00 · Agent开发学习路径

学习Agent开发，先看清全貌，再理解最小执行循环，随后沿着真实任务补齐输入、状态、资料、权限与交付。

这条路线面向已有开发基础的程序员。接口、异步、存储和测试经验都用得上；新增的难点是，模型会根据已有信息选择下一步，程序必须把这些选择变成受控、可追溯的执行。

先用一个教学场景建立地图：用户要求“调查这次发布后错误率为什么升高，查监控和发布记录，给我一份有依据的报告，确认后再发送”。下面看这项任务怎样从一个简单循环，逐渐需要更多模块。具体机制进入对应专题学习。

第一阶段：先看全貌，判断是否需要Agent

Agent应用把模型判断和程序执行组织在一起。Harness是组织输入、模型、工具与状态的程序框架，Runtime强调它在运行时怎样推进和约束任务。先找到这几者的分工，再认识周围的模块。

中间实线从上往下表示执行顺序。工具结果沿左侧回到下一轮输入，候选回答沿右侧进入核验与交付。两侧的状态、资料、文件和隔离能力按需参与，没有执行先后；这张图表示职责，不是服务部署拓扑。

如果调查永远是“查固定指标→填写固定报告”，业务工作流就足够。若查到错误集中在某类请求，才知道下一步该读哪些日志，可以让模型在获准能力内选择补查方向。固定步骤和动态选择也可以放进同一个系统。

这一阶段先能解释：模型判断什么，程序保证什么，这项任务为什么需要动态选择？ 对应01 · Harness与执行模式，暂时不必掌握图里每个组件的实现。

第二阶段：理解一次最小ReAct循环

让Agent先只做少量只读操作：查指标、读发布记录、形成候选报告。Tool是程序开放的一项能力；模型给出工具名和参数，程序检查并执行，实际结果再进入下一次模型调用。

ReAct就是思考、行动、观察交替推进。 “思考”在这里指选择下一步，不要求展示模型内部思维文本。

第一次查指标，发现异常集中在某类请求；第二次读取对应日志，再决定还要补什么证据。程序负责计算数字、限制范围，模型根据反馈选择方向。工具报错也是反馈，不能把失败当作查到“没有异常”。

先补模型调用的基本认识：token是内容计量单位，上下文窗口限制本次调用能容纳的信息；结构化输出帮助程序解析结果，流式响应逐步返回内容。能说明请求、响应和工具结果怎样衔接即可，再深入协议与适配。

此时就应限制轮数、时间和权限，保留调用记录，并用几项有明确判定标准的任务检查结果。后面再深入观测和评测。

学到能解释“模型请求为何还不能直接执行、反馈怎样改变下一步”，再读02 · Prompt、03 · Tool Calling。16 · 模型接入先看接口适配概念，限流与切换留待后面。

第三阶段：把单个Agent变成可靠的应用

调查开始持续多轮，历史里出现重复日志、旧猜测和用户新要求。用户又补充“只看移动端”，随后刷新页面或点击停止。这时问题进入上下文与任务生命周期。

Context决定每轮带哪些指令、历史和证据，类似为一次请求组织必要数据。Session保存持续对话，Run记录其中一次任务执行；它们需要明确的存储、归属和状态，不能依赖某个请求的内存。

“调查这次发布”可以开始run-1；运行中补充范围，修订当前执行；完成后要求“再按版本细分”，可以建立引用原结果的run-2。停止时，程序先阻止新增操作，再取消并核对已开始的模型、查询和脚本；界面停止输出不能证明远端工作已退出。

报告完成后还要检查数字和来源。发送等动作应核对具体授权、重复请求及结果未知的情况，这些与传统开发的状态机、事务、幂等和业务校验相通。

这一阶段要能走通“正常完成、补充要求、停止与恢复”三条路径。对应04 · Context、05.1 · Session/Run、05.2 · 补充与并发、05.3 · 停止与恢复、08 · 输出与动作。

第四阶段：处理真实资料，交付有归属的文件

资料开始散在监控API、日志文件、发布说明和表格中。人能从目录、表头和工作习惯里补出的含义，模型未必理解；把全部资料塞进输入，也会淹没关键证据。

先学Data for AI：识别结构、单位、时间范围和缺失，再选择处理方式。精确状态与数字适合查询；相关说明适合检索；批量文件可以由模型编写脚本，交给受控工具运行，再依据真实输出继续。计算与覆盖检查由程序完成。

接着学Workspace，它管理任务使用的文件与环境。例如输入快照、工作文件和报告分别保存，一次执行的报告可以放在 users/u1/sessions/s1/runs/r1/artifacts/report.md，下一次使用自己的目录。目录表达归属，实际访问仍要检查权限。

需要查文档时，再学RAG：先检索相关片段，再把证据交给模型。会话历史、文档知识与长期记忆分别管理；跨会话的报告偏好可以是结构化记录，不必全部转成向量检索。

学到能解释“这里为什么查数据库、那里为什么读文件，结果怎样追溯来源”，对应06 · Data for AI、07.1 · Workspace、11 · RAG与长期记忆。

第五阶段：复用能力，选择合适的执行方式

第二个业务系统也要接入同类工具，调查方法也要用于多个任务，这时再学习MCP和Skill。MCP统一外部工具、资源等能力的接入；Skill把方法说明和配套资源组织成可按需加载的单元。可以关联传统开发的适配器、插件与操作手册，但接入能力后仍需核对本次任务的使用权限。

同时回看执行模式：必须依次读取的资料可以固定成工作流；补查方向依赖反馈时用ReAct；步骤间依赖清楚时可以先规划；已有候选需要检查时可以加入自检与修订。它们可以组合，判断依据是任务特点与结果，而不是模式名字。

这一阶段要能解释“复用了什么、哪些步骤仍由程序控制、增加规划或检查付出什么代价”。对应09 · MCP、10 · Skill，以及01的执行模式比较。

第六阶段：承接长任务、动态执行与多Agent协作

任务需要离开页面继续运行，执行者可能失联，模型还可能生成脚本；只有明确的任务状态还不够，需要管理实际执行环境和资源。

先把单Agent的输入输出和失败边界讲清楚，再考虑多执行者协作。只要开始运行模型生成的脚本，就应提前学习隔离；目标是执行平台岗位时，也应将Workspace、云端执行和资源管理前移。

观测与评测，从第二阶段就介入

Observability回答“这次发生了什么”，Eval回答“这项改动总体有没有变好”。最小循环先保留调用记录和少量可判定任务；模块增加后，再扩展等待、失败、成本和恢复等检查。

例如把“读取原文”改成“只读摘要”，需要同时看节省的调用和遗漏的证据。比较单Agent与多Agent，也要观察正确性、时延和资源消耗。不能凭一次回答更流畅就判断优化有效。

14 · 可观测性与15 · 评测保留独立深度课，并贯穿前面的学习阶段。

后端和数据库，需要补到什么程度？

沿用熟悉的Java、TypeScript、Python或Go等语言学习即可。先检查服务端权限、持久化、异步任务、并发更新、超时与幂等这些基础，再按目标团队补语言和框架。

数据库先选PostgreSQL或MySQL之一，掌握SQL增删改查、关联与分页、表关系和唯一约束；会为常见查询选择索引、查看执行计划；理解事务和条件更新，避免两名执行者同时接管一个Run；知道连接池、查询超时、迁移和备份恢复的作用。存储引擎源码、分库分表等内容按岗位和规模继续深入。

组件跟着问题引入：

前端开发者，重点补哪几项？

TypeScript、异步请求、接口契约和交互经验可以继续用，重点补页面之外的责任：

• 页面刷新、断线和取消加载以后，Run怎样保存、继续或停止；补后台任务、持久化和取消传播。
• 隐藏按钮与浏览器缓存解决不了服务端授权和可靠存储；补上述数据库深度、资源归属与密钥管理。
• 在熟悉语言上补服务端开发，理解进程、日志、网络和资源限制，能够从界面状态追到实际执行端。

按目标岗位调整深入顺序

共同基础优先，专项深度跟着目标JD调整；后学不代表岗位不重视。

每到一个专题，先看开头的全景定位图：骨架保持不变，加深的区域就是本课组件。再把同一套问题迁移到代码修改、资料审阅或数据分析，检查自己能否指出输入、状态、工具、执行环境和交付分别由谁负责。

从01 · Harness入门继续；需要按模块查阅时使用全套目录或组件定位图册。