AgentGuide

<div align="center"> <img src="https://img.shields.io/badge/Agent-%E5%BC%80%E5%8F%91%E6%8C%87%E5%8D%97-blue.svg?style=for-the-badge" alt="Agent开发指南"> <img src="https://img.shields.io/badge/%E9%9D%A2%E8%AF%95-%E6%B1%82%E8%81%8C%E5%AF%BC%E5%90%91-green.svg?style=for-the-badge" alt="求职导向"> <img src="https://img.shields.io/badge/%E9%A1%B9%E7%9B%AE-%E5%AE%8C%E5%85%A8%E5%BC%80%E6%BA%90-orange.svg?style=for-the-badge" alt="完全开源"> <br/> <a href="https://github.com/adongwanai/AgentGuide"> <img src="https://img.shields.io/github/stars/adongwanai/AgentGuide.svg?style=for-the-badge&logo=github&label=Stars" alt="GitHub stars"> </a> <a href="https://github.com/adongwanai/AgentGuide/network/members"> <img src="https://img.shields.io/github/forks/adongwanai/AgentGuide.svg?style=for-the-badge&logo=github&label=Forks" alt="GitHub forks"> </a> <br/> <h2>Agent = Harness + Model</h2> <p> <strong>对标 JavaGuide 的 AI Agent 学习指南</strong><br/> <strong>从入门到拿 Offer，系统化 + 实战化 + 求职导向</strong> </p> </div>

---

💡 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！

🧭 按目标进入

| 🛠️ 开发岗路线 | 🔬 算法岗路线 | 🔥 科研前沿专题 | | :-- | :-- | :-- | | 面向工程落地与系统实践 | 面向原理、算法与实验能力 | 面向 Agent 前沿研究方向 | | 进入开发岗学习路线 | 进入算法岗学习路线 | 进入科研前沿专题 |

📚 查看完整文档导航

前沿研究：Follow RSI

Follow RSI 是我维护的递归自我改进（RSI）进展追踪与 Harness 自进化证据库，重点关注 Agent 如何根据执行反馈改进可复用的提示、工具、技能与工作流。读论文时一起看留出集、同预算对照、跨模型迁移和代码等证据；未知项保留未知，新发现经人工审核后进入公开动态。

• 进入 Follow RSI 网站：查论文、证据卡片与阅读路线。
• 先读《为什么 AI 还不会自我进化》：从评测与泛化问题理解自进化的边界。
• Follow RSI GitHub 仓库：Star 收藏，查看资料与审核记录。

📑 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
• 🆕 求职新范式 - 1-2-5框架、个人品牌、投递策略
• 🧭 Agent 求职通关 Todo List - 当前优先级、8阶段学习产出、项目落地5步法
• 🚦 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 + 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 - 1500+题/面经、系统设计、编程题
• 🔥 2026 前沿面试专题 - 自进化 Agent、Agentic RL、AI Infra、Coding Agent、世界模型、图像/语音生成

🛠️ 快速导航：

• Follow RSI：Harness 自进化证据库 · 先读深度解读
• ⭐ 阿东作品推荐：learn-workbuddy - 从 0 搭建 WorkBuddy-style Desktop Agent Harness，clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测
• 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
• 🧭 新手快速开始 | 📚 完整文档导航 | 💼 项目导航

---

📖 关于本项目

3 分钟了解为什么你需要 AgentGuide

🧭 你可能正卡在这些地方

• 会调用模型、也接过工具，但 Agent 一跑长任务就早停、循环、丢状态，出了问题不知道怎么定位
• LangGraph、OpenAI Agents SDK、MCP、Skills、Multi-Agent 概念很多，却缺少一张完整的系统架构图
• Context、Memory、Tools、权限、Sandbox、Trace 混在一起，Demo 能跑，离可靠系统还很远
• RAG 做过基础问答，但复杂文档、多模态、引用溯源、评测集与线上观测没有形成闭环
• 项目只有功能截图，没有基线、指标、失败分析和工程取舍，简历写不实，面试经不起追问
• 想进入 Agent 方向，却不清楚开发岗、算法岗、Agentic RL 和前沿研究分别需要什么能力与作品
• 论文、框架和开源项目更新太快，不知道哪些值得学、先做什么、如何沉淀成可验证成果

AgentGuide 是什么？

AI Agent 工程、研究与求职的开源知识库

AgentGuide 围绕 “做得出、跑得稳、测得准、讲得清” 组织内容，不绑定单一框架，也不止于资源收藏：

• Agent 系统与 Harness：Agent Loop、Workflow / Agent / Multi-Agent 边界、状态、调度、权限与运行时
• Context Engineering 与 Memory：上下文分层、检索、压缩、长期记忆、Prompt Cache 与成本优化
• Tools 与协议生态：Tool Schema、MCP、Skills、A2A / ACP、Browser / Computer Use 与 Sandbox
• RAG 与知识系统：文档解析、Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Multimodal RAG 与引用溯源
• Eval、Observability 与 Safety：评测集、Trace / Replay、LLM-as-a-Judge、红队、HITL 与生产可靠性
• Post-training 与 Agentic RL：SFT、DPO / GRPO、轨迹数据、Reward / Verifier、长程信用分配与环境构建
• 项目、研究与求职：可复现实战、开源项目、前沿论文、实验设计、简历表达、系统设计与面试题库

🗺️ 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="./assets/agent-infra-landscape-2026.png" alt="Agent Infra Landscape 2026：Agent 应用、框架与运行时基础设施生态图" width="100%"> _{Agent Infra Landscape 2026 · 图中署名：Ant Open Source / Ant Inclusion AI} </div>

📌 AgentGuide 涵盖的核心技术栈（2026 版）：

<table> <tr> <td width="33%">

🤖 Agent 应用层

• ✅ Agent / Workflow
  • LangGraph、OpenAI Agents SDK
  • AutoGen、CrewAI、Pydantic AI
  • Dify、n8n、Flowise
• ✅ 任务形态
  • Research / Coding / Web Agent
  • Multi-Agent / Supervisor / Handoff
  • Computer Use / Browser Automation

</td> <td width="33%">

🧩 Agent Harness 层（核心）

• ✅ Context Engineering
  • System / Memory / Retrieval / Trace
  • Context Compression、Prompt Cache
• ✅ Tools & Protocols
  • Tool Schema、MCP、Skills
  • A2A / ACP、权限分级
• ✅ Reliability
  • Sandbox、HITL、Retry、Cost Guard
  • Trace、Replay、Observability

</td> <td width="33%">

📊 Data / Eval / Training 层

• ✅ RAG & Data
  • Docling、MinerU、Unstructured
  • Milvus、Qdrant、Chroma、FAISS
  • GraphRAG、Agentic RAG、Multimodal RAG
• ✅ Eval & Safety
  • Promptfoo、DeepEval、Inspect、RAGAS
  • WebArena、OSWorld、SWE-bench
• ✅ Post-training
  • SFT、LoRA / QLoRA、DPO / GRPO
  • Tool-use / Trajectory 数据合成

</td> </tr> </table>

💡 AgentGuide 的完整覆盖：

🔬 算法工程师路径：

• Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略
• RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回
• Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测

🛠️ 开发工程师路径：

• Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制
• 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装
• 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队

🔀 通吃型路径：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。

---

🎯 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：

• ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills
• ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness
• ✅ 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

</td> <td width="50%"> 🎯 100% 求职导向

• ✅ 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

</td> </tr> <tr> <td> 💼 简历级实战项目

• ✅ 持续收集高质量开源项目

</td> <td> 🔀 算法 × 开发双线通吃

• ✅ 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

</td> </tr> <tr> <td> 🆓 完全开源，持续更新

• ✅ 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

</td> <td> 🚀 快速上手，立即见效

• ✅ 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

</td> </tr> </table>

---

🎁 学完 AgentGuide，你能获得什么？

从“会调用模型”到“能设计、实现、评测并讲清一个可靠的 Agent 系统”

✅ 【架构认知】分清 Chatbot、Workflow、Agent 与 Multi-Agent，理解 Agent Loop 和 Harness
✅ 【工程能力】掌握 LangGraph / OpenAI Agents SDK、Context Engineering、Memory、Tools、MCP 与 Skills
✅ 【RAG 能力】能设计 Hybrid Retrieval、Rerank、引用溯源、GraphRAG、Agentic RAG 与 Multimodal RAG
✅ 【可靠性】会构建 Eval Set、Trace / Replay、LLM-as-a-Judge、Sandbox、HITL、权限和成本控制
✅ 【训练认知】理解 SFT、DPO / GRPO、工具调用与轨迹数据合成、Reward / Verifier 的基本方法
✅ 【项目交付】完成 2-3 个可运行、可评测、可复现的项目，并写清架构、指标、取舍与失败分析
✅ 【面试表达】能围绕原理、系统设计、实验结果和工程权衡回答追问，而不是背“标准答案”
✅ 【求职路径】明确算法岗与开发岗能力差异，用项目、开源贡献和技术内容构建作品集

---

🚦 从零到Offer的完整路径（快速导航）

👋 新来的同学看这里！先看新范式，再按步骤执行，8-10周拿到Offer！

<table> <tr> <td align="center" width="14.3%">

🆕 新范式

求职新范式

做出什么 > 学过什么

</td> <td align="center" width="14.3%">

🎯 第一步

确定目标岗位

算法 vs 开发？

</td> <td align="center" width="14.3%">

💡 第二步

拿Offer方法论

如何准备？

</td> <td align="center" width="14.3%">

📚 第三步

学习路线

学什么？

</td> <td align="center" width="14.3%">

💼 第四步

实战项目

做什么？

</td> <td align="center" width="14.3%">

🎓 第五步

系统学习

技术细节

</td> <td align="center" width="14.3%">

🎯 第六步

面试冲刺

如何面试？

</td> </tr> </table>

⚡ 重要提醒：

1. 一定要先完成"第一步"和"第二步" - 确定方向再学习！
2. "第四步"实战项目最重要 - 简历的核心竞争力！
3. 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！

---

🆕 求职新范式：做出什么 > 学过什么

⚡ 求职规则已经变了。2026年，HC:投递比约1:200，核心问题不再是"我够不够格"，而是"我用什么方式让自己被看见"。

1-2-5 求职框架

| 维度 | 内容 | |:---|:---| | 1个原则 | 从"我会什么"转向"我做出了什么" | | 2条轨道 | Agent开发（工程落地）vs Agent算法（研究创新） | | 5步链路 | 简历 → 投递 → 模拟面试 → Vibe Coding → 成果展示 |

工具不再是壁垒，你用工具做出的东西才是。

旧方式 vs 新范式

| 环节 | 旧方式 | 新范式 | |:---|:---|:---| | 简历 | 一份通用简历打天下 | AI读JD，动态生成针对性版本 | | 投递 | 手动上传，逐一投递 | 一键全网投，AI做适配分析 | | 模拟面试 | 背八股，刷题库 | AI扮演面试官，无限迭代实战 | | Vibe Coding | 手写算法题 | AI协作设计Agent系统 | | 成果展示 | PDF+截图 | 个人站+在线demo+社区影响力 |

个人品牌：让面试官主动找你

个人网站必备要素（免费部署：Vercel/GitHub Pages，5分钟上线）：

• 每个项目一个页面 + 在线可访问的demo链接
• 技术Blog：至少3篇有深度的原理解析
• 社区数据：GitHub Star数 / 真实用户数
• 时间线里程碑

简历项目描述公式：

❌ 「参与开发了一个AI客服系统」 ✅ 「基于LangGraph + MCP构建多Agent客服系统，工具调用成功率94%，响应时长从3.2s降至0.8s，日处理10万+对话」

投递策略：AI筛简历时代的人工突围

招聘方也在用AI筛简历——两个AI在对话，人的主动触达反而更稀缺。

核心目标公司（5-10家）走人工路线：

1. Boss/猎聘找具体的Hiring Manager或Team Lead
2. 提前关注他们的开源项目/技术Blog
3. 带着具体问题主动联系（不是「请问还招人吗？」）
4. 目标：一个warm intro，不是冷申请

时机窗口： 3-6月提前批竞争烈度比8-9月低30-40%，往往是真正的机会窗口。

说几句实话

• 语言不是门槛，设计才是。 Python/TypeScript AI都能帮你写。但Agent状态机怎么设计、Memory何时截断、工具调用失败如何fallback——这些必须你自己想清楚、讲明白。
• AI工具人人都有，判断力才是壁垒。 会用Cursor写代码不算竞争力。当AI给你一个错误的Agent设计，你能30秒内发现并说清楚为什么错——这才是L5和L3的分水岭。
• 分享即异步面试。 一篇深度Blog、一个有Star的仓库，相当于提前通过了一轮面试。
• 拿结果说话。 不是"我学过LangChain"，是"我用LangGraph做了一个有300个真实用户的工具"。

新增优质资源

核验日期表示已访问上游并核对项目定位，不代表运行过全部示例。具体范围与版本限制见资源核验记录；其他未标注日期的外链视为未核验。

| 资源 | 简介 | 链接 | 最近核验 | |:---|:---|:---|:---| | learn-workbuddy | 从 0 搭建一个 WorkBuddy-style Desktop Agent Harness：clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测，不提取源码，只复现核心机制 | GitHub | 2026-11-05 | | Superpowers | 由可组合 Skills 构成的 AI Coding 完整开发工作流，覆盖需求梳理、计划、TDD、系统调试、代码评审和完成前验证 | GitHub | 2026-11-05 | | Learn Claude Code | 从零构建 Coding Agent Harness；当前主线 s01-s17，覆盖工具调用、权限、上下文压缩与协作，旧版章节编号另行保留 | GitHub | 2026-11-05 | | Harness 项目选型与二开 | 从轻量内核到企业平台、RAG 与自进化，按目标选项目、设计改动并建立评测和简历证据 | 去重项目清单 | —（站内索引） | | claw0 | 10章10个核心概念~7000行Python，从while循环到生产级Agent网关 | GitHub | 2026-11-05 | | hello-agents（Datawhale） | 系统性智能体教程，涵盖核心原理、上下文、Memory、协议、评估与多 Agent 实践 | GitHub | 2026-11-05 | | OpenClaw | 可本地部署的个人 AI 助手，支持 Telegram、Discord、Slack 等消息渠道 | GitHub | 2026-11-05 | | Anthropic官方：Building Effective Agents | Anthropic 的经典 Agent 设计原则；原文已提示 2024 年的工具示例需参考当前文档 | 链接 | 2026-11-05 | | Vibe Coding 教程 | AI 协作编程基础课与实战专栏，区分免费基础课和 Premium 项目内容 | 链接 | 2026-11-05 |

后续实践重点：在 Superpowers 的 Skills 工作流基础上，我将重点使用 grill-me / grilling 系列 Skills。它们会一次只追问一个问题，逐项压测计划、决策与设计中的假设、依赖、边界和取舍；达成共同理解后，再进入实现。

---

🧭 Agent 求职通关 Todo List（新增）

不是链接收藏夹，是可以照着执行的 todo list。

目标很简单：从“我学过什么”，推进到“我做出了什么、怎么验证、怎么写进简历、怎么讲给面试官听”。

• 完整路线：[2026 Agent 求职通关路线](./docs/0