EN

AI Agent 开发路线

从工具调用到多智能体协作，构建会自己干活的 AI

需要应用开发基础 约 2 个月（每天 1–2 小时） 8 个步骤

路线目标

学完后能够设计 Agent 的工具集与工作流，熟练使用 LangGraph 等框架编排复杂流程，理解 MCP 协议并搭建带评测与安全意识的 Agent 应用。

适合人群：已有大模型应用开发经验、想深入 Agent 领域的开发者

  1. 第 1 步：打牢大模型应用基础

    确保熟练调用 API 并理解函数调用（Function Calling）与结构化输出——这是 Agent 调用工具的地基。

    💡 重点阅读 OpenAI 文档中的 Function Calling 章节。

  2. 第 2 步：理解 Agent 设计模式

    学习规划、反思、工具使用等核心模式，建立对 Agent 能力边界的判断力。

    💡 《Building Effective Agents》讲清了工作流与 Agent 的边界，Lil'Log 的 Agent 长文是必读。

  3. 第 3 步：掌握工具调用与 MCP

    学习为模型接入外部工具的标准化方式，理解 MCP 协议的客户端/服务端架构，并能跑通一个 MCP 服务器。

    💡 MCP 正在成为行业标准，早学早受益；课程与 SDK 仓库是最好入口。

  4. 第 4 步：学习工作流编排

    使用 LangGraph 构建带状态、带循环、可人工介入的 Agent 流程，或对比 OpenAI Agents SDK、CrewAI 等框架后选型。

    💡 LangGraph 的 checkpoint 与 human-in-the-loop 是生产环境刚需。

  5. 第 5 步：低代码搭建 Agent 应用

    用扣子、Dify 或 FastGPT 以可视化方式搭建 Agent，快速验证多步任务场景。

    💡 低代码平台的工作流画布是理解 Agent 编排的直观教具。

  6. 第 6 步：探索多智能体协作

    学习 AutoGen 与 MetaGPT 的多角色协作设计，理解何时需要多 Agent、何时单 Agent 就够。

    💡 多 Agent 不是银弹，先用单 Agent 加工具解决问题。

  7. 第 7 步：本地模型与部署运维

    用 Ollama + Open WebUI 搭建本地 Agent 试验环境，为私有化部署做准备。

    💡 本地模型加 MCP 工具是隐私敏感场景的常见组合。

  8. 第 8 步：评测、安全与前沿跟进

    建立 Agent 的评测习惯，了解提示注入等安全风险，通过论文与社区跟踪领域进展。

    💡 《Agentic AI 学习路线》仓库可作为 12 周系统训练的参照。

浏览全部资源 →