AI Agent 学习路线：从零到生产，每个阶段配一个开源项目
一份系统的 AI Agent 学习路线图，覆盖 Prompt / Context / Loop / Harness 四大工程类型，以及 MCP、A2A、推理模型、评估、安全、数据飞轮等关键概念。5 个阶段，每阶段配一个 GitHub 开源项目实战。
Posts
01 | 大模型是怎么工作的——从 Transformer 到 Tokenization
不讲公式，用直觉和具体例子解释大模型的核心机制：Transformer 架构、Tokenization 原理、Context Window 概念，以及自回归生成的工作方式。
02 | Prompt Engineering——从入门到精通
系统讲解 Prompt Engineering 的核心技巧：Zero-shot、Few-shot、Chain-of-Thought、Self-Consistency，以及 System Prompt 设计原则。每个技巧配具体示例和使用场景。
03 | 推理模型——o1、R1 和 test-time compute 到底在做什么
解释推理模型（o1/o3、DeepSeek-R1）的工作原理：test-time compute、内部思维链、强化学习训练，以及它和传统 CoT Prompt 的本质区别。
04 | 实战——用 Prompt Engineering Guide 搭建你的第一个 LLM 应用
跟着 Prompt Engineering Guide 动手练习，从 API 调用到完整的小项目，把前三篇的理论知识串起来。
05 | Loop Engineering——Agent 的核心循环
Agent 和普通 LLM 对话的本质区别是什么？答案是循环。这篇文章详解 Agent 的核心执行循环：ReAct 范式、Reflexion 自反思机制，以及停止条件、错误恢复、防止死循环等工程细节。
06 | Function Calling——让 LLM 调用外部工具
Agent 怎么调用外部工具？Function Calling 的工作原理、工具定义的 JSON Schema、参数解析、结果回传。对比 OpenAI、DeepSeek、Anthropic 三种接口风格，配合完整代码示例。
07 | 从 Tool 到 Skill——封装思维与 MCP 协议
Tool 是原子操作，Skill 是封装好的多步流程。这篇文章讲清楚从 Tool 到 Skill 的设计思维，以及 Anthropic 提出的 MCP 协议如何让工具连接变得标准化和即插即用。
08 | 实战——用 LangChain 构建一个 ReAct Agent
用 LangChain 从零构建一个带工具调用的 ReAct Agent。包括创建 Agent、添加工具、观察循环日志、把多个工具组合成 Skill。完整可运行代码，跟着做就能跑起来。
09 | Context Engineering——比 Prompt 更重要的「给模型看什么」
Prompt Engineering 关注’怎么说’，Context Engineering 关注’给模型看什么’。这篇文章系统讲解上下文工程的核心策略：窗口管理、信息优先级、动态构建、System Prompt 进阶设计。