两个月系统化学习 AI Agent 开发，从 LLM 基础到生产级多 Agent 系统。
每日投入: 2–3 小时 · 总天数: 55 天
完整计划 → blog/learning-plan.md
| 周次 | 主题 | 核心交付物 |
|---|---|---|
| Week 1 | LLM 核心概念 | 多轮对话 CLI + Context Engineering 笔记 |
| Week 2 | Function Calling + ReAct + 结构化输出 | 从零实现 ReAct Agent + CLI 助手 |
| Week 3 | LangChain 基础 + RAG | LangChain Agent + RAG 文档问答系统 |
| Week 4 | LangChain 进阶 + LangGraph | LangGraph Agentic RAG 系统 |
| Week 5 | 多 Agent 系统 + MCP 协议 | 多 Agent 协作系统 + MCP Server |
| Week 6 | Harness Engineering + 框架探索 | Harness 改进报告 + 新框架复现 |
| Week 7 | 评估、安全与部署 | 可部署的 Agent API 服务 |
| Week 8 | 总结与最佳实践 | AI Agent 开发最佳实践与踩坑指南 |
| 编号 | 笔记 |
|---|---|
| W1-D1-01 | Token 和 Embedding 基础知识 |
| W1-D1-02 | Embedding 概念与实战 |
| W1-D1-03 | Chat Templates 与角色系统 |
| W1-D2-01 | LLM 模型参数避坑指南 |
| W1-D2-02 | API 调用实战：用 Python SDK 完成第一次多轮对话 |
| W1-D2-03 | 多轮对话与消息管理 |
| W1-D3-01 | Prompt Engineering 回顾 |
| W1-D3-02 | 什么是 Context Engineering |
| W1-D4-01 | Context Engineering 核心模式与实践 |
| W1-D4-02 | Prompt Cache 全解析 |
| W1-D5-01 | 什么是 AI Agent：不只是能聊天，而是能"做事"的系统 |
| W1-D5-02 | Workflow vs Agent：不是所有问题都需要 Agent |
| W1-D6-01 | Agent 设计模式总览：六大模式一图看懂 |
| W1-D6-02 | 从零理解一个最简 Agent：用伪代码走通 Agent Loop |
| W2-D8-01 | Function Calling：让模型从"只会说"到"能动手"的关键一步 |
| W2-D9-01 | 完整走通 Function Calling：从单工具到多工具编排 |
| W2-D10-01 | ReAct 模式深入：从论文核心思想到 Thought-Action-Observation 循环 |
| W2-D11-01 | 从零手写 ReAct Agent：Prompt 模板、循环控制、踩坑与改进方向 |
| W2-D12-01 | 结构化输出全攻略：从 Prompt 求着到 Schema 摁着，让 LLM 老老实实吐 JSON |
| W2-D13-01 | 第二周项目：用 Function Calling + ReAct + Rich UI 拼一只能跑的命令行 AI 助手 |
| W3-D14-01 | LangChain 入门：抛开"框架"滤镜，看清它到底替你做了什么 |
| W3-D15-01 | LangChain 三件套：ChatModel + PromptTemplate + LCEL |
- 学习计划: blog/learning-plan.md
- 所有笔记: blog/
- 代码实践: days/