AI 智能体开发半年学习计划（2026 版）

面向有编程基础的开发者，6 个月从零到能独立交付 AI Agent 项目。每周学习时间按 10-15 小时估算（工作日每天 1-2 小时 + 周末 3-5 小时），可根据个人节奏调整。

---

整体路线图

第1月          第2月          第3月          第4月          第5月          第6月
AI基础         Agent核心      框架工程化      RAG深度+记忆    项目实战       工程化+商业化
  │              │              │              │              │              │
  ├─ LLM原理     ├─ Agent架构   ├─ LangChain   ├─ RAG进阶     ├─ 实战项目1   ├─ 评估测试
  ├─ Prompt工程  ├─ Tool Use    ├─ MCP协议     ├─ 记忆系统    ├─ 实战项目2   ├─ 部署运维
  └─ API实践     └─ RAG基础     └─ 多Agent协作  └─ 工作流编排  └─ 项目复盘    └─ 商业化

核心原则：每周有输入（学）+ 输出（写/做），不积累"看了但没动手"的知识债。

---

第 1 个月：AI 基础与大模型原理

目标：理解 LLM 工作原理，掌握 Prompt Engineering，能熟练调用主流大模型 API。

Week 1：LLM 基础概念

学习内容：

• Transformer 架构直觉理解（不需要手推数学，但要理解 Attention 机制的核心思想）
• Token、Context Window、Embedding 三个核心概念
• 主流大模型对比：GPT-4o / Claude 3.5 / DeepSeek / Qwen / GLM
• 温度、Top-P、采样策略对输出的影响

推荐资源：

• 3Blue1Brown「Neural Networks」系列（YouTube，选看 Attention 部分）
• OpenAI 官方文档：Models / Tokenizer / Embeddings
• 各模型官网的 Technical Report（速读，抓重点）

本周输出：

• 写一篇笔记：「LLM 核心概念速通：程序员需要知道的一切」
• 用 OpenAI Playground / 各模型控制台跑 10 组不同参数的对比实验

Week 2：Prompt Engineering 进阶

学习内容：

• Prompt 基本模式：Zero-shot / Few-shot / Chain-of-Thought
• 结构化 Prompt：角色设定 + 任务描述 + 约束条件 + 输出格式
• 高级技巧：Self-consistency / ReAct / Tree of Thoughts
• 对抗性 Prompt 与 Prompt 注入防护

推荐资源：

• Anthropic 官方 Prompt Engineering 指南（质量最高的公开资料）
• OpenAI Cookbook 中的 Prompt Engineering 章节
• 「Prompt Engineering Guide」（github.com/dair-ai/Prompt-Engineering-Guide）

本周输出：

• 整理一套自己的 Prompt 模板库（至少 5 个场景：总结、翻译、代码生成、数据分析、角色扮演）
• 写一篇博客：「Prompt Engineering 不是玄学：结构化模板与实战案例」

Week 3：API 调用实践

学习内容：

• OpenAI / Anthropic API 的完整调用流程
• 流式输出（Streaming）处理
• Function Calling / Tool Use 的基本概念（本周先了解，下月深入）
• 国内模型 API：DeepSeek / Qwen / GLM 的接入方式
• Token 计费与成本估算

动手任务：

# 本周目标：用 Python 写一个命令行聊天工具
# 要求：
# 1. 支持切换不同模型（GPT-4o / Claude / DeepSeek）
# 2. 支持流式输出
# 3. 支持多轮对话（维护上下文）
# 4. 统计每次对话的 Token 消耗和费用

Week 4：多模态与生态全景

学习内容：

• 多模态能力：图片理解（Vision）、语音（TTS/STT）
• AI 应用生态全景：Agent / RAG / Code Interpreter / Computer Use
• 了解主流 Agent 框架的定位差异（LangChain / AutoGen / CrewAI / Dify / Coze）
• 选定自己后续要深入的技术栈（建议：Python + LangChain/LlamaIndex）

本月复盘：

• 能解释 LLM 的工作原理（用自己的话，不超过 500 字）
• 能写出结构化 Prompt 并解释每个部分的作用
• 能用 API 实现多轮对话 + 流式输出
• 产出至少 2 篇博客文章

---

第 2 个月：智能体核心开发

目标：理解 Agent 架构，掌握 Tool Use 和 RAG 基础，能构建有实际功能的单 Agent。

Week 1：Agent 概念与架构

学习内容：

• 什么是 AI Agent：感知 → 规划 → 行动 → 观察 的循环
• ReAct 模式：Reasoning + Acting 交替执行
• Plan-and-Execute 模式：先规划再执行
• Agent vs Workflow：什么时候该用 Agent，什么时候该用固定流程
• 经典论文速读：ReAct / Reflexion / ToolFormer

推荐资源：

• LangChain 官方文档「Agent」章节
• 论文 ReAct: Synergizing Reasoning and Acting in Language Models
• OpenAI Function Calling 官方指南

Week 2：Function Calling / Tool Use 深入

学习内容：

• Function Calling 的完整机制：定义 → 模型决策 → 执行 → 返回
• 常用 Tool 类型：搜索、计算器、代码执行、数据库查询、API 调用
• 工具选择策略：让模型选对工具 vs 硬编码流程
• 错误处理：工具执行失败时 Agent 如何恢复

动手任务：

# 构建一个工具增强的 Assistant
# 工具集：
# 1. 网页搜索（接入搜索 API 或用 DuckDuckGo）
# 2. 天气查询
# 3. 计算器（支持复杂表达式）
# 4. 代码执行（沙箱内运行 Python）
# 要求：Agent 能根据用户问题自主选择工具，多步推理完成任务

Week 3：RAG 基础

学习内容：

• RAG（检索增强生成）的完整流程：文档加载 → 切分 → Embedding → 存储 → 检索 → 生成
• 文档切分策略：固定长度 / 语义切分 / 递归切分
• Embedding 模型选择：OpenAI / BGE / GTE
• 向量数据库：Chroma（本地开发首选）/ Qdrant / Pinecone / Milvus
• 相似度检索 vs 最大边际相关性（MMR）

动手任务：

# 构建一个文档问答系统
# 流程：
# 1. 加载一组 Markdown 文档（可以用你自己的博客文章）
# 2. 切分并 Embedding 后存入 Chroma
# 3. 用户提问 → 检索相关片段 → LLM 生成回答
# 4. 在回答中标注引用来源

Week 4：Agent 调试与可观测性

学习内容：

• Agent 的常见失败模式：无限循环、工具选择错误、幻觉
• 调试技巧：打印中间步骤、限制迭代次数、设置超时
• 可观测性工具：LangSmith / Langfuse / Phoenix
• Prompt 版本管理与 A/B 测试

本月输出：

• 一个完整的单 Agent 项目（工具增强 + RAG）
• 写一篇博客：「从 0 到 1 构建你的第一个 AI Agent：Tool Use + RAG 实战」
• 在 GitHub 开源你的 Agent 项目

---

第 3 个月：框架与工程实践

目标：掌握主流开发框架，理解 MCP 协议，能构建多 Agent 协作系统。

Week 1-2：LangChain / LlamaIndex 深入

学习内容：

• LangChain 核心抽象：Chain / Agent / Tool / Memory / Retriever
• LCEL（LangChain Expression Language）链式组合
• LangGraph：基于图的工作流编排（重点，这是当前 LangChain 的主推方向）
• LlamaIndex 的 RAG 优势：索引结构、查询引擎、响应合成
• 框架选择策略：LangChain 通用 / LlamaIndex 偏 RAG / 直接用 SDK 也行

动手任务：

用 LangGraph 重构第 2 个月的 Agent 项目
要求：
1. 用 StateGraph 定义工作流
2. 包含至少 3 个节点：理解意图 → 检索/工具调用 → 生成回答
3. 支持条件路由（根据意图选择不同路径）
4. 加入人工审核节点（Human-in-the-loop）

Week 3：MCP（Model Context Protocol）

学习内容：

• MCP 是什么：Anthropic 提出的标准协议，让 AI 模型统一连接外部数据源和工具
• MCP 架构：Host / Client / Server / Transport
• 如何开发一个 MCP Server
• 现有 MCP 生态：文件系统、数据库、API 连接器等
• MCP vs Function Calling：标准化 vs 自定义

推荐资源：

• MCP 官方文档 modelcontextprotocol.io
• Anthropic MCP 发布博客
• 开源 MCP Server 示例库

动手任务：

开发一个 MCP Server
功能：连接你常用的某个 API 或数据源（如 GitHub / Notion / 数据库）
要求：实现至少 2 个 Tool 和 1 个 Resource
然后用 Claude Desktop 或其他 MCP Host 连接测试

Week 4：多 Agent 协作

学习内容：

• 多 Agent 模式：层级式（Manager-Worker）/ 平等式（Peer）/ 竞争式（Debate）
• Agent 间通信协议：消息传递 / 共享黑板 / 事件驱动
• 框架对比：AutoGen / CrewAI / LangGraph 多 Agent / MetaGPT
• 任务分配策略：如何决定用几个 Agent、怎么分工
• 常见陷阱：Agent 间死循环、上下文爆炸、角色混淆

动手任务：

构建一个多 Agent 协作系统（任选一）
方案A：软件开发团队（产品经理 Agent + 开发 Agent + 测试 Agent）
方案B：研究助手团队（搜索 Agent + 分析 Agent + 写作 Agent）
要求：Agent 间有明确的分工和协作流程，能看到中间通信过程

本月输出：

• LangGraph 重构版 Agent 项目
• 一个 MCP Server
• 一个多 Agent 协作 Demo
• 写一篇博客：「MCP 协议详解：为什么它是 AI Agent 的 USB-C 接口」
• 写一篇博客：「多 Agent 协作系统设计：从模式到实践」

---

第 4 个月：RAG 深度与记忆系统

目标：掌握生产级 RAG 系统，理解 Agent 记忆机制，能构建复杂工作流。

Week 1-2：RAG 进阶

学习内容：

• 检索优化：混合检索（关键词 + 语义）、Reranking（重排序）
• 查询优化：Query Expansion / HyDE / Multi-Query / Step-back
• 高级切分：父子文档、滑动窗口、按结构切分
• 表格与图片的处理：多模态 RAG
• RAG 评估：Faithfulness / Answer Relevancy / Context Precision / Context Recall
• 评估框架：RAGAS / TruLens

动手任务：

构建一个生产级 RAG 系统
数据源：一组技术文档（API 文档 + 教程 + FAQ）
要求：
1. 混合检索（BM25 + 向量检索 + Reranking）
2. Query 优化（至少实现 HyDE 和 Multi-Query）
3. 用 RAGAS 跑评估，输出评估报告
4. 对比基础 RAG 和进阶 RAG 的效果差异

Week 3：Agent 记忆系统

学习内容：

• 记忆类型：短期记忆（对话上下文）/ 长期记忆（跨会话）/ 工作记忆（当前任务）
• 记忆存储策略：全量保存 / 摘要压缩 / 向量化检索
• 记忆管理：遗忘机制 / 记忆更新 / 冲突处理
• 实现方案：LangChain Memory / 自建记忆模块 / Mem0 / Letta（原 MemGPT）
• 上下文窗口管理：当对话超过 Token 限制时的处理策略

动手任务：

为你的 Agent 添加长期记忆
要求：
1. Agent 能记住用户偏好和历史交互
2. 跨会话保持记忆（用向量数据库存储）
3. 实现记忆的自动摘要和压缩
4. 支持"忘记"指定信息

Week 4：工作流编排

学习内容：

• 工作流 vs Agent：确定性流程 vs 自主决策
• 工作流编排模式：顺序 / 并行 / 分支 / 循环
• LangGraph 高级特性：子图、持久化、流式、人工干预
• 状态管理：如何维护复杂工作流的状态
• 错误处理与重试策略

动手任务：

构建一个复杂工作流：自动研究助手
流程：
1. 接收研究主题
2. 生成研究计划（子问题分解）
3. 并行搜索多个子问题
4. 汇总并去重信息
5. 生成研究报告
6. 人工审核节点：用户可以修改方向
7. 根据反馈补充研究
8. 输出最终报告

本月输出：

• 生产级 RAG 系统（含评估报告）
• 带长期记忆的 Agent
• 自动研究助手工作流
• 写一篇博客：「RAG 从入门到生产：检索优化的 5 个关键技巧」
• 写一篇博客：「让 AI 拥有记忆：Agent 记忆系统设计指南」

---

第 5 个月：项目实战

目标：完成 2 个完整项目，从需求到上线，积累作品集。

Week 1-2：实战项目 1 — 智能客服 Agent

项目描述：
构建一个能处理真实业务场景的智能客服系统。

功能要求：

• 多轮对话理解用户意图
• RAG 检索产品文档/FAQ 回答问题
• Tool Use：查询订单状态、发起退款、转人工
• 情绪识别：检测用户不满情绪时自动转人工
• 多轮对话摘要：长对话自动压缩上下文
• Web 界面（用 Streamlit 或 Gradio 快速搭建）

技术栈：

• 后端：Python + LangChain/LangGraph
• 向量数据库：Chroma / Qdrant
• 前端：Streamlit / Gradio / Chainlit
• 模型：GPT-4o / Claude / DeepSeek（做对比）

交付物：

• 可运行的 Demo
• GitHub 仓库（含 README、架构图、部署文档）
• 项目复盘博客

Week 3-4：实战项目 2 — 个人知识助手

项目描述：
构建一个个人 AI 知识管理助手，能管理你的知识库并智能问答。

功能要求：

• 多数据源接入：Markdown 笔记、PDF、网页收藏、代码片段
• 增量更新：新增文档自动 Embedding 并入库
• 智能问答：基于知识库回答问题，标注来源
• 知识图谱：自动提取实体和关系，可视化展示
• 每日知识卡片：自动从知识库中生成复习卡片
• 长期记忆：记住用户的关注点和学习进度

交付物：

• 可运行的应用
• GitHub 仓库
• 部署上线（可用 Render / Railway / 自建服务器）
• 项目复盘博客：「我用了 2 周做了一个 AI 知识助手，这是完整复盘」

本月输出：

• 2 个完整项目
• 2 篇项目复盘博客
• GitHub 至少 2 个有质量的仓库
• 如果项目质量不错，可以录一个 Demo 视频发 B 站/小红书

---

第 6 个月：工程化、部署与商业化

目标：掌握生产环境部署，理解成本优化，探索商业化路径。

Week 1：评估与测试

学习内容：

• Agent 评估方法论：任务完成率 / 步骤效率 / 成本 / 延迟
• LLM 评估框架：LangSmith / Langfuse / Phoenix / DeepEval
• 黄金数据集构建：如何为 Agent 测试准备测试用例
• 在线评估：A/B 测试、用户反馈收集
• 回归测试：确保新改动不破坏已有功能

动手任务：

• 为第 5 个月的项目建立评估体系
• 构建至少 50 条测试用例
• 跑一轮完整评估并输出报告

Week 2：部署与运维

学习内容：

• 部署方案对比：FastAPI + 服务器 / Serverless / Docker + K8s
• API 设计：RESTful / WebSocket / SSE
• 并发处理：异步、队列、限流
• 监控告警：调用量、延迟、错误率、Token 消耗
• 日志与追踪：分布式追踪、请求链路
• 安全：Prompt 注入防护、API 鉴权、数据脱敏

动手任务：

• 用 FastAPI + Docker 将项目 2 部署上线
• 接入 Langfuse 做可观测性监控
• 配置基本的监控告警

Week 3：成本优化与性能调优

学习内容：

• 模型选择策略：简单任务用小模型，复杂任务用大模型
• 缓存策略：语义缓存、精确缓存
• Token 优化：Prompt 压缩、上下文裁剪、历史摘要
• 批处理与异步：批量调用降低成本
• 模型路由：根据任务复杂度动态选择模型
• 延迟优化：流式输出、预计算、边缘部署

动手任务：

• 为项目 2 做一次成本分析：每月运行成本估算
• 实施至少 2 项优化措施并量化效果
• 写一篇博客：「AI Agent 成本优化实战：我的 Token 账单降了 60%」

Week 4：商业化与个人品牌

学习内容：

• AI Agent 的商业化模式：SaaS / API / 定制开发 / 咨询
• 产品化思维：从 Demo 到产品的距离
• 定价策略：按量 / 订阅 / 按功能
• 个人品牌建设：技术博客 → 开源项目 → 社区影响力
• 副业路径：接私活 / 卖模板 / 做课程 / 做咨询

行动清单：

• 整理半年产出：文章清单、项目清单、开源贡献
• 在社交平台发布半年度总结
• 评估哪个项目最有商业化潜力，制定下一步计划
• 更新简历和作品集

本月输出：

• 上线项目的评估报告
• 部署上线的生产级应用
• 成本优化实战博客
• 半年度学习总结博客

---

学习资源汇总

必读文档

资源	说明
OpenAI Cookbook	官方最佳实践和代码示例
Anthropic Prompt Engineering Guide	最高质量的 Prompt 指南
LangChain 文档	Agent 开发核心框架文档
LlamaIndex 文档	RAG 领域最佳文档
MCP 官方文档	modelcontextprotocol.io

推荐课程

课程	说明
DeepLearning.AI「ChatGPT Prompt Engineering for Developers」	Prompt 入门，1 小时完
DeepLearning.AI「Functions, Tools and Agents with LangChain」	Agent 基础
DeepLearning.AI「Building and Evaluating Advanced RAG」	RAG 进阶
Andrew Ng「AI for Everyone」	AI 全景认知（选看）

推荐关注

• 各模型官方博客（OpenAI / Anthropic / DeepSeek）
• LangChain Blog
• AI 相关的 GitHub Trending
• Hugging Face 博客

工具清单

类别	工具
模型 API	OpenAI / Anthropic / DeepSeek / Qwen
框架	LangChain / LlamaIndex / LangGraph
向量数据库	Chroma（开发）/ Qdrant（生产）/ Pinecone（托管）
评估监控	LangSmith / Langfuse / RAGAS
部署	FastAPI / Docker / Render / Railway
前端	Streamlit / Gradio / Chainlit

---

每月博客输出计划

月份	博客主题	类型
第1月	LLM 核心概念速通	知识科普
第1月	Prompt Engineering 结构化模板	实战教程
第2月	从 0 到 1 构建第一个 AI Agent	项目实战
第3月	MCP 协议详解	技术深度
第3月	多 Agent 协作系统设计	架构设计
第4月	RAG 检索优化 5 个关键技巧	实战教程
第4月	Agent 记忆系统设计指南	架构设计
第5月	AI 客服 Agent 完整复盘	项目复盘
第5月	个人 AI 知识助手开发复盘	项目复盘
第6月	Agent 成本优化实战	实战教程
第6月	半年 AI Agent 学习总结	总结反思

共 11 篇文章，按每周 1 篇的节奏推进，既能巩固学习成果，又能积累博客内容资产。

---

三个关键提醒

1. 别陷入"教程地狱"

看 10 篇教程不如自己写 1 个 Demo。每周的学习必须有动手环节，哪怕只是跑通别人的代码再改一改。知识在"做过"之后才是你的。

2. 边学边输出

每学一个主题就写一篇博客。不是为了教别人，是为了逼自己把理解梳理清楚。能写明白，才是真懂了。这些文章也是你副业变现的内容资产。

3. 项目 > 理论

面试官和客户不会问你 Transformer 的数学推导，但他们会看你的 GitHub 和 Demo。第 5 个月的两个项目是你的核心竞争力，前面 4 个月都是在为它打基础。

---

这份计划是一个骨架，不是枷锁。学得快可以提前进入项目阶段，学得慢可以把第 5 个月的项目拆小。关键是保持每周有输入有输出，持续前进。