AgentGuide
https://adongwanai.github.io/AgentGuide | AI Agent开发指南 | LangGraph实战 | 高级RAG | 转行大模型 | 大模型面试 | 算法工程师 | 面试题库 | 强化学习｜数据合成
Install / Use
/learn @adongwanai/AgentGuideREADME
AgentGuide
💡 核心理念
📌 本项目定位：资源整合 + 系统化路径 + 实战导向
🎯 我们的原则：
- ✅ 站在巨人的肩膀上 - 互联网已有的优质资源（课程、教程、论文），我们直接引用，不重复造轮子
- ✅ 只分享干货 - （坚持更新中，欢迎催更）
- ✅ 提供系统化路径 - 将碎片化资源串联成完整学习路线，告诉你先学什么、再学什么
- ✅ 求职导向 - 每个知识点都标注"面试怎么考"、"简历怎么写"
💪 AgentGuide 的独特价值：不是简单的资源堆砌，而是系统化 + 求职导向 + 实战验证的完整解决方案！
📑 目录
🎯 核心内容：
- 💡 关于本项目 - Agent开发指南、转行大模型、高级RAG、大模型面试
- 🚦 6步学习路径 - 从岗位选择到拿Offer
- 🔬 算法岗 vs 🛠️ 开发岗 - 岗位选择决策树
- 📚 学习路线图 - 算法岗10-15周 | 开发岗8-12周
- 💼 实战项目 - 开源优质项目合集+N X Agent项目
- 📖 技术教程 - LangGraph、RAG、上下文工程、监督微调、强化学习
- 🎯 面试题库 - 1000+题、系统设计、编程题
🛠️ 快速导航：
- 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
📖 关于本项目
3 分钟了解为什么你需要 AgentGuide
😰 你是否正在经历这些痛点？
- ❌ 学了一堆 LLM API 调用，但不知道 Agent 和普通对话有什么区别
- ❌ 看了无数篇 LangChain 文档，却依然不知道从哪里开始
- ❌ 做了一些 Demo 项目，但简历上写不出亮点，面试讲不清楚
- ❌ 想转 AI Agent 方向，但不知道算法岗和开发岗应该准备什么
- ❌ 网上资料又多又杂，缺少一条清晰的学习路线
AgentGuide 是什么？
AI Agent 开发学习指南 | 转行大模型 | LangGraph 实战 | 高级RAG | 大模型面试
一份系统化、求职导向的 AI Agent 学习与面试指南，涵盖：
- Agent 开发：LangChain、LangGraph、AutoGen、CrewAI、Swarm 框架教程
- RAG 系统：向量数据库、Embedding、文档解析、检索优化、GraphRAG
- Multi-Agent：多智能体协作、Supervisor模式、任务分解、工作流编排
- 上下文工程：Memory管理、Tool Loadout、Context优化（6大技巧）
- 面试求职：算法岗 vs 开发岗、面试题库、简历优化、大厂面经
- 实战项目：论文检索Agent、旅行规划Multi-Agent、Web Agent
🗺️ AgentGuide 在 LLM 生态中的定位
我们覆盖 AI Agent 开发的完整技术栈 - 从模型微调到应用部署的全流程：
<div align="center"> <img src="https://raw.githubusercontent.com/adongwanai/Awesome-Awesome-LLMs/main/20251210154458267.png" alt="LLM开源生态图谱" width="100%"> <sub>图片来源：<a href="https://github.com/Langchainai/llm-oss-landscape">LLM Open Source Landscape</a></sub> </div>📌 AgentGuide 涵盖的核心技术栈：
<table> <tr> <td width="33%">🤖 AI Agent 层（核心）
- ✅ Agent 框架
- LangGraph、LangChain
- AutoGen、CrewAI
- Swarm、CAMEL-AI
- ✅ Agent 工作流
- Dify、n8n、Flowise
- ✅ Multi-Agent 协作
- ✅ Memory & Tool Use
🔧 Training 层（算法岗必备）
- ✅ 模型微调（Fine-tuning）
- SFT（监督微调）
- LoRA、QLoRA、Adapter
- Function Call 微调
- LlaMA-Factory 实战
- ✅ 强化学习（RLHF）
- PPO、DPO、GRPO
- Reward Model 训练
- Agent RL 策略优化
- ✅ 训练框架
- PyTorch、DeepSpeed
- 分布式训练优化
📊 AI Data 层（开发岗常用）
- ✅ 向量数据库
- Milvus、Chroma
- Qdrant、FAISS
- ✅ 数据处理
- 文档解析、OCR
- Embedding 模型
- ✅ 应用框架
- FastAPI、Streamlit
- Gradio
💡 AgentGuide 的完整覆盖：
🔬 算法工程师路径：
- Agent 架构算法（ReAct、Reflexion、ToT）+ RAG算法优化（GraphRAG、Agentic RAG、GraphRAG）
- 模型微调（SFT、LoRA）+ 强化学习（PPO、DPO、GRPO）
- 实验设计 + 论文撰写 + 算法优化
🛠️ 开发工程师路径：
- Agent 框架实战（LangChain、LangGraph、AutoGen）+ RAG 系统搭建
- 向量数据库+ 文档解析
- 系统设计 + 性能优化 + 生产部署
🔀 通吃型路径：完整技术栈，算法创新 + 工程落地双修
🎯 适合人群
求职目标：
- ✅ AI Agent 算法工程师 | AI Agent 开发工程师 | RAG 系统工程师
- ✅ LLM 应用工程师 | 大模型工程师 | 多模态算法工程师
学习需求：
- ✅ LangChain 学习 | LangGraph 教程 | AutoGen 实战
- ✅ RAG 开发 | 向量数据库 | Agent Memory
- ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧
🌟 AgentGuide 的 6 大核心价值
<table> <tr> <td width="50%"> 📚 系统化学习路径- ✅ 从零基础到面试通过的完整路线
- ✅ 理论 → 工具 → 实战 → 求职，环环相扣
- ✅ 不用再到处找资料，一个仓库学完全部
- ✅ 每个知识点都标注"面试怎么考"
- ✅ 提供真实大厂面试题
- ✅ 手把手教你如何将项目写进简历
- ✅ XXXAgent（RAG方向）
- ✅ XXXMulti-Agent（协作方向）
- ✅ XXXAgent（高级方向）
- ✅ 持续收集高质量开源项目
- ✅ 同一项目，可投算法岗或开发岗
- ✅ 算法线：原理、创新、实验设计
- ✅ 开发线：架构、优化、系统设计
- ✅ 所有内容永久免费
- ✅ 作者一线大模型算法工程师
- ✅ 社区驱动，欢迎贡献
- ✅ 10 分钟跑通第一个 Agent
- ✅ 2-3 周完成简历级项目
- ✅ 8-10 周系统掌握，准备面试
🎁 学完 AgentGuide，你能获得什么？
从迷茫到清晰，从理论到Offer，一站式成长路径
✅ 【概念清晰】深刻理解：Agent 和普通 LLM 调用的本质区别
✅ 【技能掌握】熟练使用：CamelAI、LangGraph、向量数据库等核心工具
✅ 【动手能力】独立开发：RAG Agent、Multi-Agent、Web Agent 系统
✅ 【简历亮点】2-3 个可以写进简历、面试能讲清楚的项目
✅ 【面试自信】掌握 Agent 方向的高频面试题和标准答案
✅ 【职业规划】明确算法岗和开发岗的差异，找到适合自己的方向
✅ 【人脉资源】加入 AI Agent 学习社群，结识同行，互相成长
🚦 从零到Offer的完整路径（快速导航）
<table> <tr> <td align="center" width="16.6%">👋 新来的同学看这里！按照这6个步骤，8-10周拿到Offer！
🎯 第一步
算法 vs 开发？
</td> <td align="center" width="16.6%">💡 第二步
如何准备？
</td> <td align="center" width="16.6%">📚 第三步
学什么？
</td> <td align="center" width="16.6%">💼 第四步
做什么？
</td> <td align="center" width="16.6%">🎓 第五步
技术细节
</td> <td align="center" width="16.6%">🎯 第六步
如何面试？
</td> </tr> </table>⚡ 重要提醒：
- 一定要先完成"第一步"和"第二步" - 确定方向再学习！
- "第四步"实战项目最重要 - 简历的核心竞争力！
- 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！
🎯 第一步：确定你的目标岗位
核心理念：选择 > 努力！选对方向，事半功倍！
🤔 AI Agent 岗位的两条主线
在大模型时代，Agent 方向的岗位主要分为两条线：
<table> <tr> <td width="50%">🔬 算法工程师线
核心工作：算法创新、论文研究
日常任务：
- 读论文、设计算法
- 跑实验、做消融
- 写论文、开源贡献
产出形式：
- 论文发表（顶会/期刊）
- 算法库、开源项目
- 专利、技术报告
评价标准：
- 算法性能提升（+15%准确率）
- 创新性（新架构、新策略）
- 影响力（论文引用、Star数）
岗位数量：⭐⭐⭐ 中等
竞争激烈度：⭐⭐⭐⭐⭐ 很激烈
薪资天花板：⭐⭐⭐⭐⭐ 很高（60-200万）
🛠️ 开发工程师线
核心工作：系统搭建、业务落地
日常任务：
- 写代码、优化系统
- 对接业务、解决问题
- 性能调优、监控告警
产出形式：
- 生产系统上线
- 业务指标提升
- 用户满意度提高
评价标准：
- 系统稳定性（P99延迟<500ms）
- 业务价值（成本降低40%）
- 工程能力（QPS、并发、可用性）
岗位数量：⭐⭐⭐⭐⭐ 最多
竞争激烈度：⭐⭐⭐ 适中
薪资天花板：⭐⭐⭐⭐ 较高（40-80万）
🎯 你应该选哪条线？
<details> <summary><b>👉 点击查看详细的岗位选择决策树</b></summary> <br/>问题1：你的核心优势是什么？
├─ 数学/理论强 + 喜欢钻研原理 + 有论文发表
│ → 【算法工程师线】
│
│ 细分方向选择：
│ ├─ 想优化 Agent 算法 → Agent 算法工程师（Memory优化、规划策略）
│ ├─ 想优化 RAG 算法 → RAG 算法工程师（检索策略、Reranker）
│ └─ 想改进模型本身 → 模型算法工程师（Reasoning、对齐）
│
└─ 工程能力强 + 喜欢做系统 + 注重落地
→ 【开发工程师线】
细分方向选择：
├─ 想做业务应用 → Agent 应用开发（RAG系统、RPA、智能客服）⭐ 推荐
├─ 想做基础设施 → AI Infra 开发（推理部署、训练平台）
└─ 想做产品化 → AI 应用开发（前端集成、产品化）
问题2：有什么背景？
- ✅ 有论文/科研经历 → 优先算法线
- ✅ 有工程/项目经验 → 优先开发线
- ✅ 两者都有 → 通吃策略（最推荐！）
⭐ 最佳策略：两手抓！
- 简历中既有算法项目（论文、算法优化）
- 又有开发项目（完整系统、业务指标）
- 可以同时投两类岗位，机会翻倍！
🎯 技术方向细分（重要！）
<details> <summary><b>👉 点击查看 Agent 方向的细分岗位</b></summary> <br/>🔬 算法线细分方向
1. 上下文工程算法工程师 ⭐⭐⭐⭐⭐ 最热门！
技术方向：
- RAG 算法：GraphRAG、Agentic RAG、Reranker 训练
- Agent 算法：Memory 机制、规划算法优化、Multi-Agent 协作
- 多模态算法：跨模态对齐（CLIP改进）、多模态融合
项目示例：
- GraphRAG 检索算法优化（召回率 +12%）
- Agent Memory 压缩算法（存储 -60%）
- Agentic RAG 策略设计（准确率 +20%）
岗位数量：⭐⭐⭐⭐（大厂+头部创业公司）
2. 模型算法工程师 ⭐⭐
技术方向：
- Reasoning 算法（Long COT、工具调用 RL）
- 对齐算法（RLHF、DPO、GRPO）
- 模型架构（MoE、长文本、Attention 改进）
岗位数量：⭐⭐（主要在大厂研究院）
🛠️ 开发线细分方向
1. 上下文工程开发工程师 ⭐⭐⭐⭐⭐ 岗位最多！
技术方向：
- RAG 系统：企业知识库、智能客服、文档解析
- Agent 应用：RPA 自动化、研究助手、工作流 Agent
- 多模态系统：图文检索、OCR pipeline、视觉问答
项目示例：
- 企业级 GraphRAG 知识问答系统（服务1000+员工）
- Agent 驱动的 RPA 系统（自动化率80%，节省200万/年）
岗位数量：⭐⭐⭐⭐⭐（所有 AI 公司都需要）
2. AI Infra 开发工程师 ⭐⭐⭐
技术方向：
- 推理服务部署（vLLM、TGI、Triton）
- 训练平台搭建（KubeFlow、Ray）
- 模型服务化（API 网关、负载均衡、监控）
岗位数量：⭐⭐⭐（大厂需求多）
</details> <details> <summary><b>👉 Agent 开发工程师核心能力要求（大厂真实招聘）</b></summary> <br/>基于 OpenAI、DeepMind、Meta、蚂蚁等大厂真实 JD 总结
三层能力模型
Layer 1：后端与系统功底（基础能力）
- 大型分布式、高并发、高性能系统设计
- 云原生 PaaS 平台、Kubernetes 架构理解
- 价值：Agent 系统本质是复杂分布式服务
Layer 2：Agent 核心技术（重点能力）
- 混合 Agent 架构（单 Agent vs Multi-Agent）
- 上下文工程（动态打包、向量索引、信息检索）
- 工具编排（Tool 设计、Function Calling）
- 记忆与个性化（Memory 设计、Mem0、Zep）
- 任务规划（Orchestration、Workflow）
- 评估体系（如何证明 Agent 比人工更好？）
Layer 3：模型理解（加分项）
- 主流模型长短板（GPT-4/Claude/Llama 选择）
- 微调能力（Function Call 微调、垂直领域适配）
- 强化学习基础（Agent RL、DPO）
从"调包侠"到"真实项目"的关键转变
❌ 玩具项目：
- 只用 LangChain 跑个 demo
- 没有评估、没有优化、没有生产化考虑
- 面试一问就穿帮
✅ 真实项目：
- 具体业务场景（智能客服、RPA、研究助手）
- 完整技术栈（文档解析 + 高级 RAG + Agentic 逻辑）
- 量化评估（构建测试集、使用 Ragas、持续追踪优化）
- 生产化考虑（成本控制、性能优化、可观测性、异常处理）
📖 完整技术方向详解：转行大模型热门方向准备指南
💡 新手建议：优先选择上下文工程开发（RAG/Agent 系统），岗位最多、最易落地
💡 第二步：拿Offer的方法论
不同岗位，完全不同的准备策略！
🔬 算法工程师 - 如何准备？
<details> <summary><b>点击查看算法岗完整准备方案</b></summary> <br/>简历重点：
✅ 必须强调：
- 算法创新："提出XX算法"、"改进XX方法"、"设计XX策略"
- 实验验证：对比实验、消融实验、baseline对比、指标提升
- 论文/专利："论文在投XXX"、"发表于XXX"
- 开源贡献："开源代码XX stars"
❌ 尽量少提：
- 业务指标（用户数、QPS）
- 系统架构细节
- 工程优化
项目示例（算法岗）：
【Agentic RAG 策略优化】
- 问题：多跳推理场景召回率低（实验测得62%）
- 方法：提出基于RL的子图采样算法，优化路径排序策略
- 实验：在KGQA数据集上F1提升12%，对比5种baseline
消融实验：RL策略贡献8%，路径排序贡献4%
- 产出：论文在投EMNLP（一作），代码开源300+ stars
- 技能：强化学习、图神经网络、知识图谱
面试准备重点：
- 📚 理论深度（能推导算法原理）
- 🧪 实验设计（对比实验、消融实验）
- 📄 论文阅读（顶会最新进展）
- 💻 代码实现（能手撕核心算法）
🛠️ 开发工程师 - 如何准备？
<details> <summary><b>点击查看开发岗完整准备方案</b></summary> <br/>简历重点：
✅ 必须强调：
- 完整系统："搭建XX系统"、"端到端实现"、"上线服务"
- 业务价值：服务用户数、处理量、业务指标提升
- 性能优化：QPS提升、延迟降低、成本节省
- **技术
