AI Agent Engineer 学习路线

这是一张课程地图，不是一条要求所有人从头走到尾的流水线。先按目标选择角色路径，再回到课程地图补前置；每门课以“能交付什么、怎样验证”为完成条件，而不是以“读完页面”为完成条件。

路线状态

本路线于 2026-07-21 依据当前课程、示例测试和公开站点规则复核。协议、SDK、模型目录和法规等易变内容应以各课的 source_checked、稳定/实验标记及当前官方资料为准。

57 门顶层课程现已全部迁移到可验证的 v2 ID、知识域、目录序、硬前置与角色顺序。旧 ai_learning_stage/order 暂时只驱动本页的可勾选 Dataview 阶段地图；公开首页和课程导航使用 v2 字段。勾选产生的个人完成状态只保存在本地，公开构建会移除它。字段合同见 学习路线元数据 v2 规范。

课程地图

知识域	学习重点
工程与数学基础	AI基础认知 · Python基础 · 数据结构基础 · JSON · API · Markdown · Git · Linux命令 · 正则表达式 · 概率统计 · 线性代数 · 微积分基础 · 机器学习 · 深度学习
模型与上下文	现代LLM能力与模型选择 · 提示词工程 · 上下文工程 · LLM API集成
检索与数据	向量基础 · 数据清洗 · 数据标注 · 文档解析 · 知识库构建 · Chunking策略 · Embedding · 向量数据库 · 语义搜索 · Reranking · RAG
多模态	多模态AI · OCR · 语音识别 · 语音合成 · 实时多模态交互 · 图像生成 · 视频生成
Agent 运行时	Tool Calling（含 Function Calling） · MCP · Agent 核心 · 环境型Agent · Agent Skills · Agentic Design Patterns · 工作流自动化 · 多Agent协作
框架实践	LangChain · CrewAI
评测与可靠性	数据可视化 · 评测体系 · Benchmark设计 · 数据合成
安全与治理	AI安全 · 隐私计算 · AI治理
生产运维	MLOps · 运行监控 · LLMOps
前沿与参考	A2A

四条角色化路径

路径	建议顺序	主要学习产物	掌握证据
Agent 应用开发	AI 基础认知 → 工程基础按能力补齐 → 现代 LLM/提示词/上下文/API → 早期 milestone → Tool Calling/Agent 核心 → 按需 runtime 与框架 → 工作流 → 数据与完整评测 → LLMOps → 安全/隐私 → 可选多 Agent/A2A	一个有状态、可审批、可恢复的单 Agent	离线测试覆盖权限、幂等、终止、恶意观察和失败恢复；能解释何时退回确定性 workflow
RAG 与知识库	AI 基础认知 → LLM 应用基础 → 早期 milestone → 数据质量/文档解析/知识库 → Chunking/向量/Embedding/检索/重排 → RAG → 可视化与完整评测 → 安全/隐私；多模态摄取与 LangChain 均为可选分支	一条有 ACL、可引用、可更新、可定位失败的双管线 RAG	分开报告摄取、检索、生成和端到端指标；能从错误样本定位责任层
Agent 平台与可靠性	AI 基础认知 → LLM 与 Agent 核心 → 按需 runtime/框架 → 工作流 → 数据质量/评测/合成/Benchmark → MLOps/LLMOps/监控 → 安全/隐私/治理 → 多 Agent 协作 → 按需 A2A 互操作	带 trace、发布门禁、灰度、回滚和事故演练的运行平台	多次 trial 有可比初态/终态；副作用、成本、延迟、安全与恢复均有门禁和审计证据
多模态与实时交互	AI 基础认知 → 现代 LLM → 多模态 AI → OCR（推荐）与 ASR/TTS（核心） → Tool Calling/Agent 核心 → 数据与实时交互 → 完整评测/安全/隐私 → 可选生成媒体与多 Agent	可被打断、能调用工具并保持会话状态的实时原型	测量首包/首音频/轮次延迟、打断成功率和恢复；能说明级联与端到端语音方案的取舍

上表是便于阅读的路线摘要；下方 v2 清单才是逐课顺序与 core/recommended/optional 定位的可校验快照。“→”表示推荐推进，不表示所有中间课都必须完整学习。早期安全与评测 milestone 是已有章节组成的早期质量门，不是一门虚构的新课，也不表示必须提前完成整门 AI 安全或评测体系；生产发布前仍要完成与系统风险相称的其余安全、评测和治理内容。MCP 只在需要标准化连接外部能力或上下文时加入；A2A 只在独立 Agent 应用需要跨框架或跨组织互操作时加入；LangChain/LangGraph、CrewAI 或普通 Python 应由状态、恢复、协作和控制需求决定，均不是所有项目的硬前置。

机器可校验的角色路径

下列清单由 57 门课程入口的 v2 track 元数据生成，并在公开构建时逐字校验。顺序表示这条角色路径中的学习推进；“推荐”和“可选”不会自动升级为完整课程硬前置。

Agent 应用开发

共 32 门：9 门核心、13 门推荐、10 门可选。

顺序	课程	定位
1	AI基础认知	核心
2	Python基础	推荐
3	JSON	推荐
4	数据结构基础	推荐
5	API	推荐
6	Markdown	推荐
7	Git	推荐
8	Linux命令	可选
9	正则表达式	可选
10	概率统计	推荐
11	机器学习	推荐
12	现代LLM能力与模型选择	核心
13	提示词工程	核心
14	上下文工程	核心
15	LLM API集成	核心
16	Tool Calling（含 Function Calling）	核心
17	Agent 核心	核心
18	MCP	可选
19	环境型Agent	可选
20	Agent Skills	可选
21	Agentic Design Patterns	可选
22	LangChain	可选
23	CrewAI	可选
24	工作流自动化	核心
25	数据标注	推荐
26	数据可视化	推荐
27	评测体系	推荐
28	LLMOps	推荐
29	AI安全	核心
30	隐私计算	推荐
31	多Agent协作	可选
32	A2A	可选

RAG 与知识库

共 35 门：17 门核心、12 门推荐、6 门可选。

顺序	课程	定位
1	AI基础认知	核心
2	Python基础	推荐
3	JSON	核心
4	数据结构基础	可选
5	API	推荐
6	Markdown	推荐
7	Git	推荐
8	Linux命令	可选
9	正则表达式	推荐
10	概率统计	推荐
11	线性代数	推荐
12	机器学习	推荐
13	现代LLM能力与模型选择	核心
14	提示词工程	核心
15	上下文工程	核心
16	LLM API集成	核心
17	多模态AI	可选
18	数据清洗	核心
19	OCR	可选
20	语音识别	可选
21	文档解析	核心
22	知识库构建	核心
23	Chunking策略	核心
24	向量基础	推荐
25	Embedding	核心
26	向量数据库	核心
27	语义搜索	核心
28	数据标注	推荐
29	Reranking	核心
30	RAG	核心
31	数据可视化	推荐
32	LangChain	可选
33	评测体系	核心
34	AI安全	核心
35	隐私计算	推荐

Agent 平台与可靠性

共 38 门：14 门核心、16 门推荐、8 门可选。

顺序	课程	定位
1	AI基础认知	核心
2	Python基础	推荐
3	JSON	推荐
4	数据结构基础	推荐
5	API	推荐
6	Markdown	推荐
7	Git	推荐
8	Linux命令	推荐
9	正则表达式	可选
10	概率统计	推荐
11	机器学习	推荐
12	现代LLM能力与模型选择	核心
13	提示词工程	核心
14	上下文工程	核心
15	LLM API集成	核心
16	Tool Calling（含 Function Calling）	核心
17	Agent 核心	核心
18	MCP	可选
19	环境型Agent	可选
20	Agent Skills	可选
21	Agentic Design Patterns	可选
22	LangChain	可选
23	CrewAI	可选
24	工作流自动化	核心
25	数据清洗	推荐
26	数据标注	推荐
27	数据可视化	推荐
28	评测体系	核心
29	数据合成	推荐
30	Benchmark设计	核心
31	MLOps	推荐
32	LLMOps	核心
33	运行监控	核心
34	AI安全	核心
35	隐私计算	推荐
36	AI治理	核心
37	多Agent协作	推荐
38	A2A	可选

多模态与实时交互

共 29 门：10 门核心、13 门推荐、6 门可选。

顺序	课程	定位
1	AI基础认知	核心
2	Python基础	推荐
3	JSON	推荐
4	数据结构基础	可选
5	API	推荐
6	Markdown	推荐
7	Git	推荐
8	Linux命令	可选
9	正则表达式	可选
10	概率统计	推荐
11	线性代数	推荐
12	机器学习	推荐
13	深度学习	推荐
14	现代LLM能力与模型选择	核心
15	多模态AI	核心
16	OCR	推荐
17	语音识别	核心
18	语音合成	核心
19	Tool Calling（含 Function Calling）	核心
20	Agent 核心	核心
21	数据标注	推荐
22	数据可视化	推荐
23	实时多模态交互	核心
24	评测体系	核心
25	AI安全	核心
26	隐私计算	推荐
27	图像生成	可选
28	视频生成	可选
29	多Agent协作	可选

早期安全与评测 Milestone

这个 milestone 只复用现有课程中的必要章节。在让模型读取不可信外部内容、连接远程能力或执行工具前，至少完成下列小闭环：

质量门	复用章节	完成证据
早期安全	资产、信任边界与威胁建模 → 提示注入与间接注入 → 工具越权与数据外泄 → 身份与最小权限	一张标出不可信输入、受保护资产、身份、授权点和最大副作用的威胁模型
评测基础	评测目标与基本单元 → 用例数据集与分层 → 确定性断言、指标与评分规则	一份写清目标、典型/边界/失败用例和至少一个确定性断言的最小评测卡

这里的完成证据只允许学习者开始受控实践，不是生产安全、完整评测、渗透测试或发布批准。完整课程仍分别进入 AI 安全 与 评测体系。

机器可校验的硬前置关系

下面只画完整课程级硬前置，不把 track 推荐顺序、早期 milestone 或“建议先学”伪装成依赖。网站构建会校验前置存在、无环、同角色可见、顺序更早，以及 core 闭包。

flowchart LR
    json["JSON"] --> parsing["文档解析"]
    cleaning["数据清洗"] --> parsing
    parsing --> kb["知识库构建"]
    prompt["提示词工程"] --> context["上下文工程"]
    tool["Tool Calling"] --> agent["Agent 核心"]
    agent --> multi["多 Agent 协作"]
    evaluation["评测体系"] --> benchmark["Benchmark 设计"]
    evaluation --> llmops["LLMOps"]
    cleaning --> synthetic["数据合成"]
    annotation["数据标注"] --> synthetic
    evaluation --> synthetic

关系	证据边界
JSON + 数据清洗 → 文档解析	文档解析入口明确要求先完成两者；在 RAG track 中都为 core 且顺序更早
文档解析 → 知识库构建	知识库构建入口明确要求先完成文档解析
提示词工程 → 上下文工程	上下文工程入口使用“先完成”强语义；Embedding/RAG 只属后续联结，不是本课硬前置
Tool Calling → Agent 核心	两条 Agent 主线与多模态工具路线的硬前置
评测体系 → LLMOps	LLMOps 发布门与回归证据的硬前置
评测体系 → Benchmark 设计	Benchmark 入口明确要求先掌握 case、grader 与回归合同
数据清洗 + 数据标注 + 评测体系 → 数据合成	数据合成入口使用“先学习”强语义；平台 track 中三项均可见且顺序更早
Agent 核心 → 多 Agent 协作	多 Agent 入口明确要求先完成 Agent 核心；工作流是推荐顺序，具体框架可选

其余课程用 hard_prerequisites: [] 表示“逐页审阅后未发现普遍课程级硬前置”，再用角色 track 表达推荐顺序。57 门入口均已完成这一判断；“建议先学”“具备某个局部能力”或“项目中通常先做”不会被擅自升级为整门课程依赖。

RAG 角色顺序不是硬依赖图

Chunking、Embedding、向量数据库、语义搜索与 Reranking 已逐页复核并进入 RAG track。它们之间存在稳定的系统集成顺序，但各课首页只要求按需复习相关能力，且课程可单独学习、替换实现或并行实践，因此没有升级为“必须完整学完上一门课”的课程级硬边。

flowchart LR
    kb["知识库构建"] --> chunking["Chunking"]
    chunking --> embedding["Embedding"]
    embedding --> vector_db["向量数据库"]
    vector_db --> semantic_search["语义搜索"]
    semantic_search --> reranking["Reranking"]
    reranking --> rag["RAG"]
    rag --> evaluation["评测体系"]

图中箭头表示 RAG 角色路线的推荐顺序，不进入课程级硬前置 DAG。实际项目常会并行迭代分块、表示、召回、重排与评测；学习者也可只进入其中一个模块做专项工程。

内容层级

层级	用法	当前代表内容
核心课程	建立可迁移的 Agent 工程契约，优先学习	现代 LLM 能力与模型选择、提示词工程、上下文工程、LLM API、Tool Calling、Agent 核心、评测体系、AI 安全
进阶课程	围绕岗位或系统边界选择	RAG 全链路、MCP、环境型 Agent、工作流自动化、LLMOps、运行监控、多 Agent、多模态与实时交互
前沿专题	记录规范基线、采用状态和兼容策略，不作为稳定前置	已形成可选课程的 A2A 1.0；仍处观察层的 MCP 扩展与 Apps、实验性 Tasks、AG-UI，以及新型 benchmark
实践项目	把概念变成可运行证据	各课程末尾的离线项目、fixtures、负向测试和评测图
参考资料	按需查阅，不淹没原创主线	Python/深度学习历史完整教程、框架与官方文档整理层、生成模态的专项资料

内容来源与状态

本库用 content_origin 区分原创讲解、资料整理与第三方材料，用 content_status 区分已验证、动态、待复核和冻结参考。字段缺失表示历史页面尚未分类，不表示默认原创或已经验证。定义、许可边界和深审流程见 内容质量与来源标记规范。

课程中的产品/API 快照还要结合 source_checked、版本和实际测试阅读；第三方完整复刻若缺少公开再分发证据，只在本地参考层保留，公开网站用来源说明页代替正文。

学习闭环

完成一门课程时，至少留下五类证据：

1. 一张能说清系统边界、状态或数据流的图，或一份等价的结构说明；
2. 一个小而真实的实现，输入、输出、权限和失败语义明确；
3. 至少一个预期失败用例，而不只有成功演示；
4. 可重复的验证命令和结果记录；
5. 一段说明“何时不该使用本技术”的决策边界。

若课程首页已有更严格的掌握标准，以课程首页为准。框架、供应商和模型只作为实现样例；核心判断应能迁移到其他实现。

从框架到生产反馈的证据闭环

框架只是把已有契约落到代码中的一个可选实现层：选择普通 Python、LangChain 或 CrewAI，不会免除工具权限、状态恢复、评测、发布或运行责任。下图描述一个项目如何把一次实现变成可追溯的长期改进循环；它不是课程级硬前置图，也不代表任一框架自动提供安全、正确性或生产可靠性。

flowchart LR
    contract["框架无关契约：工具、状态、权限、恢复"] --> implementation["可选实现：Python、LangChain 或 CrewAI"]
    implementation --> offline["离线评测：冻结 case、trial 与 gate"]
    offline --> release["发布单元：manifest、审批与 Canary"]
    release --> operation["运行证据：Trace、SLO、告警与事件"]
    operation --> feedback["确认、脱敏、去重后的故障与反馈"]
    feedback --> offline
    security["安全与治理：威胁模型、身份、审计"] -. 约束 .-> contract
    security -. 约束 .-> release
    security -. 约束 .-> operation

图 3　框架到生产反馈的证据闭环。文字替代：先把工具、状态、权限和恢复定义成框架无关合同，再选用 Python 或可选框架实现；冻结的离线 case、trial 与 gate 支持一个可追溯发布单元；Canary 进入运行后，Trace、SLO、告警和事件提供观察证据；只有经过确认、脱敏、去重和版本化的失败才回灌评测。安全与治理在合同、发布和运行三处设置约束。Mermaid 源码即再生成方式。

实现层可从 Tool Calling、Agent 核心 开始，再按控制需求选择 LangChain 或 CrewAI。评测到运行的字段、摘要和人工交接可直接从 离线到线上证据交接与回归闭环 学起，再由 LLMOps 与 运行监控 深化；AI 安全 和 AI 治理 约束整条链，而不是在上线末尾补一份清单。

进阶与研究方向

方向	何时学习	边界
模型适配与私有部署	提示词、RAG、工具和模型选择仍无法满足质量、隐私或成本约束时	先建立任务级评测和可回退基线，再比较 fine-tuning、LoRA、量化与推理服务
对齐与强化学习	需要研究偏好优化、模型训练或行为控制时	不作为一般 Agent 应用开发前置
协议与系统前沿	已能区分稳定规范、扩展和候选版本，并承担兼容验证时	记录版本、实现支持和采用证据，避免把草案写成稳定结论
AGI/通用系统研究	作为研究视野	与可交付 Agent 工程课程分层维护

阶段审计与取舍记录见 2026-07-18 内容审计与重构记录、2026-07-19 第二阶段内容深审记录、2026-07-19 第三阶段框架恢复与路线元数据记录、2026-07-19 第四阶段 RAG、评测、安全与生产证据链记录、2026-07-19 第五阶段来源、MCP 与工具结果证据链记录、2026-07-19 第六阶段跨模块、传输与持久化证据链记录、2026-07-19 第七阶段外部来源工件与路线可移植性记录、2026-07-19 第八阶段三家 Provider 合同与流式状态机记录、2026-07-20 第九阶段动态资料、发布门禁与运行时审计记录、2026-07-20 第十阶段来源许可、路线元数据与 OpenAI 动态页记录与2026-07-21 第十一阶段检索、来源、MCP 与路线元数据记录。

本轮全量迁移、消费者收敛与验证证据见 2026-07-21 第十二阶段全量路线元数据与消费者收敛记录。

本轮 A2A 前沿课程、安全评测生产化深审与受控 stub 取舍见 2026-07-21 第十三阶段 A2A 协议课程与安全评测生产化深审记录。

本轮 Agent 运行时状态不变量、Context Pack 可信控制面与失败关闭深审见 2026-07-21 第十四阶段 Agent 运行时与上下文可信控制面深审记录。

本轮提示词版本化资产、三家 Provider 状态合同、检索安全评测与向量删除/并发语义深审见 2026-07-21 第十五阶段提示词、API 与检索状态合同深审记录。

本轮 Tool Calling 审计与持久恢复、MCP pending/传输语义、RAG 事件身份和知识库在线 ACL/投影边界深审见 2026-07-21 第十六阶段工具协议与 RAG 生命周期深审记录。

本轮 LangChain/CrewAI 运行时合同与离线—线上生产反馈闭环深审见 2026-07-21 第十七阶段框架运行时与生产反馈闭环深审记录。

本轮基础学习入口、模型决策证据、检索控制面、动态组件治理与协作恢复深审见 2026-07-22 第十八阶段决策证据、检索控制面与协作恢复深审记录。

本轮摄取与知识库投影、数据质量、媒体/OCR 证据及实时恢复合同深审见 2026-07-22 第十九阶段摄取、数据、多模态与实时合同深审记录。

本轮协议输入、Agent 委派、机器学习、生成媒体与工作流控制面深审见 2026-07-22 第二十阶段协议、媒体、机器学习与工作流合同深审记录。

本轮厂商 API、数据标注、深度学习工程路线与语音 I/O 合同深审见 2026-07-22 第二十一阶段深度学习、语音、数据标注与厂商 API 合同深审记录。

本轮实时会话、环境执行与多 Agent 身份/冲突控制面深审见 2026-07-22 第二十二阶段实时、环境与多 Agent 控制面深审记录。

本轮安全/治理控制、离线评测、发布门与运行监控生产证据链深审见 2026-07-22 第二十三阶段安全、治理与生产证据链深审记录。

本轮检索证据、Agent Skills、MCP/Tool Calling、Agent 运行时与 LangChain/LangGraph 框架合同深审见 2026-07-22 第二十四阶段检索、工具与 Agent 运行时深审记录。