AI Agent 学习路线指南:业务编排与代码开发双路径对比
作者:Kelvin @ai_Goge•发布日期:2026-08-19 08:06
AI Agent 从入门到实战:两条学习路线指南
刚开始学习 AI Agent 时,最常见的问题是概念和工具太多,不知道从哪下手。
工具层有 Claude Code、Codex、OpenCode 和 Gemini CLI。概念层又有 MCP、Skills、RAG、Memory、Multi-Agent、Computer Use 和 Browser Use。今天刚弄懂 MCP,明天又刷到 Skills;刚装好 Claude Code,又有人建议去学 Multi-Agent。很多人收藏了几百个 GitHub 仓库,还是不清楚第一步该学什么。
开源学习路线图:awesome-agentic-ai-zh
该项目把 AI Agent 知识整理成按步骤推进的学习路线。仓库目前已收录 240+ 个 AI 与 Agent 项目、77 个 MCP 与 Skill 和 23 个基础动手练习,划分为 8 个阶段和 2 条学习路线。
开始学习前,你需要先明确目标:是把现成 Agent 用好(Track A),还是自己开发 Agent 系统(Track B)。
一、AI Agent 的基本工作机制
很多人刚接触 Agent 就急着安装各种开发框架。第一步其实应该先弄清 Agent 的基本工作机制。
传统对话模型的工作方式是“你提问 → AI 回答”。例如你输入“帮我分析英伟达最近的投资价值”,模型会根据当前上下文和已有知识给出单次静态回答。
Agent 接到任务后会围绕目标连续执行多个步骤:
理解任务 → 拆解任务 → 调用工具 → 获取数据 → 分析结果 → 判断下一步 → 继续执行 → 最终交付。
AI Agent 工作机制对比图
工作机制对比:LLM 负责推理,Agent 则由大模型、工具、工作流和执行环境共同组成
二、按阶段推进,不要一上来就学 Multi-Agent
这份路线图将学习过程拆分为按顺序递进的阶段,避免因跳级学习而受阻:
基础能力 → LLM → Prompt → Tool Use → Agent → MCP / Skills → Memory / RAG → Multi-Agent → Computer Use / Sandbox
如果还不懂 Python、API 和 JSON,就直接上手 AutoGen、CrewAI、LangGraph 或 Multi-Agent,排查问题会非常困难。
两条学习路线对比
两条路线对比:Track A(用好现成 CLI Agent)与 Track B(开发 Agent 系统与架构)
三、路线 A:CLI Power User(用好现成 Agent)
如果你不需要从零开发 Agent 产品,只想用 Claude Code、Codex、OpenCode 和 Gemini CLI 处理日常任务,选择 Track A 即可。
这条路线周期约 8~10 周。学完后可用现成工具完成写代码、建站、写文章、分析资料、处理 Excel、做研究、整理文件、操作浏览器、连接 GitHub 和管理知识库。
第一阶段(Stage 0):补齐四项基础(1~2 周)
1. Terminal / CLI
了解终端的基本概念,熟悉 cd、ls、mkdir 和 git clone 四个常用命令。
2. Git 和 GitHub
理解 Repository、Clone、Commit、Push 和 Branch 的基本用法。大多数开源 Agent、MCP 和 Skill 项目都托管在 GitHub 上。
3. API
理解 API Key、Endpoint、Request、Response 和 Token 的含义。Agent 调用搜索服务、MCP 连接外部系统,底层都是 API 通信。
4. JSON 结构化数据
看懂键值对(Key-Value)数据格式,在配置 MCP、Agent 规则和数据交换时能直接修改参数。
第二与第三阶段:LLM 工作原理与结构化 Prompt
这一阶段重点理解 Token 和 Context Window。编写 Agent 提示词时需要明确四个要素:任务目标、上下文(Context)、边界约束(Constraints)和交付格式(Output)。
现代 AI Agent 技术栈分层
四层技术栈:基础模型(大脑)➔ MCP(桥梁)➔ Skills(SOP 工作方法)➔ 执行环境(双手)
四、搭建个人 Agent 工作流与扩展工具
选定一款 CLI Agent(如 Claude Code 或 Codex)后,建议连续使用一周,按目录结构固定自己的项目工作流:
content-workspace/ ├── research/ ├── draft/ ├── images/ ├── published/ └── CLAUDE.md (或 AGENTS.md 规范)
MCP:连接外部系统与数据源
通过统一协议连接 GitHub、Google Drive、数据库、浏览器或内部系统。初学阶段动手接入 1~2 个常用服务即可。
Skills:封装固定任务流程
把股票分析、长文排版和发票整理等固定流程写成可复用的 SOP,省去每次重复输入几十行提示词的步骤。
五、路线 B:Agent Builder(开发 Agent 系统)
如果你的目标是自己开发 Agent 产品或后端架构,可以按 Track B 的顺序深入学习:
- Tool Use:理解模型如何根据工具 Schema 判断调用时机与传入参数,这是开发 Agent 系统的关键分水岭。
- Agent 框架:从 LangGraph、AutoGen、CrewAI 和 PydanticAI 中选一个框架做完整项目,避免同时学多个框架。
- Memory 与 RAG:用短期和长期记忆保持多轮会话状态,用 RAG 处理大规模文档检索。
- Multi-Agent 协作:按主控、搜索、编码和审核拆分角色,只在单 Agent 无法胜任时才引入多智能体。
六、10 周实战学习计划
10 周实战学习路线图
按周推进:从补齐开发基础到独立交付完整项目
第 1 周(基础工具):熟悉 Terminal、Git、GitHub、API 和 JSON。
第 2 周(大模型基础):理解 Token、Context,区分大模型与 Agent 的边界。
第 3 周(CLI Agent):选定 Claude Code 或 Codex,每天用它完成一个实际任务。
第 4 周(项目工作流):编写 CLAUDE.md 或 AGENTS.md,管理项目上下文与目录规范。
第 5 周(MCP 接入):连接 1~2 个日常高频使用的外部工具或数据源。
第 6 周(自定义 Skills):针对固定任务手写第一个专属 Skill。
第 7 周(Subagent 协作):配置主 Agent 与子 Agent 的任务拆分和角色分工。
第 8 周(Browser / Computer Use):测试网页自动化操作与桌面环境交互。
第 9 周(完整项目):独立搭建一个可实际运行的个人或业务工作台。
第 10 周(流程复盘):梳理自动化边界,明确哪些环节交给 Agent,哪些环节保留人工审核。
七、AI Agent 能力的三个阶段
第一层
会使用 Agent
在日常工作中熟练调用现成 Agent 工具。
第二层
会配置 Agent
用 MCP 和 Skills 组装符合个人工作流的系统。
第三层
会开发 Agent
掌握 Tool Use、开发框架与多智能体系统架构。
作者简介:Kelvin(@ai_Goge),专注分享 AI Agent 实践经验与学习路线。
觉得本文有启发?一键复制标准引用摘要
自带原文归因链接与核心摘要,可直接粘贴至团队飞书/Slack 知识库、技术周报或大模型上下文。