Agent学习专题

#项目实战#Deep Research Agent

Deep Research Agent

自主调研 Agent:搜索 → 读 → 交叉验证 → 生成带引用的调研报告

#项目实战#Agent / Multi-Agent 系统

Agent / Multi-Agent 系统

从单 Agent 到 Multi-Agent:规划模块、执行框架、多智能体协作与前后端落地

Text2SQL 自然语言查数据

自然语言转 SQL:代码学习路径 + 工程化改进方案

#项目实战#Text2SQL 自然语言查数据

Memory & Transformer 基础

Transformer 基础(分词 / Embedding / MHA·GQA·MLA / MoE)+ 大模型 Memory 模块

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#项目实战#Memory & Transformer 基础

学习路线学习路线

大模型应用开发学习路线

按基础、项目与面试目标组织的学习路线，附公开教程与真实项目入口。

#学习路线#RAG#Agent

Agent 工具调用与 Schema 设计项目模拟面试

适合做过 Agent 工具调用的人，重点练接口设计、参数校验、失败重试、重复执行和安全控制。

Agent 工作流、状态持久化与人工介入项目模拟面试

适合做过 Agent 工作流的人，重点练状态如何保存、失败后怎样恢复，以及什么时候需要人工确认。

Agent 超时、重试、幂等、安全与降级项目模拟面试

适合处理过 Agent 超时、重试或降级的人，重点练故障处理、避免重复执行、安全防护和失败兜底。

vLLM 推理服务、吞吐、延迟与成本项目模拟面试

适合部署过大模型推理服务的人，重点练服务选型、吞吐、延迟、显存、容量和成本。

Trace、线上监控与问题复盘项目模拟面试

适合建设过大模型监控或 Trace 的人，重点练日志、指标、故障定位，以及如何避免同类问题再次发生。

系统教程Agent

Agent 面试题大全与开发指南

AI Agent 面试准备一站式枢纽：ReAct、Function Calling、MCP、记忆机制、Multi-Agent 协作 150+ 道题（含口语版讲法），配套 Deep Research Agent 8 章实战拆解与最小 Agent 上手教程。

#专题学习#Agent 面试题大全与开发指南

面试高频:LLM、Token、上下文、Agent 到底是什么

一句话:这几个词面试几乎必问。别背定义,建立一个能上手的心智——后面所有动手内容都建在它上面。

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

从任务交付、对象数量、证据要求和推理结构出发，讲清普通 RAG、Agentic RAG 与 Deep Research 的边界，以及复杂问题怎样分级路由和验证。

#Agent#架构与规划#Agent 和 Workflow 区别

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

从任务确定性、工具调用、风险、可审计性和失败恢复出发，讲清普通 LLM、固定 Workflow 与 Agent 的工程边界，以及什么任务不该交给 Agent。

#Agent#Deep Research#项目实战

第 1 章:为什么需要 Deep Research

🎯 完成后能力:能讲清 Deep Research 和普通 RAG / Agentic RAG 的本质区别,判断一个问题该不该上 Deep Research,并用可运行代码搭出一个会「自己多步搜索、边想边查」的研究型 Agent 雏形

亲手调一次 LLM API(同步 + 流式)

一句话:所有 AI 编程、所有 Agent,最底层都是「往 LLM 发一段 messages,拿回一段回复」。先把这一步亲手跑通,后面才不虚。

#Deep Research#问题边界与研究闭环#Deep Research 问题拆解

Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？

用任务契约、可执行子问题、信息缺口和增量重规划，讲清 Deep Research 如何把开放问题变成可以搜索、核验和收口的工程任务。

#Agent#架构与规划#Agent 规划 Prompt 还是代码

Agent 规划应该写在 Prompt 里，还是固定在业务代码里？

从灵活性、风险、可审计性和维护成本出发，拆解 Agent Planner、固定业务流程和混合规划架构，讲清哪些决策能交给模型。

#Agent#Deep Research#项目实战

第 2 章:Agent 执行框架,ReAct → IterResearch

🎯 完成后能力:讲清 ReAct 为什么在长程调研里会「上下文爆炸」,IterResearch 怎么用「演进报告」把它压成常量空间,并能在 ReAct / IterResearch / ReWOO / Reflexion 之间按场景选型

Function Calling:模型怎么学会「调工具」

一句话:Function Calling 是「让只会输出文字的模型,变得能驱动真实世界」的关键一跃。Agent 岗高频考点,也是后面手写 Agent 的地基。

#Deep Research#问题边界与研究闭环#Deep Research 停止条件

Deep Research 为什么会一直搜索？什么时候该停？

从证据充分、无进展检测、工具失败、安全中止和预算边界出发，拆解 Deep Research 怎样判断继续搜索、换策略或结束任务。

#Agent#架构与规划#ReAct Agent 死循环

ReAct Agent 为什么会死循环？停止条件和步数上限怎么设计

从 Thought、Action、Observation 循环出发，拆解 ReAct 不收敛、重复工具调用、上下文膨胀和误判完成的原因，以及生产系统的停止与降级设计。

#Agent#Deep Research#项目实战

第 3 章:工具集设计,让 Agent 真正「会用工具」

学习工具定义、分发与容错；用本地stub和有界四则计算器观察流程，真实工具性能与模型调用需另行验证。

被问「你用过哪些 AI 编程工具」时不露怯

一句话:大模型应用开发岗,越来越默认你日常用 AI 编程工具写代码。这篇帮你建立选型心智 + 上手要点——不背版本号,讲思路(工具迭代快,思路才稳)。