AgentGuide
💡 核心理念
📌 本项目定位：资源整合 + 系统化路径 + 实战导向
🎯 我们的原则：
- ✅ 站在巨人的肩膀上 - 互联网已有的优质资源（课程、教程、论文），我们直接引用，不重复造轮子
- ✅ 只分享干货 - （坚持更新中，欢迎催更）
- ✅ 提供系统化路径 - 将碎片化资源串联成完整学习路线，告诉你先学什么、再学什么
- ✅ 求职导向 - 每个知识点都标注"面试怎么考"、"简历怎么写"
💪 AgentGuide 的独特价值：不是简单的资源堆砌，而是系统化 + 求职导向 + 实战验证的完整解决方案！
🧭 按目标进入
📚 查看完整文档导航
📑 目录
🎯 核心内容：
🛠️ 快速导航：
📖 关于本项目
3 分钟了解为什么你需要 AgentGuide
🧭 你可能正卡在这些地方
- 会调用模型、也接过工具，但 Agent 一跑长任务就早停、循环、丢状态，出了问题不知道怎么定位
- LangGraph、OpenAI Agents SDK、MCP、Skills、Multi-Agent 概念很多，却缺少一张完整的系统架构图
- Context、Memory、Tools、权限、Sandbox、Trace 混在一起，Demo 能跑，离可靠系统还很远
- RAG 做过基础问答，但复杂文档、多模态、引用溯源、评测集与线上观测没有形成闭环
- 项目只有功能截图，没有基线、指标、失败分析和工程取舍，简历写不实，面试经不起追问
- 想进入 Agent 方向，却不清楚开发岗、算法岗、Agentic RL 和前沿研究分别需要什么能力与作品
- 论文、框架和开源项目更新太快，不知道哪些值得学、先做什么、如何沉淀成可验证成果
AgentGuide 是什么？
AI Agent 工程、研究与求职的开源知识库
AgentGuide 围绕 “做得出、跑得稳、测得准、讲得清” 组织内容，不绑定单一框架，也不止于资源收藏：
- Agent 系统与 Harness：Agent Loop、Workflow / Agent / Multi-Agent 边界、状态、调度、权限与运行时
- Context Engineering 与 Memory：上下文分层、检索、压缩、长期记忆、Prompt Cache 与成本优化
- Tools 与协议生态：Tool Schema、MCP、Skills、A2A / ACP、Browser / Computer Use 与 Sandbox
- RAG 与知识系统：文档解析、Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Multimodal RAG 与引用溯源
- Eval、Observability 与 Safety：评测集、Trace / Replay、LLM-as-a-Judge、红队、HITL 与生产可靠性
- Post-training 与 Agentic RL：SFT、DPO / GRPO、轨迹数据、Reward / Verifier、长程信用分配与环境构建
- 项目、研究与求职：可复现实战、开源项目、前沿论文、实验设计、简历表达、系统设计与面试题库
🗺️ AgentGuide 在 LLM 生态中的定位
我们覆盖 AI Agent 开发的完整技术栈 - 从模型微调到应用部署的全流程：
📌 AgentGuide 涵盖的核心技术栈（2026 版）：
|
🤖 Agent 应用层
- ✅ Agent / Workflow
- LangGraph、OpenAI Agents SDK
- AutoGen、CrewAI、Pydantic AI
- Dify、n8n、Flowise
- ✅ 任务形态
- Research / Coding / Web Agent
- Multi-Agent / Supervisor / Handoff
- Computer Use / Browser Automation
|
🧩 Agent Harness 层（核心）
- ✅ Context Engineering
- System / Memory / Retrieval / Trace
- Context Compression、Prompt Cache
- ✅ Tools & Protocols
- Tool Schema、MCP、Skills
- A2A / ACP、权限分级
- ✅ Reliability
- Sandbox、HITL、Retry、Cost Guard
- Trace、Replay、Observability
|
📊 Data / Eval / Training 层
- ✅ RAG & Data
- Docling、MinerU、Unstructured
- Milvus、Qdrant、Chroma、FAISS
- GraphRAG、Agentic RAG、Multimodal RAG
- ✅ Eval & Safety
- Promptfoo、DeepEval、Inspect、RAGAS
- WebArena、OSWorld、SWE-bench
- ✅ Post-training
- SFT、LoRA / QLoRA、DPO / GRPO
- Tool-use / Trajectory 数据合成
|
💡 AgentGuide 的完整覆盖：
🔬 算法工程师路径：
- Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略
- RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回
- Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测
🛠️ 开发工程师路径：
- Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制
- 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装
- 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队
🔀 通吃型路径：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。
🎯 适合人群
求职目标：
- ✅ AI Agent 算法工程师 | AI Agent 开发工程师 | RAG 系统工程师
- ✅ LLM 应用工程师 | 大模型工程师 | 多模态算法工程师
学习需求：
- ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills
- ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness
- ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧
🌟 AgentGuide 的 6 大核心价值
📚 系统化学习路径
- ✅ 从零基础到面试通过的完整路线
- ✅ 理论 → 工具 → 实战 → 求职，环环相扣
- ✅ 不用再到处找资料，一个仓库学完全部
|
🎯 100% 求职导向
- ✅ 每个知识点都标注"面试怎么考"
- ✅ 提供真实大厂面试题
- ✅ 手把手教你如何将项目写进简历
|
|
💼 简历级实战项目
|
🔀 算法 × 开发双线通吃
- ✅ 同一项目，可投算法岗或开发岗
- ✅ 算法线：原理、创新、实验设计
- ✅ 开发线：架构、优化、系统设计
|
🆓 完全开源，持续更新
- ✅ 所有内容永久免费
- ✅ 作者一线大模型算法工程师
- ✅ 社区驱动，欢迎贡献
|
🚀 快速上手，立即见效
- ✅ 10 分钟跑通第一个 Agent
- ✅ 2-3 周完成简历级项目
- ✅ 8-10 周系统掌握，准备面试
|
🎁 学完 AgentGuide，你能获得什么？
从“会调用模型”到“能设计、实现、评测并讲清一个可靠的 Agent 系统”
✅ 【架构认知】分清 Chatbot、Workflow、Agent 与 Multi-Agent，理解 Agent Loop 和 Harness
✅ 【工程能力】掌握 LangGraph / OpenAI Agents SDK、Context Engineering、Memory、Tools、MCP 与 Skills
✅ 【RAG 能力】能设计 Hybrid Retrieval、Rerank、引用溯源、GraphRAG、Agentic RAG 与 Multimodal RAG
✅ 【可靠性】会构建 Eval Set、Trace / Replay、LLM-as-a-Judge、Sandbox、HITL、权限和成本控制
✅ 【训练认知】理解 SFT、DPO / GRPO、工具调用与轨迹数据合成、Reward / Verifier 的基本方法
✅ 【项目交付】完成 2-3 个可运行、可评测、可复现的项目，并写清架构、指标、取舍与失败分析
✅ 【面试表达】能围绕原理、系统设计、实验结果和工程权衡回答追问，而不是背“标准答案”
✅ 【求职路径】明确算法岗与开发岗能力差异，用项目、开源贡献和技术内容构建作品集
🚦 从零到Offer的完整路径（快速导航）
👋 新来的同学看这里！先看新范式，再按步骤执行，8-10周拿到Offer！
⚡ 重要提醒：
- 一定要先完成"第一步"和"第二步" - 确定方向再学习！
- "第四步"实战项目最重要 - 简历的核心竞争力！
- 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！
🆕 求职新范式：做出什么 > 学过什么
⚡ 求职规则已经变了。2026年，HC:投递比约1:200，核心问题不再是"我够不够格"，而是"我用什么方式让自己被看见"。
1-2-5 求职框架
| 维度 |
内容 |
| 1个原则 |
从"我会什么"转向"我做出了什么" |
| 2条轨道 |
Agent开发（工程落地）vs Agent算法（研究创新） |
| 5步链路 |
简历 → 投递 → 模拟面试 → Vibe Coding → 成果展示 |
工具不再是壁垒，你用工具做出的东西才是。
旧方式 vs 新范式
| 环节 |
旧方式 |
新范式 |
| 简历 |
一份通用简历打天下 |
AI读JD，动态生成针对性版本 |
| 投递 |
手动上传，逐一投递 |
一键全网投，AI做适配分析 |
| 模拟面试 |
背八股，刷题库 |
AI扮演面试官，无限迭代实战 |
| Vibe Coding |
手写算法题 |
AI协作设计Agent系统 |
| 成果展示 |
PDF+截图 |
个人站+在线demo+社区影响力 |
个人品牌：让面试官主动找你
个人网站必备要素（免费部署：Vercel/GitHub Pages，5分钟上线）：
- 每个项目一个页面 + 在线可访问的demo链接
- 技术Blog：至少3篇有深度的原理解析
- 社区数据：GitHub Star数 / 真实用户数
- 时间线里程碑
简历项目描述公式：
❌ 「参与开发了一个AI客服系统」
✅ 「基于LangGraph + MCP构建多Agent客服系统，工具调用成功率94%，响应时长从3.2s降至0.8s，日处理10万+对话」
投递策略：AI筛简历时代的人工突围
招聘方也在用AI筛简历——两个AI在对话，人的主动触达反而更稀缺。
核心目标公司（5-10家）走人工路线：
- Boss/猎聘找具体的Hiring Manager或Team Lead
- 提前关注他们的开源项目/技术Blog
- 带着具体问题主动联系（不是「请问还招人吗？」）
- 目标：一个warm intro，不是冷申请
时机窗口： 3-6月提前批竞争烈度比8-9月低30-40%，往往是真正的机会窗口。
说几句实话
- 语言不是门槛，设计才是。 Python/TypeScript AI都能帮你写。但Agent状态机怎么设计、Memory何时截断、工具调用失败如何fallback——这些必须你自己想清楚、讲明白。
- AI工具人人都有，判断力才是壁垒。 会用Cursor写代码不算竞争力。当AI给你一个错误的Agent设计，你能30秒内发现并说清楚为什么错——这才是L5和L3的分水岭。
- 分享即异步面试。 一篇深度Blog、一个有Star的仓库，相当于提前通过了一轮面试。
- 拿结果说话。 不是"我学过LangChain"，是"我用LangGraph做了一个有300个真实用户的工具"。
新增优质资源
| 资源 |
简介 |
链接 |
| learn-workbuddy |
从 0 搭建一个 WorkBuddy-style Desktop Agent Harness：clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测，不提取源码，只复现核心机制 |
GitHub |
| Superpowers |
由可组合 Skills 构成的 AI Coding 完整开发工作流，覆盖需求梳理、计划、TDD、系统调试、代码评审和完成前验证 |
GitHub |
| Learn Claude Code |
从零构建迷你Claude Code，12节渐进式，覆盖工具调用/子Agent/上下文压缩/多Agent协作 |
GitHub |
| claw0 |
10章10个核心概念~7000行Python，从while循环到生产级Agent网关 |
GitHub |
| hello-agents（Datawhale） |
《从零开始构建智能体》，16章，含MCP实战、DeepResearch复现、多Agent协同 |
GitHub |
| OpenClaw |
生产级个人AI助手框架，支持Telegram/Discord/Slack等 |
GitHub |
| Anthropic官方：Building Effective Agents |
Anthropic工程团队出的Agent设计原则，面试必读 |
链接 |
| Vibe Coding 教程 |
从零掌握AI协作编程，Cursor/Claude Code实操指南，Vibe Coding面试攻略 |
链接 |
后续实践重点：在 Superpowers 的 Skills 工作流基础上，我将重点使用 grill-me / grilling 系列 Skills。它们会一次只追问一个问题，逐项压测计划、决策与设计中的假设、依赖、边界和取舍；达成共同理解后，再进入实现。
🧭 Agent 求职通关 Todo List（新增）
不是链接收藏夹，是可以照着执行的 todo list。
目标很简单：从“我学过什么”，推进到“我做出了什么、怎么验证、怎么写进简历、怎么讲给面试官听”。
How To Use
| 你的状态 |
建议入口 |
| 零基础 |
从 6步学习路径 开始，先建立 Agent / Workflow / RAG / Multi-Agent 的坐标系 |
| 会 LLM 应用 |
重点补 Agent Loop、Tool Use、Context Engineering、Eval，不要只停留在 API 调用 |
| 想做项目 |
直接进入 实战项目，按“Spec → Coding → Eval → 复盘”推进 |
| 准备面试 |
对照 面试题库，重点准备 Agent Loop、工具设计、记忆、评测、可靠性 |
| 只想找资料 |
看 技术教程 和 资源导航，优先读官方文档、工程博客和可运行项目 |
What To Learn Now
Agent 方向变化很快，当前更值得投入的是能落地、能验证、能讲清楚取舍的工程能力：
| 优先级 |
方向 |
为什么重要 |
| 1 |
Claude Code / Codex-style Coding Agents |
真实代码库、shell、文件编辑、测试、权限、上下文压缩，是理解 Agent 工程的最佳样本 |
| 2 |
Agent Harness Engineering |
Agent 能力很大一部分来自 harness：工具协议、权限、状态、反馈、回放、CI、评测 |
| 3 |
Context Engineering |
Agent 的核心不是“写提示词”，而是控制信息在正确时间以正确格式进入模型 |
| 4 |
Skills / MCP / A2A / ACP |
Skills 负责能力复用，MCP 连接工具，A2A 连接 Agent，ACP 连接宿主应用 |
| 5 |
Browser / Computer-Use Agents |
浏览器和桌面 |
图片来源：
AgentGuide 是一个免费开源的中文知识库,面向 AI Agent 工程和求职,参考 JavaGuide 的模式打造。它把零散的课程、教程、论文和项目整合成一条从入门到拿到 offer 的系统化路线。