本文基于作者发布在公众号的同名文章整理重写，保留核心路线，同时按独立博客阅读习惯补充了项目落地、避坑重点和更可执行的学习顺序。原文链接：微信文章

AI Agent 学习路线图

为什么现在值得学 AI Agent

在 2026 年，AI Agent 已经不只是“能聊天的大模型外壳”，而是能调用工具、读取知识库、管理状态并完成连续任务的执行系统。真正拉开差距的，也不再是谁会写一句 Prompt，而是谁能把模型接入工具、流程、评估和权限体系。

Agent 值得投入的原因主要有三点：

  • 模型能力已经足够支撑复杂推理、代码生成和任务拆解。
  • 基础设施明显成熟，Function Calling、MCP、LangGraph、CrewAI 这类组件让工程落地成本大幅降低。
  • 企业需求非常真实，从知识库问答、自动化客服到代码审查和流程编排，都需要能“持续执行”的系统，而不是一次性回答。

六个阶段，从新手到能落地

第一阶段：Prompt 与 API 集成

目标不是“会调接口”，而是做出稳定、可复用、可约束输出的单 Agent 原型。

  • 重点：角色设定、Few-shot、结构化输出、上下文裁剪、失败重试。
  • 代表项目：垂直领域助手，例如文案生成、面试模拟、日报总结。
  • 过关标准：同一类任务能稳定输出，不靠手工反复修 Prompt。

第二阶段：RAG

当模型需要回答业务知识、私有文档或高准确率问题时，RAG 才是从“会说”走向“说得对”的关键一步。

  • 重点：文档清洗、语义分块、向量检索、混合检索、重排序。
  • 工具选择：轻量场景可先用 pgvector，混合检索和大规模场景再考虑 Weaviate 或 Milvus。
  • 代表项目：企业知识库助手、PDF 问答、产品手册问答。
  • 过关标准：回答能给出处，召回质量可评估，而不是只看“感觉像是对的”。

第三阶段：Tool Use / MCP

这一步是 Agent 从“只能输出文字”变成“真的能办事”的分水岭。

  • 重点：Function Calling、JSON Schema、权限控制、超时与重试、MCP 接入。
  • 代表项目：个人事务助理，自动查天气、写日历、发邮件、调用内部 API。
  • 过关标准：模型能稳定选择正确工具，调用失败时能回退，而不是一报错就卡死。

第四阶段：规划型单 Agent

真正的 Agent 不只是响应指令，还要能把目标拆成步骤，再在执行中不断修正。

  • 重点：ReAct、任务拆解、步骤预算、观察反馈、失败恢复。
  • 代表项目：行业调研员、竞品分析助手、自动网页信息整理器。
  • 过关标准：面对开放式任务时能分步完成，而不是只给一段空泛总结。

第五阶段：Memory 与 State

如果没有状态管理和长期记忆，多轮协作很快就会退化成“每轮都重新开始”。

  • 重点：会话状态、用户画像、长期记忆召回、检查点、暂停与恢复。
  • 代表项目：个人效率教练、长期跟进式客服、学习陪练。
  • 过关标准：Agent 能记住与你任务真正相关的信息，而不是把所有历史一股脑塞回上下文。

第六阶段：Multi-Agent

多智能体不是炫技，而是在单 Agent 已经变复杂、角色已经明显分工时的自然升级。

  • 重点：Planner / Executor / Critic 角色拆分、handoff、消息协议、成本控制、冲突解决。
  • 代表项目：虚拟软件开发工作室、复杂报告生成流水线、跨角色审批系统。
  • 过关标准：多 Agent 的收益明显高于单 Agent，否则就该退回更简单的设计。

三个最容易踩的坑

1. 一上来就过度工程化

很多人刚开始就想做复杂状态机、长链路工作流和多 Agent 编排，结果还没跑通第一个闭环。现实是：很多场景一个清晰的循环 think -> act -> observe 就能先做出 80 分。

建议：

  • 先跑通单 Agent 闭环，再加记忆和反思。
  • 先把 Prompt 和工具契约写清楚，再谈复杂编排。
  • 先证明价值，再引入复杂度。

2. 只做功能，不做评估

没有评估体系的 Agent，很难长期优化，也很难上线。

建议：

  • 至少从任务完成率、错误率、人工修正率开始。
  • RAG 要分开看召回质量和最终回答质量。
  • 关键链路要保留 trace、输入、工具调用和失败原因。

3. 忽视权限与安全边界

一旦 Agent 能写库、发消息、调支付、操作后台，Prompt Injection 和误调用就不再是理论问题。

建议：

  • 坚持最小权限原则。
  • 敏感动作加白名单、人工确认或审批门。
  • 保留完整审计日志，确保所有工具调用可追踪、可回放、可撤销。

一条更实用的学习顺序

如果你是第一次系统学习 Agent，我更建议按下面的节奏推进：

  1. 第 1 个月：打牢 Prompt、结构化输出、简单 API 集成。
  2. 第 2 个月：做一个能引用出处的 RAG 应用。
  3. 第 3 个月：接入 2 到 3 个真实工具，学会做 Tool Use 和 MCP。
  4. 第 4 个月：给 Agent 加上任务拆解、记忆与状态管理。
  5. 第 5 到 6 个月：再考虑 Multi-Agent、评估平台、监控和安全治理。

工具链建议

  • 编排框架：LangGraph 适合状态流和可控执行，CrewAI 更适合角色分工，AutoGen 适合对话协作实验。
  • 检索与存储：pgvector 起步成本低，Weaviate 混合搜索体验好，Milvus 更偏大规模。
  • 评估与观测：LangSmith 适合追踪链路，RAGAS 可用于 RAG 评估。
  • 协议方向：工具调用优先关注 MCP，跨 Agent 通信可以按需关注 A2A 一类协议和实现。

结语

AI Agent 的门槛，已经从“会不会调用模型”变成了“能不能把模型接进真实世界”。如果你现在还停留在只调一次聊天接口的阶段，下一步最该补的不是更花哨的 Prompt，而是检索、工具、状态、评估和权限这五件事。

如果你也在做 Agent 项目，欢迎留言聊聊：你目前卡在 Prompt、RAG、Tool Use，还是 Multi-Agent？