AI Agent 全栈工程师训练营

这门课的名字里有「全栈」两个字，容易让人误以为是把前端后端都塞进来。这里说的全栈，指的是一个 AI Agent 从想法到上线之间那条链路上的活，你都得能接住：提示词怎么写、知识怎么检索、工具怎么调、状态怎么管、服务怎么部署、效果怎么评。缺哪一段，Agent 就在哪一段卡住。

先说清楚它不解决什么

如果你还没写过 Python，或者对 HTTP 接口、环境变量、依赖管理这些完全陌生，这门课不会花时间补这些。它的默认起点是：你能读懂一段普通的 Python 代码，知道什么是函数调用和类，能自己装包、跑脚本。Java 背景的人也能跟上，但需要额外花点时间适应 Python 的写法。

另一件它不负责的事，是教你训练大模型。Agent 工程师做的是「用模型」，不是「造模型」。微调会涉及，但重心在推理侧的编排与工程化，不在预训练和分布式训练那套。

真正的缺口在哪

很多人接触 Agent 的路径是先玩一个对话机器人，然后发现它答不准，于是去加知识库，加了知识库发现它不会用工具，加了工具发现它记不住上下文，记住上下文又发现多轮之后开始跑偏。这门课基本是按这个踩坑顺序展开的，对应的能力缺口可以拆成四块：

• 检索这一块：文档切分策略、向量化选型、召回与重排、引用溯源。RAG 不是「把文档丢进去」这么简单，切分粒度错了，后面再怎么调提示词都救不回来。
• 编排这一块：LangChain 负责把模型、工具、记忆串起来，LangGraph 负责处理带分支和循环的流程。什么时候该用图、什么时候一条链就够，是实际项目里绕不开的判断。
• 工具与状态这一块：让 Agent 调外部 API、读写数据库、执行多步任务，同时不让它在循环里打转。这块最考验工程直觉，也最容易出线上事故。
• 交付这一块：把 Agent 做成一个能被调用的服务，处理并发、超时、失败重试，再加上评估——你怎么知道改了提示词之后是变好还是变坏。

配套练习该怎么用

资料里的项目案例不要当视频看完就算。建议的做法是：先看它要解决什么问题，自己动手写一版哪怕很粗糙的实现，再对照参考实现找差距。差距通常不在代码风格，而在几个关键决策上——比如为什么这里要加重排、为什么这里要用图而不是链、为什么这个工具的描述要写得那么细。

另一个建议是准备一个自己的小场景，比如把某个内部文档库做成问答，或者把某个重复的查询流程自动化。用自己的数据跑，才会遇到真实的分词问题、权限问题、脏数据问题，这些在演示数据集里是碰不到的。课程里的例子跑通了，不代表你的场景能跑通。

看完应该能回答的问题

用几个具体问题检验自己，比看进度条有用：

• 给定一批文档，你怎么决定切分大小和重叠长度，依据是什么。
• 用户问的问题里没有原文关键词，召回为空，你从哪几个环节排查。
• 什么情况下应该用 LangGraph 而不是普通的链式调用。
• Agent 调用工具失败三次之后该怎么处理，是重试、降级还是直接返回。
• 你改了一版提示词，怎么证明它比上一版好，而不是靠感觉。

如果这些问题你现在答不上来，或者答得含糊，那这门课值得按顺序过一遍。如果其中大部分你已经能给出有依据的答案，那可以只挑编排和交付那两部分看，把时间省下来做自己的项目。