这条路线是什么
这条路线的主线是解答一个 Agent 是怎么搭起来的。从理解基础架构开始，到赋予模型调用外部工具的能力，再接入业务知识库，接着让多个智能体协同工作，最后用严格的评测来为效果兜底。走完这条路线，你的能力目标是能把模型、记忆、工具和循环控制组装成一个真正可上线运行的 Agent 系统，并能对它的实际效果负责，做好评估与回归。
在当前的市场要求下，仅仅会调用模型接口已经不够。会调模型和会做 Agent 之间的分水岭，在于对状态管理、失败处理和评估体系的掌握。模型输出不稳定时如何纠错，长对话中如何维持记忆，以及如何证明当前版本的 Agent 确实比上个版本更好，这些都是日常开发中绕不开的问题，也是面试考察的核心，需要你在学习时重点投入精力。
怎么走
学习顺序遵循构建 Agent 的自然逻辑。首先通过第 4 章 Agent 架构建立总览，理解 ReAct 循环、记忆系统和规划反思机制。接着进入第 8 章工具调用，掌握 Function Calling、MCP、A2A 和工具路由等技术。由于 Agent 常要接知识库，下一步是学习第 1 章 RAG。当单体架构无法满足复杂场景时，再进入第 5 章多智能体探索协作模式。
完成应用层搭建后，进入第 7 章评测，学习用数据衡量系统表现。随后补充第 2 章 LLM 基础，这是面试必问的内容，决定你对模型边界的理解。最后通过第 12 章五厂真题检验成果，并结合第 11 章通用与软实力准备面试交流。
适合谁
本路线适合准备求职 AI Agent 开发、Agent 算法以及 AI 应用工程师岗位的开发者。如果你的业务方向涉及智能客服、办公助手、编程助手或数据分析等 Agent 产品，这条路线正是为你准备的。
适合有编程基础，希望从传统软件开发转向 AI 应用层的工程师。如果你对组装复杂逻辑感兴趣，愿意在工程实现与模型效果间寻找平衡，沿着这条路线刷题会是合理的选择。
章节路线
- 01第 4 章 · Agent 架构
分水岭。ReAct 怎么转、记忆怎么存、规划和用工具怎么做，最后合成一道设计题。
- 02第 8 章 · 工具调用
Function Calling 只是开头。API 怎么设计、选哪个工具、出错怎么办、安全怎么兜，还有工具过百之后的注册、发现与路由。
- 03第 1 章 · RAG（检索增强生成）
基本每场都会问。从 Embedding 怎么选、文本怎么切、向量库怎么挑，到检索完怎么重排、整套评测怎么设计。
- 04第 5 章 · 多智能体
多个 Agent 凑一起怎么通信、怎么分工、怎么达成一致，又怎么收拾吵起来的场面。
- 05第 7 章 · 评测
怎么给大模型和 Agent 打分。自动指标、人工评估、Benchmark 怎么搭。这一层刷掉大半候选人。
- 06第 2 章 · LLM 基础
地基就是这章。Transformer、Attention、MoE、KV Cache，绕不开，问得又细又勤。
- 07第 12 章 · 五厂高频面试题
按字节、阿里、腾讯、美团、百度各 100 题。先能把结论说出口，再谈细节。
- 08第 11 章 · 通用与软实力
题最多的地方。八股、系统设计、行为面试，还有职业规划和你的技术口味，建议拉长战线。
范围内的题库分类
相关术语（全部术语）
可以写进简历的项目方向
- Agent 长期记忆机制设计与评估产出：记忆系统架构图 + 评估指标对比表
- Agent 工具选择与排序模块产出：工具选择代码 + 对比实验报告
- Agent 自动化评测与迭代系统产出：自动化评测流水线 + 回滚机制文档
- 基于 MCTS 的 Agent 规划与决策产出：MCTS 实现代码 + 搜索深度-成功率曲线
- 多 Agent 协作系统设计与实现产出：架构设计文档 + 原型代码 + 性能指标
- LLM-as-a-Judge 偏见分析与缓解产出：偏见分布报告 + 缓解前后一致性对比
- Function Call 能力训练与优化产出：消融实验报告 + 微调模型
项目怎么讲才能扛住追问，看第一个项目面试包：企业知识库 RAG 助手。