 指令和子 agent 的 最终结果，中间所有的工具调用和中间产物都被隔离掉了，这样每个执行单元的上下文都保持干净，不会被无关信息污染。第五个，商治理。 agent 持续运行的时间越长，系统的混乱度就越高。文档过时，架构漂移，知识库和代码不一致。 openai 的 方案是引入一个后台运行的文档，梳理 agent， 定期扫描过时的文档，并自动提交修复。为 agent 服务的文档由 agent 来维护，形成自维护的闭环。 第六个，可拆卸性。这是最高维度的一层，更好的模型会让某些 harness 组建变成瓶颈。二零二四年需要复杂流水线的任务，二零二六年可能一个 prompt 就 搞定了。 所以 harness 必须是模块化的、可拆卸的。 line chain 的 中间件架构是目前最好的参考，每个中间件独立添加特定能力，不需要的时候直接移除，不影响其他部分。最后说一个关于投资回报的关键认知， harness 的 投入是以复利形式生效的，你今天加一条 linter 规则之后，所有绘画中这个错误都被预防。你今天加一条验证中间件之后，所有任务的交付质量都提升。这意味着 harness engineering 的 投入越早累积收益越大。 但同时也要警惕过度工程化。有一个很务实的原则，只在 agent 确实犯过的错误上投入 harness， 不要预防性的去解决还没出现的问题。 一句话总结， harness engineering 的 核心主张是， agent 的 可信瓶颈不在模型，在模型周围的系统。模型是引擎， agent 是 整辆车。引擎再强，没有方向盘和刹车，到不了目的地，这就是 harness。

面试官问，在复杂的 agent 的 开发里，你如何让大模型稳定且确定地输出结构化结果来？同学们，这个问题如果你只回答写好 top， 那 面试官心里肯定觉得你只是个调包侠。本视频的代码笔记，我整理进了一百万字的 ai 大 模型学习笔记里了 a n t 智能体开发项目的与一百多个企业落地项目实战笔记。 ai 大 模型学习资料可以在主页置顶群里。大家好，我是彭宇。在真正的工业级 agent 开发里，大模型的随机性是稳定性最大的天敌， 我们要的不是大概率正确，而是绝对确定。今天我们就对着这张架构图，把这套分层防御与兜底的专家级方案彻底讲透。咱先看第一道防线提示词控制。大家平时写 prompt 肯定会说，请给我输出 jason， 但你想想，模型真的听话吗？它可能开头给你来一句，好的， 这是你要的 jason 这就直接把解析器搞炸了。所以高手的做法有两招，第一招叫 schema 注入加上 feel。 你 别光说我要 jason， 你得把具体的 type script 接口或者标准 jason skin 甩他脸上，告诉他字段的长相和类型。最关键的是，一定要给他两三个真实的填充范例。 模型是视觉动物，看了具体的例子他才知道哦，原来这个地方该填数字，不该填带单位的字母串。第二招，大家注意看图上这个静音效应。大模型是有记性的，但他也容易丢三落四。如果你的上下文非常长，他读到后面可能就把开头的格式要求给忘了。 所以我们要把只能输出 jason， 禁止废话这种严厉的指令放在 prompt 的 最后一百个 token 里，甚至用特殊的定界符，比如用 xml 标签把输出区域框起来，这样解析的时候才稳。如果 prompt 还是偶尔翻车怎么办？ 那我们就得动用物理硬手段了，也就是咱们图上的生成控制层。这里分两条路走，左边这条路针对 b 源 api， 现在主流接口都升级了，不仅仅有普通的 js mod， 还有更强的 structured outputs， 也就是结构化输出。它的原理是在模型解码的时候，就把你定义的 schema 与翻译到引擎里， 这就像是给火车铺了死铁轨，它想跑歪都没机会。遵循率接近百分百。但如果你是自己在私有化部署开源模型，那看右边这一层 推理引擎约束。这里有个顶级黑科技，叫劳力克 muskin， 也就是概率野马。大家思考一下，大模型本质是在预测下一个字出现的概率， 我们在它跳下一个字符的瞬间，通过算法拦截它。比如现在按照 jason 语法，该写双引号了，那我们就强行把词表里除了双引号以外的所有字符概率都设为负无穷。这种基于有限状态机或者正则约束的解码，是从物理层面彻底杜绝了幻觉，哪怕是个七 b 的 小模型，也能输出完美的格式。 好，前面三道防线都做了，是不是就万无一失了？作为一个成熟的架构师，你永远要假设模型会出错，要考虑那种由于逻辑复杂导致的字断缺失，所以我们要加第四道防线。 工程校验与自修复，这里我们要引入像 pedantic 这样的强校验框架，当模型吐出结果后，程序先拦住，挨个检查字断全不全类型对不对？如果报错了，重点来了，千万别只是简单的让它重试。 我们要搞一个闭环自修复逻辑，你要把 portentic 报错的具体信息，比如年龄、字段缺失或者日期格式不符，原封不动地反馈给模型。 你要像教学生一样，告诉他，你刚才输出的内容里这个地方写错了，请参照这个报错信息重新修改一遍。你想想大模型最擅长干什么？ 就是纠错和改写吗？通常只要这么反思一次，结果就绝对准确了，甚至对于超长。这次我们还可以引入流势解析，边吐字幅边检查，发现错了一个键，您立刻中断重来，这样能节省大量的等待时间。讲到这，这套四层防御架构就齐活了。最后我们来总结一下， 如果你在面试中能把这套从 prompt 到推理引擎再到工程自修复的闭环逻辑讲出来，面试官一定会觉得你是有过大规模 a 证落地经验的专家。 记住咱们的终极回答公式，让模型稳定输出，不能靠模型的灵光一闪，而要靠确定的软件工程防线去包裹非确定的生成模型。如果遇到那种极致追求速度或者 schema 极其复杂的场景，最后还有一招，那就是去做 sft 监督微调，给模型做肌肉记忆训练， 让它形成只要看到特定指令，就条件反射出特定格式的能力。具体的组合权就是提示词。给样例 api 开约束，推理端加源码，最后工程端加个带反馈的自修复重试这套方案做下来能将格式错误率降至百分之零点一以下。

假如你从四月开始学 ai agent， 需要多久才能学会？第一阶段，打牢基础，了解机器学习、深度学习、自然语言处理大模型。这四大金刚不用像算法岗那样死磕论文，但要弄清楚 transformer 架构 attention 机制。建议先刷吴恩达的入门课，再肯礼木大神的动手学 深度学习。第二阶段，攻克 agent。 agent 的 本质是四大总建， l i o m 加感官加 memory 加 tools。 建议去 hugging face 或者 get up 上找些开源项目拆解一下。 强推 andre kraft 的 手撕 gpt 教程。第三阶段，各种框架的学习。框架这一块必学 long chain 境界看拉玛 index 工程，能力强的直接冲 lingo graph 或 aut gpt。 这里我多提一句，如果你恰好做过后端开发，可以试着把架构设计高并发高可用的思想带入 agent 架构设计，这是非常亮眼的加分项。第四阶段，实战项目。结合所学，做两到三个实战项目，比如智能客服、业务流程自动化，把技术真正用到业务，我就是靠这个成功转行。 技术没有边界，只有不想走的人。我这里整理了一份 agent 从入门到精通的学习资料，留个学习双手奉上。不管你是想转行还是赋能工作，这份资料都可以帮到你。焦虑没用，行动才有用。

二点五小时练完这些，你的 agent 就 很牛了，信心满满买好设备，结果到了要去搞一个 agent 的 时候，就坐在电脑前发呆。别担心，今天跟着我分享了这四十八页干货，从小白秒变 agent 大 神，我就用了这个，之前觉得搞 ai 智能题超难，代码看不懂，教程太难，就这个 四十八页神级攻略，我照着练，周末直接搭出个牛逼 agent， 纯小白保姆级教程，图文结合，全是干货！完整版 pdf 我 已经整理出来了，留学习直接暴走。

一点五小时练完这些，你的 agent 就 很他妈牛了！当你信心满满准备好设备和算力，真要你上手去搞一个 agent 的 时候，就坐电脑前发呆。别担心，今天给你分享的这四十八页教程就靠它！老子从菜鸟进阶到了 agent 的 大神！ 之前我也觉得搞 ai 智能体超难，代码看懵教程劝退，直到刷到这个四十八页神级攻略，照着练一周就搓出了一个智能体文档，有图有文有代码，可以说是新手小白最好的启蒙教程。完整版来个学习通通暴走！

只要你有一个可以调得通的大模型，你就可以开发属于自己的 agent。 agent 开发总共就分这么几步，第一步，对用户的意图进行识别，识别用户到底要干什么，比如说他是要查黄金价格，还是要执行编码，还是要看天气之类的？第二步，构建执行计划并执行。 嗯，比如说用户要查黄金价格，执行计划里面就包含去哪里查，用什么工具去查啊，然后对查的结果进行整理，反馈给用户。第三步就是 持久化的记忆，把我们对话的内容持久化的存储下来，这里用到的是向量数据库或者是一些本地的文档进行存储，这样的话大家都可以开发属于自己的 agent 了。祝大家生活愉快！