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。
Agent
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。
10 | RAG 入门——让 LLM 用你的私有知识回答问题
RAG 全流程详解：文档切分策略、Embedding 模型选择、向量检索原理、重排优化、Prompt 注入。每个环节配具体数值和代码示例。
11 | 高级 RAG 与记忆系统——从能用到好用
超越基础 RAG：Multi-hop 多步检索、Self-RAG 自适应检索、Graph RAG 知识图谱增强，以及 Agent 记忆系统的设计——短期对话记忆、长期知识记忆、记忆压缩策略。
12 | 实战——用 LlamaIndex 构建知识库问答系统
用 LlamaIndex 从零构建一个知识库问答系统：索引技术文档、构建检索链、问答测试，最后接入 MCP Server 让 Agent 通过标准协议访问知识库。完整可运行代码。
13 | 多 Agent 架构——为什么一个 Agent 不够用？
单个 Agent 面对复杂任务时容易出错、上下文爆炸、缺乏专业深度。这篇文章系统讲解 3 种主流多 Agent 架构模式（层级式/辩论式/流水线式），以及 Agent 角色设计原则和职责边界划分。