# Agent学习教程

**Repository Path**: tbaofoot/agent-learning-tutorial

## Basic Information

- **Project Name**: Agent学习教程
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: dev
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-08-14
- **Last Updated**: 2026-08-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Agent 开发工程师面试教程

> 一套面向 Agent 开发工程师求职面试的系统教程：从大模型基础出发，深入 Agent 核心原理与 RAG，覆盖主流协议与框架，落到工程实践，最后完成面试冲刺。

## 教程定位

本教程面向准备应聘 **Agent 开发工程师 / LLM 应用工程师 / AI 应用开发工程师** 岗位的求职者。这类岗位的面试考察高度集中在六个方向，项目实战贯穿其中，本教程逐一覆盖：

| 模块 | 面试考察重点 | 对应章节 |
| --- | --- | --- |
| LLM 基础 | 模型工作原理、Prompt 工程、Function Calling 与结构化输出 | 第 01-03 章 |
| Agent 核心原理 | Agent 架构、ReAct 执行循环、规划与反思、记忆系统、工具设计 | 第 04-08 章 |
| RAG | 检索增强生成全流程、Embedding 与向量数据库、高级优化技术 | 第 09-11 章 |
| 协议与框架 | MCP 协议、LangChain / LangGraph、AutoGen / CrewAI、Dify / Coze | 第 12-15 章 |
| 工程实践 | 多智能体系统设计、评估与测试、生产部署与可观测性、安全与风险 | 第 16-19 章 |
| 面试冲刺 | 经典论文与前沿方向、高频面试题精讲 | 第 20-22 章 |
| 项目实战 | 四个由浅入深的动手项目、开源参考地图、项目讲述训练 | 第 23-27 章 |

本教程的写作原则：

- **深入原理**：不做名词罗列，每个知识点都追问「为什么」，能支撑面试官层层追问。
- **面向表达**：每章末尾固定「常见误区与踩坑」和「面试高频问题与答题思路」，帮你把知识组织成说得出口的答案。
- **代码落地**：关键概念配完整可读的 Python 示例，面试能手写代码、项目能讲清实现，才是硬实力。
- **不追版本号**：框架与模型迭代极快，本教程聚焦稳定概念与演进脉络，具体 API 以官方最新文档为准。

### 这个教程不做什么

明确边界同样重要，避免错误的期待：

- **不替代官方文档**：LangChain、LangGraph、MCP SDK 等都在快速演进，教程讲概念与设计意图，动手时以官方最新文档为准。
- **不提供「背了就能过」的话术**：面试追问是层层深入的，背答案在第二层追问就会露馅。教程提供的是能支撑追问的知识结构。
- **不覆盖模型训练工程**：预训练、分布式训练、推理引擎内核属于算法/Infra 岗位范畴，本教程只在应用开发者需要理解的层面触及。
- **不承诺覆盖所有面试题**：教程覆盖高频与高价值问题，面试中遇到没见过的题是常态，掌握原理才能现场推导。

### Agent 开发工程师面试的典型流程

了解对手怎么出题，才能针对性准备。典型面试分三轮：

| 轮次 | 考察重点 | 典型问法 | 对应准备 |
| --- | --- | --- | --- |
| 一面（基础面） | LLM 原理、Prompt、Function Calling、编码能力 | 「讲讲 self-attention」「temperature 的作用」「手写一个工具调用解析」 | 第 01-03 章 + 第 21 章 |
| 二面（项目面） | 项目深挖、Agent 原理、系统设计 | 「你的 RAG 为什么这样分块」「ReAct 循环失败了你怎么办」「设计一个客服 Agent」 | 第 04-15 章 + 第 23-27 章实战项目 |
| 三面（综合面） | 工程成熟度、评估与安全、技术判断力 | 「你怎么评估 Agent 效果」「线上出了幻觉事故怎么排查」「多智能体值不值得上」 | 第 16-19 章 + 第 22 章 |

规律很明显：**一面考知识，二面考动手，三面考判断**。越往后，「为什么这样选、有没有别的方案、出了问题怎么办」越多。本教程的知识组织就是按这个递进设计的。

再往深一层，面试官最终要确认三件事：**你是否理解它为什么 work**（原理）、**你是否真的解决过真实问题**（项目）、**你是否能在生产环境可靠交付**（工程）。所有准备工作都应该围绕这三个问题展开。

## 前置知识要求

开始学习前，建议具备以下基础（不要求精通，但要能动手）：

- **Python 基础**：熟悉语法、函数与类、模块管理，会用 `pip` / `venv`；了解 `asyncio` 异步基础更好。
- **大模型基本用法**：调用过任意一家 LLM 的 API（OpenAI 兼容接口即可），理解对话接口、`system` / `user` / `assistant` 角色、流式输出等基本概念。
- **基本的 HTTP / JSON 知识**：理解请求与响应、状态码、Header，能读懂 JSON 结构并用 Python 处理。

加分项（没有也可以边学边补）：

- 了解 Transformer 与注意力机制的大致思路；
- 用过 LangChain、Dify 等任意一个应用框架或平台；
- 接触过向量数据库或做过简单的知识库问答。

### 前置知识自检清单

逐条过一遍，前四项有两条以上做不到，建议先花一周补基础再进入正文：

- [ ] 能独立写一个 Python 脚本：读文件、调第三方库、把结果写成 JSON 输出；
- [ ] 能说清 list、dict、函数参数传递的基本行为；
- [ ] 调用过 LLM 对话接口，能解释 messages 里各角色的作用；
- [ ] 知道一次 HTTP 请求由方法、URL、Header、Body 组成，能看懂 JSON 响应；
- [ ] 听说过 token、上下文窗口、embedding 这几个词（不要求理解，正文会讲）。

## 教程使用约定

为了高效使用本教程，请先了解以下约定。

### 结构约定

- 每章文件以 `# 一级标题` 开头，紧随「本章导读」：3-5 行说明本章讲什么、为什么对面试重要；
- 正文用 `##` / `###` 组织，重要结论以表格或列表给出，代码示例完整可运行；
- 每章末尾固定两个小节，用法不同：
  - `## 常见误区与踩坑`：列举考生与工程中的高频错误，复习时用它做自查；
  - `## 面试高频问题与答题思路`：每题给出答题要点，先自己口头作答再看要点，切忌直接背。

### 代码约定

- 所有示例使用 Python，完整可读，不用伪代码占位；
- 凭据一律通过环境变量注入（如 `OPENAI_API_KEY`），不硬编码在代码中；
- 模型调用统一基于 OpenAI 兼容接口约定，切换 `base_url` 与 `model` 即可对接大多数模型服务；
- 示例中的模型名仅为演示，实际使用时替换为你环境里可用的任意模型。

### 与官方文档的关系

教程讲概念、设计与取舍，框架与 SDK 的具体用法以官方最新文档为准。两者不一致时，以官方文档为准——这不代表教程错了，而是生态在演进；理解概念与演进脉络，正是面试追问中立于不败之地的原因。

## 知识体系总览

七大模块的依赖关系可以用下面这张文字版知识图谱表示：

```text
[01-基础篇] LLM 原理 / Prompt 工程 / Function Calling
      │
      │  地基：理解模型如何生成、如何被指令驱动、如何调用工具
      ▼
[02-Agent 核心原理篇] 架构总览 / ReAct 执行循环 / 规划与反思 / 记忆系统 / 工具设计
      │
      ├────────────────────────┐
      ▼                        ▼
[03-RAG 与知识库篇]      [04-协议与框架篇]
 检索流程 / 向量化 /      MCP / LangChain 与 LangGraph /
 高级 RAG 优化            AutoGen 与 CrewAI / Dify 与 Coze
      │                        │
      │  给 Agent 外接知识       │  给 Agent 标准化的工具与编排
      └───────────┬────────────┘
                  ▼
[05-工程实践篇] 多智能体系统 / 评估与测试 / 部署与可观测性 / 安全与风险
                  │
                  ▼
[06-面试冲刺篇] 经典论文与前沿方向 / 高频面试题（基础原理 + 工程实战）

[07-项目实战篇] 贯穿第 2-6 周：手写 ReAct Agent / RAG 知识库问答 /
                LangGraph 业务 Agent / MCP Server + 开源参考地图
```

模块关系解读：

- **01-基础篇是地基**。Agent 的一切行为最终都是「模型在特定 Prompt 下的生成」，不理解自回归生成、上下文窗口、Function Calling，就无法解释 Agent 为什么时灵时不灵。
- **02-Agent 核心原理篇是主干**。面试中被追问最多的是 ReAct 循环、规划反思、记忆与工具设计，这一篇决定你能否把「用过框架」讲成「理解原理」。
- **03-RAG 与知识库篇**与 **04-协议与框架篇**是 Agent 的两大扩展：前者解决「知识从哪来」，后者解决「工具怎么接、流程怎么编排」。二者互相独立，可并行学习。
- **05-工程实践篇**回答「怎么把 Demo 做成生产系统」：评估、部署、可观测性、安全。这是区分「玩具项目」与「工程经验」的分水岭，也是中高级岗位面试的重点。
- **06-面试冲刺篇**做汇总：把前五篇的知识压缩成论文要点与可直接复述的答题思路。
- **07-项目实战篇**贯穿全程：四个项目分别落地 Agent 原理、RAG、流程编排与 MCP，配开源参考地图与项目讲述训练，是二面项目深挖的主战场。

### 各模块的面试权重与学习投入

| 模块 | 面试权重 | 难度 | 建议投入 | 特点 |
| --- | --- | --- | --- | --- |
| 01-基础篇 | 高 | 中 | 2 周 | 一面必考，概念密度大，是后续一切讨论的语言 |
| 02-Agent 核心原理篇 | 最高 | 高 | 2 周 | 追问最深的区域，决定面试官对你「懂不懂原理」的判断 |
| 03-RAG 与知识库篇 | 高 | 中 | 1 周 | 企业落地场景多，几乎必考，且常结合项目问 |
| 04-协议与框架篇 | 中 | 中 | 1 周 | 考察重点是取舍与对比，不是 API 细节 |
| 05-工程实践篇 | 高（中高级岗更高） | 高 | 1 周 | 区分候选人段位的关键区 |
| 06-面试冲刺篇 | —— | 低 | 贯穿最后一周 | 输出训练，把知识变成答案 |
| 07-项目实战篇 | 最高（二面核心） | 中 | 贯穿第 2-6 周 | 项目深挖的素材来源，边学边做 |

时间有限时的优先级：**02 > 01 > 03 > 05 > 04 > 06**（06 是汇总性质，不能跳过但压缩空间大）。07-项目实战篇不单独占用整块时间，按周计划随对应章节并行推进。

## 学习路线建议

整体按 7 周设计，每周投入约 10-15 小时。基础好可以压缩，基础弱宁可放慢。

### 总体周计划

| 周次 | 学习内容 | 本周产出（可检验） |
| --- | --- | --- |
| 第 1 周 | 第 01-02 章 | 能讲清 LLM 生成原理；写出一份结构化 prompt 并测试效果 |
| 第 2 周 | 第 03 章 + 项目一启动（第 23-24 章） | 手写 Function Calling 解析；ReAct Agent 跑通最小循环 |
| 第 3 周 | 第 04-06 章 | ReAct Agent 完成双工具支持；能讲清规划与反思机制 |
| 第 4 周 | 第 07-08 章 + 项目二启动（第 25 章） | 给 Agent 加上记忆与错误处理；RAG 数据管道搭好 |
| 第 5 周 | 第 09-15 章 + 项目三、四冲刺（第 26-27 章） | RAG 完成 rerank 与评估；LangGraph 项目跑通 interrupt；MCP Server 可被调用 |
| 第 6 周 | 第 16-19 章 | 能画出多智能体方案与评估体系；项目文档补齐数据与结论 |
| 第 7 周 | 第 20-22 章 | 高频题全部口头过一遍；两次模拟面试完成 |

### 阶段一：基础篇（第 1-2 周）

- **学习内容**：第 01-03 章。
- **目标**：能讲清自回归生成、上下文窗口、采样参数；能写出结构化的 Prompt；能手写 Function Calling 调用并解析工具参数。
- **检验标准**：合上教程，能向别人解释「模型是怎么一句话一句话生成的」「为什么 Agent 场景用低 temperature」。

### 阶段二：核心原理 + RAG + 框架篇（第 3-5 周）

- **学习内容**：第 04-15 章。
- **目标**：能手写一个 ReAct 循环；理解记忆系统的分层设计；独立搭出带 rerank 的 RAG 流程；用 LangGraph 跑通一个有状态 Agent；理解 MCP 的协议结构与价值。
- **检验标准**：能在白板上画出 Agent 执行循环和 RAG 全流程，并指出每个环节常见的失败模式。

### 阶段三：工程实践 + 面试冲刺（第 6-7 周）

- **学习内容**：第 16-22 章。
- **目标**：掌握多智能体协作模式与评估体系；能讲清生产部署、可观测性与安全防护方案；刷完高频面试题；把项目经历打磨成可讲述的 STAR 结构。
- **检验标准**：模拟面试 45 分钟，能连续接住三轮追问而不塌方。

### 每日时间分配建议

针对在职学习者的时间切分参考：

- **工作日每天 2 小时**：1 小时读正文，1 小时动手（敲代码、做笔记卡片）；
- **周末每天 5-6 小时**：以实战项目为主，加当周「面试高频问题」的口头练习；
- **碎片时间**：不开新知识，只复习笔记卡片与 badcase 记录。

### 常见学习误区

- **只看不写**：读起来都懂，一动手就废。每章的代码示例必须亲手敲一遍并运行。
- **只学框架不学原理**：会用 LangGraph 但说不清 ReAct 循环，二面项目深挖必然翻车。
- **收藏代替学习**：攒了一堆资料不等于进度，本教程 + 官方文档 + 动手项目，三件事足够。
- **跳过评估章节**：大多数人只关心「怎么搭起来」，而面试官更关心「你怎么知道它有效」。第 17 章是性价比最高的差异化内容。

### 推荐实战项目

面试中「项目深挖」是重头戏。以下 4 个项目由浅入深，建议至少完成前 3 个，每个都要能讲清**为什么这样设计、遇到什么问题、如何验证效果**。每个项目的完整动手指南（需求与验收标准、架构设计、分阶段实现代码、评估方法、开源参考与讲述要点）见 **07-项目实战篇**（第 23-27 章），其中第 23 章提供开源参考项目地图与项目档案模板：

#### 项目一：不用框架手写一个 ReAct Agent

- **内容**：直接调用 OpenAI 兼容接口，自己实现「思考 → 调用工具 → 观察 → 继续」的循环，支持至少 2 个工具（如搜索、计算器）。
- **实操要点**：自己定义工具描述的 JSON 结构；实现最大轮数限制防死循环；工具执行异常要把错误信息回传给模型；记录每一轮的输入输出用于调试。
- **面试价值**：证明你理解框架之下的原理，能回答「LangGraph 帮你做了什么」这类问题。
- **面试表达点**：循环终止条件怎么定、工具报错怎么处理、上下文随轮数膨胀怎么办。

#### 项目二：搭建一个带 rerank 的 RAG 知识库问答

- **内容**：文档解析 → 分块 → Embedding → 向量库检索 → rerank 重排 → 生成，并做简单的检索质量评估。
- **实操要点**：分块策略要有依据（段落语义完整性 + 重叠窗口）；准备 30-50 条问答评测集；对比「有/无 rerank」「不同 top-k」的命中率变化。
- **面试价值**：RAG 是面试必考题，有完整链路与评估数据的项目远胜「调了一下 API」。
- **面试表达点**：为什么选这个分块粒度、检索 badcase 长什么样、怎么定位是分块问题还是检索问题。

#### 项目三：用 LangGraph 实现一个带 human-in-the-loop 的业务 Agent

- **内容**：选一个真实业务场景（如报销审批、工单处理），用 LangGraph 建状态图，在关键节点加入人工确认（interrupt）。
- **实操要点**：状态结构显式定义（输入、中间结果、待确认项）；中断与恢复的状态持久化；设计至少一条异常回退路径。
- **面试价值**：覆盖状态管理、流程编排、人工介入等高频追问点。
- **面试表达点**：哪些节点必须人工确认、状态如何持久化、流程变更时图结构怎么改。

#### 项目四：编写一个 MCP Server 并接入客户端

- **内容**：把一个自有能力（如内部数据查询、文件处理）封装成 MCP Server，暴露 tools / resources，接入支持 MCP 的客户端验证。
- **实操要点**：工具命名与描述按「写给模型看」的标准打磨；处理鉴权与错误返回；记录客户端实际调用日志，观察模型是否正确使用你的工具。
- **面试价值**：MCP 是当前生态热点，亲手写过 Server 的人很少，是明显的差异化优势。
- **面试表达点**：MCP 解决了什么「M×N 集成」问题、你的 Server 如何被模型正确选择、与直接写 Function Calling 的区别。

## 完整目录导航

### 01-基础篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 01 章 | `01-基础篇/01-大模型原理入门.md` | 自回归生成、Transformer、训练三阶段与推理参数，理解 LLM 的工作方式 |
| 第 02 章 | `01-基础篇/02-Prompt工程.md` | Prompt 结构化设计、思维链技巧与工程化管理方法 |
| 第 03 章 | `01-基础篇/03-Function-Calling与结构化输出.md` | Function Calling 协议原理与可靠 JSON 输出的实现 |

### 02-Agent 核心原理篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 04 章 | `02-Agent核心原理篇/04-Agent架构总览.md` | Agent = LLM + 规划 + 记忆 + 工具，建立整体架构视图 |
| 第 05 章 | `02-Agent核心原理篇/05-ReAct与Agent执行循环.md` | Reason + Act 循环的原理、实现与失败模式分析 |
| 第 06 章 | `02-Agent核心原理篇/06-规划与反思机制.md` | Plan-and-Execute、Reflexion 等规划与自我修正策略 |
| 第 07 章 | `02-Agent核心原理篇/07-记忆系统设计.md` | 短期与长期记忆、上下文压缩与外部记忆存储设计 |
| 第 08 章 | `02-Agent核心原理篇/08-工具设计与调用实战.md` | 工具描述编写、参数校验、错误处理与调用稳定性 |

### 03-RAG 与知识库篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 09 章 | `03-RAG与知识库篇/09-RAG原理与流程.md` | 检索增强生成的完整链路：为什么需要、每个环节做什么 |
| 第 10 章 | `03-RAG与知识库篇/10-Embedding与向量数据库.md` | 文本向量化原理、相似度计算与向量数据库选型 |
| 第 11 章 | `03-RAG与知识库篇/11-高级RAG优化技术.md` | 分块策略、查询改写、rerank、混合检索等优化手段 |

### 04-协议与框架篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 12 章 | `04-协议与框架篇/12-MCP协议详解.md` | Model Context Protocol 的设计理念、协议结构与开发实践 |
| 第 13 章 | `04-协议与框架篇/13-LangChain与LangGraph实战.md` | 用主流框架构建有状态、可中断的 Agent 应用 |
| 第 14 章 | `04-协议与框架篇/14-多智能体框架AutoGen与CrewAI.md` | 两大流行多智能体框架的设计理念、对比与实践 |
| 第 15 章 | `04-协议与框架篇/15-Dify与Coze应用开发平台.md` | 低代码 Agent 平台的能力边界、适用场景与取舍 |

### 05-工程实践篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 16 章 | `05-工程实践篇/16-多智能体系统设计模式.md` | 编排者、对等协作等典型协作模式与选型原则 |
| 第 17 章 | `05-工程实践篇/17-Agent评估与测试体系.md` | 评估指标、评测集构建、LLM-as-Judge 与回归测试 |
| 第 18 章 | `05-工程实践篇/18-生产部署与可观测性.md` | 部署架构、链路追踪、监控告警与成本控制 |
| 第 19 章 | `05-工程实践篇/19-Agent安全与风险防护.md` | Prompt 注入、越权调用、输出审核等安全工程实践 |

### 06-面试冲刺篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 20 章 | `06-面试冲刺篇/20-经典论文与前沿方向.md` | ReAct、Reflexion 等关键论文要点与前沿方向梳理 |
| 第 21 章 | `06-面试冲刺篇/21-高频面试题-基础原理篇.md` | 原理类高频面试题集中训练与参考答案要点 |
| 第 22 章 | `06-面试冲刺篇/22-高频面试题-工程实战篇.md` | 工程与项目类高频面试题集中训练与答题框架 |

### 07-项目实战篇

| 章节 | 文件 | 一句话简介 |
| --- | --- | --- |
| 第 23 章 | `07-项目实战篇/23-项目实战导读与开源参考.md` | 实战篇总纲：项目与知识点映射、开源项目三层阅读法、参考仓库地图与项目档案模板 |
| 第 24 章 | `07-项目实战篇/24-项目实战一-手写ReAct-Agent.md` | 不用框架手写完整 ReAct 循环：三阶段实现、自建评测集与项目讲述要点 |
| 第 25 章 | `07-项目实战篇/25-项目实战二-RAG知识库问答.md` | 从零搭建带 rerank 的 RAG 全链路：分块、检索、评估指标与 badcase 排查 |
| 第 26 章 | `07-项目实战篇/26-项目实战三-LangGraph业务Agent.md` | 用 LangGraph 实现报销审批 Agent：状态图、interrupt 人工确认与状态持久化 |
| 第 27 章 | `07-项目实战篇/27-项目实战四-MCP-Server.md` | 编写 SQLite 查询 MCP Server：工具设计、安全约束、客户端接入与调用验证 |

## 使用建议

### 如何结合自身情况使用本教程

- **应届生 / 无相关工作经验**：严格按三阶段路线走，把 4 个实战项目做扎实。你没有生产经验可讲，项目就是唯一抓手——每个项目都要有明确的评估数据（哪怕是自建的评测集），面试时主动讲「我怎么验证它有效」。
- **后端 / 全栈转岗**：你在工程实践篇有天然优势，重点补齐 LLM 基础与 Agent 原理（第 01-11 章），把已有经验往 Agent 场景迁移：部署、可观测性、稳定性治理这些话题要能结合 Agent 特点讲出新意（如非确定性输出的测试策略）。
- **算法 / NLP 转岗**：原理篇可以快速过，把时间花在框架生态（第 12-15 章）与工程实践（第 16-19 章）。面试官会重点考察你「能不能把模型能力落成产品」，准备好从评测、成本、延迟角度谈取舍。
- **所有人通用**：每章学完后，合上教程用自己的话把「面试高频问题」回答一遍，答不顺的地方回炉重读。输出倒逼输入，比反复阅读有效得多。

### 单章学习法：读、想、做、说

- **读**：通读正文，遇到不懂的先标记，不打断节奏；
- **想**：回头处理标记点，追问每个结论的「为什么」，想不通就查资料或问模型，直到能自圆其说；
- **做**：亲手敲一遍章内代码并运行，改动一个参数观察行为变化；
- **说**：合上教程，口头回答本章「面试高频问题与答题思路」的全部问题，说得顺才算过关。

### 如果只有两周时间

在职求职常常没有 7 周预算，压缩策略如下：

- **第 1 周**：第 01、02、03、05 章（基础 + ReAct，面试出现频率最高的四章）+ 完成项目一。
- **第 2 周**：第 09、11 章（RAG 主干）+ 第 17、19 章（评估与安全，性价比最高的差异化内容）+ 第 21、22 章刷题。
- **取舍原则**：放弃框架篇的细节对比（能讲出「用过什么、为什么选它」即可），保住原理和项目表达。
- **底线**：再赶也要做完项目一。没有可深挖的项目，二面基本无解。

### 学习产出模板

学习效果靠积累，建议从第一天起就维护三份产出：

1. **章节笔记卡片**：每章一张，用自己的话写「核心概念 + 为什么 + 一个高频问法」，三分钟写完，冲刺期复习极快。
2. **项目档案**：每个实战项目写一份 README，包含背景与目标、架构图、关键设计决策及理由、评估数据、已知问题与改进方向。这份 README 就是面试项目讲述的底稿。
3. **Badcase 记录**：实验中遇到的每一次模型意外行为（输出跑偏、选错工具、检索不中），记录现象、分析与对策。面试被问「遇到过什么坑」时，这是最有说服力的素材。

### 推荐辅助资料

除本教程外，只需要以下几类官方资料（均以官方最新版本为准）：

- **OpenAI 兼容接口文档**：本教程示例代码基于该约定，主流模型厂商的 API 基本兼容；
- **LangChain / LangGraph 官方文档**：第 13-14 章与项目三的动手参考；
- **MCP 官方文档**：第 12 章与项目四的动手参考；
- **经典论文原文**：第 20 章提到的 ReAct、Reflexion 等论文可直接按标题检索，读论文抓「问题 → 方法 → 实验 → 局限」主线，不抠公式；
- **模型厂商技术报告**：理解工具调用、长上下文、推理模型等能力演进的一手来源；
- **开源参考项目**：第 23 章整理了按项目分类的 GitHub 参考仓库清单（手写 Agent、RAG、LangGraph、MCP 各类），做项目前先读该章的「三层阅读法」。

### 面试前一周做什么

1. **停止学新东西**，只做三件事：复习、模拟、表达。
2. **过两遍高频题**：第 21、22 章逐题口头作答，每题控制在 2 分钟内，先结论后展开。
3. **打磨项目讲述**：每个项目准备 1 分钟版本（背景、方案、结果）与深挖版本（设计取舍、失败案例、优化数据），写成逐字稿并讲出声。
4. **至少两次模拟面试**：找同事或朋友提问，重点练习「被追问时不慌」——答不上来就承认，然后给出你的分析思路。
5. **准备反向提问**：团队的 Agent 技术栈、评估体系、业务场景，问出有信息量的问题也是加分项。
6. **检查简历一致性**：教程中学到的表述要与简历项目描述对齐，避免面试时前后矛盾。

### 面试现场小贴士

- **先结论后展开**：第一句话直接给答案，再分层解释，让面试官立刻知道你会。
- **承认不会不丢分，硬编会丢分**：Agent 工程师最忌讳「幻觉」，面试现场就是第一次考察。
- **主动引导到你擅长的项目**：回答中自然带出「这个我在某某项目里验证过」，把追问引向准备充分的区域。
- **把问题接住再拆解**：遇到大而开放的设计题，先复述确认需求边界，再分模块展开，展示的是工程思维而不是背诵。

## 术语速查表

阅读过程中遇到陌生名词可先在此速查，详细讲解见对应章节。

| 术语 | 一句话解释 | 详见 |
| --- | --- | --- |
| Agent | 以 LLM 为决策核心、能自主规划并调用工具完成任务的系统 | 第 04 章 |
| Token | 模型处理文本的最小单位，由 tokenizer 切分产生 | 第 01 章 |
| 采样策略 | 从概率分布中选择生成 token 的方法统称 | 第 01 章 |
| 上下文窗口 | 模型一次能处理的输入加输出 token 上限 | 第 01 章 |
| KV Cache | 缓存历史 token 的 Key / Value，用显存换计算 | 第 01 章 |
| Prefill / Decode | 推理的输入并行处理阶段 / 输出逐 token 串行生成阶段 | 第 01 章 |
| Temperature | 控制生成分布尖锐程度的采样参数 | 第 01 章 |
| 幻觉 | 模型生成流畅但与事实不符或无依据的内容 | 第 01 章 |
| CoT | 思维链，让模型输出中间推理步骤以提升复杂任务表现 | 第 02 章 |
| Few-shot | 在 prompt 中提供示例，示范期望的输入输出映射 | 第 02 章 |
| 指令遵循 | 模型服从 prompt 中规则、格式与边界约束的能力 | 第 02 章 |
| Prompt 注入 | 在数据中夹带指令劫持模型行为的攻击 | 第 02 / 19 章 |
| Function Calling | 模型按协议输出结构化工具调用参数的能力 | 第 03 章 |
| 结构化输出 | 保证生成结果符合 JSON 等指定结构的机制 | 第 03 章 |
| ReAct | 推理与工具调用交替进行的 Agent 执行循环 | 第 05 章 |
| Plan-and-Execute | 先生成完整计划再逐步执行的 Agent 模式 | 第 06 章 |
| Reflexion | 通过自我反思失败经验改进下一次尝试的机制 | 第 06 章 |
| 短期记忆 | 上下文窗口内的对话与工作状态 | 第 07 章 |
| 长期记忆 | 跨会话持久化的外部记忆存储 | 第 07 章 |
| 微调 | 用特定数据对模型继续训练以调整行为或能力 | 第 01 章 |
| RAG | 检索增强生成，先检索外部知识再交给模型生成 | 第 09 章 |
| Embedding | 把文本映射为向量，使语义相似度可计算 | 第 10 章 |
| 向量数据库 | 存储向量并提供近似最近邻检索的服务 | 第 10 章 |
| Rerank | 用精排模型对初筛检索结果重新排序 | 第 11 章 |
| MCP | Model Context Protocol，模型连接工具与数据的标准协议 | 第 12 章 |
| Human-in-the-loop | 在关键节点暂停流程等待人工确认的设计 | 第 13 章 |
| 多智能体 | 多个 Agent 分工协作完成任务的系统形态 | 第 14 / 16 章 |
| LLM-as-Judge | 用模型给另一模型的输出打分的评估方法 | 第 17 章 |
| TTFT | Time To First Token，首 token 延迟 | 第 18 章 |
| 可观测性 | 让 Agent 内部执行链路可见、可追踪、可诊断的能力 | 第 18 章 |

## 常见问题（FAQ）

**Q：必须用 Python 吗？我用 TypeScript / Java。**
教程示例统一用 Python，因为它是 Agent 生态的第一语言。面试考察的是原理与设计，语言不是硬门槛，但建议至少能读懂 Python 示例；若你的目标团队技术栈不同，用熟悉的语言复刻项目即可，讲述时说明语言选型原因。

**Q：没有付费模型 API 还能做项目吗？**
可以。多家厂商提供免费额度，开源模型也可通过本地推理工具暴露 OpenAI 兼容接口。教程代码只需换 `base_url` 与 `model`。注意：用开源模型时，面试可以顺势聊「为什么这样部署、量化与成本」，反而是加分项。

**Q：需要背论文吗？**
不需要逐篇精读。把 ReAct、Reflexion、RAG 等代表性工作记成「解决什么问题 → 方法主线 → 效果与局限」三段式，并能与自己的项目挂钩即可。面试官要的是理解，不是复述。

**Q：教程内容和最新框架文档不一致，以谁为准？**
以官方文档为准。教程刻意不追版本，讲的是稳定概念与设计取舍——这正是面试追问考察的东西。发现不一致时，把它当成理解演进脉络的机会。

**Q：项目一定要做得很大很完整吗？**
闭环大于规模。一个有明确设计取舍、有评测数据、能讲清失败与改进的小项目，远胜一个庞大但说不清细节的半成品。四个推荐项目按最小闭环做即可。

**Q：时间实在不够，优先级最高的单一内容是什么？**
项目一（手写 ReAct Agent）加第 05 章、第 09 章。项目深挖与 ReAct、RAG 原理题是出现频率最高的两类问题，这一组合的投入产出比最高。

## 版本说明

- 当前版本：v1.2，全 27 章齐备；
- 更新记录：
  - 2026-08（v1.2）新增 **07-项目实战篇**（第 23-27 章）：基于 GitHub 与全网调研，为四个推荐项目补齐完整动手指南——需求与验收标准、架构设计、分阶段实现代码（均经语法校验与桩环境运行验证）、评估方法、开源参考仓库地图与 STAR 讲述要点；README 同步更新目录导航、知识图谱与学习权重表；
  - 2026-08（v1.1）完成一轮联网调研后的内容更新——补充 2024 下半年至 2026 年的生态演进（MCP 规范演进与 A2A v1.0、LangChain/LangGraph 1.0、AutoGen 至 Microsoft Agent Framework 的格局变化、Agentic RAG 与 Contextual Retrieval、推理模型与约束解码、Letta/Mem0/Zep 记忆框架、多智能体实践之争、OWASP LLM/Agentic 清单与真实安全事件等），各章同步丰富业务案例、类比与新增面试题；
- 更新策略：教程不追框架与模型的具体版本号，仅在稳定概念或生态格局发生实质变化时修订；
- 代码示例：均为语法完整的 Python 代码，按文内说明安装依赖即可运行；
- 阅读顺序：建议按章节编号顺序学习，各章一句话简介见「完整目录导航」。

祝面试顺利。