Wiki Notes

Appearance

07. 12周学习路线图 ​

版本：v1.2

最后更新：2026-07-09

1. 使用说明 ​

这是一份面向 已经具备基础 Python 能力、每周能投入 8-12 小时 的 AI Agents 学习路线。

总体原则：

  • 每周都要有输出
  • 每周都要写代码
  • 每周都要做复盘

建议时间分配：

  • 30% 学概念
  • 50% 做实验和项目
  • 20% 写笔记和复盘

1.1 最好把这 12 周当成 4 个阶段，而不是 12 个孤立任务 ​

更实用的理解通常是：

阶段周数目标
基础判断期第 1-2 周建立 Agent、workflow、tool use 的边界感
接入与运行期第 3-6 周学会 tools、MCP、状态、检索和上下文工程
架构与治理期第 7-11 周学会 router、planner、恢复、审批、评测和可观测性
作品沉淀期第 12 周把系统整理成可解释、可展示、可复盘的作品

这样你每一阶段都会更清楚：

  • 这一段是在补概念
  • 还是在补工程闭环
  • 还是在补交付物

2. 第 1-2 周：建立边界感 ​

第 1 周 ​

目标：

  • 理解 Agent 是什么
  • 理解什么时候不该用 Agent

学习任务：

  • 阅读 01-基础与边界.md
  • 阅读 OpenAI Agents Guide 首页
  • 阅读 LangGraph Workflows and Agents

输出：

  • 一页笔记：什么情况下不该用 Agent
  • 一张图：工作流 vs Agent

补充建议：

  • 用 Anthropic Building Effective AI Agents 里的判断思路，把“workflow、增强型 LLM 应用、agent”三者区别写成自己的三列表
  • 用 LangGraph Workflows and agents 官方文档里的定义，确认自己能解释“预定代码路径”和“动态工具使用”的区别

过关标准：

  • 你能给一个真实业务场景判断“先 workflow 还是先 agent”
  • 你能说清楚为什么很多系统一开始不该直接上多 Agent

第 2 周 ​

目标：

  • 理解控制循环和核心组件

学习任务：

  • 阅读 02-核心循环与核心组件.md
  • 阅读 OpenAI Tools Guide
  • 阅读 OpenAI Function Calling Guide

输出：

  • 一张 Agent 控制循环图
  • 1 个最小工具 schema

补充建议：

  • 把 OpenAI Function calling、Using tools、Agents SDK quickstart 放在同一周连着看，建立“模型决策层”和“应用执行层”分离的认知
  • 至少手写一份 search_web 或 get_weather 的参数 schema，并写出 3 条错误返回示例

过关标准：

  • 你能解释 tool call 不是“模型在执行代码”
  • 你能解释为什么工具描述、参数 schema 和错误语义会直接影响 Agent 稳定性

3. 第 3-4 周：工具调用 ​

第 3 周 ​

目标：

  • 跑通单工具调用

练习：

  • 搜索工具
  • 天气工具
  • 文件读取工具

输出：

  • 1 个“问问题 -> 调工具 -> 回答”的 Demo

补充建议：

  • 每次运行都保留一份最小 trace，至少记录用户输入、模型工具请求、工具返回和最终回答
  • 不要只追求“能调用成功”，要刻意制造参数错误、网络失败和空结果，观察系统怎么退化

过关标准：

  • 工具失败时系统不会直接崩掉
  • 你能说明当前工具为什么需要、为什么不需要审批

第 4 周 ​

目标：

  • 跑通多工具选择

练习：

  • 搜索 + 网页读取
  • 文件检索 + 总结

输出：

  • 1 个多工具助手

补充建议：

  • 用 OpenAI MCP and Connectors 和 Anthropic Writing tools for agents 的思路，比较“本地 function tools”和“remote MCP / connectors”的适用边界
  • 开始记录哪些工具本来能暴露，但当前场景并不该暴露

本周额外一定要补的一件事：

  • 把 Tool / Skill / MCP 三者单独区分开

一个更实用的理解通常是：

  • Tool：具体可调用能力单元
  • Skill：一组可复用的方法包或任务配方
  • MCP：把 tools / resources / prompts 暴露出来的协议层

如果这三层不分开，后面很容易：

  • 把 skill 误讲成工具
  • 把 MCP 误讲成 agent 架构
  • 把一堆工具堆出来，却讲不清能力层次

过关标准：

  • 你能解释为什么模型选了 A 工具而不是 B 工具
  • 你能展示至少一条“缩小工具面后更稳定”的例子
  • 你能用自己的话说清 Tool / Skill / MCP 各自解决什么问题

4. 第 5-6 周：上下文、检索、状态 ​

第 5 周 ​

目标：

  • 理解上下文工程

学习任务：

  • 阅读 05-状态、记忆与上下文工程.md
  • 阅读 OpenAI Agents 定义和本地上下文相关文档

输出：

  • 为自己的 Demo 写一份上下文分层表

补充建议：

  • 对照 OpenAI Conversation state 与 Agents SDK context / sessions 文档，把“模型可见上下文”和“应用内部运行上下文”分成两列
  • 至少写出一版状态字段表，明确哪些字段是任务状态、哪些是长期记忆、哪些根本不该发给模型

过关标准：

  • 你能说明 previous_response_id 适合解决什么，不适合解决什么
  • 你能解释为什么上下文压缩不是“越短越好”，而是保留决策所需最小集

第 6 周 ​

目标：

  • 做一个基础知识库 Agent

练习：

  • 文档切分
  • 检索
  • 引用来源

输出：

  • 1 个本地知识库问答 Demo

补充建议：

  • 每次回答都保留引用来源，避免做成“像 RAG 的自由发挥聊天”
  • 把失败样本单独收集，开始做“检索命中问题”和“生成忠实性问题”的区分

过关标准：

  • 你能指出回答所依据的证据
  • 你能解释系统出错时是检索坏了、上下文装配坏了，还是生成坏了

5. 第 7-8 周：架构模式 ​

第 7 周 ​

目标：

  • 学会 Router

练习：

  • 做一个“问题分类 -> 分路径处理”的助手

输出：

  • 1 个 Router Demo

补充建议：

  • 不要把 Router 直接做成多 Agent，先把它当作“入口分发器”
  • 为路由失败设计兜底路径，例如人工兜底、默认知识库路径或澄清问题

过关标准：

  • 你能说明每类请求为什么走当前链路
  • 你能统计至少一个简单的路由准确率或误分流案例

第 8 周 ​

目标：

  • 学会 Planner-Executor 或显式工作流

练习：

  • 研究类任务拆解
  • 报告生成任务拆解

输出：

  • 1 个多步骤执行 Demo

补充建议：

  • 对照 OpenAI Orchestration and handoffs、LangGraph Thinking in LangGraph 和 Subgraphs 文档，感受“Planner 拆任务”和“Graph 管状态”的区别
  • 如果任务步骤和状态已经明显复杂，优先显式节点与状态，不要硬撑一个超长 Prompt

过关标准：

  • 你能解释为什么这里是 Planner、Graph 或 workflow，而不只是“一个更长的 Agent”
  • 你能指出哪些节点未来需要恢复、审批或人工接管

6. 第 9-10 周：状态持久化与护栏 ​

第 9 周 ​

目标：

  • 为系统加状态与恢复能力

练习：

  • 保存任务状态
  • 实现失败后恢复

输出：

  • 1 个带状态恢复的 Demo

补充建议：

  • 对照 OpenAI Running agents、Conversation state 和 LangGraph Persistence 文档，明确暂停、恢复、人工接管和后台续跑的区别
  • 至少设计一组 checkpoint 字段和一组 side effect log 字段，不要把恢复理解成“失败后再重跑一次”

过关标准：

  • 你能从最近 checkpoint 恢复，而不是全量重跑
  • 你能说明恢复后为什么不会重复执行高风险副作用

第 10 周 ​

目标：

  • 为高风险工具加审批

练习：

  • 设计邮件发送或工单创建审批节点

输出：

  • 1 个带人工审批的 Agent

补充建议：

  • 对照 OpenAI Guardrails and human review 与 Safety in building agents 的思路，把 guardrail 和 approval 区分开
  • 审批对象至少保留：工具名、参数快照、风险等级、审批人、决策结果

过关标准：

  • 没有审批时高风险动作确实不能执行
  • 你能回放“审批前模型建议了什么、审批后到底执行了什么”

7. 第 11 周：评测与可观测性 ​

目标：

  • 建立最小评测闭环

学习任务：

  • 阅读 06-评测、可观测性与安全.md
  • 阅读 OpenAI Agent evals 相关文档
  • 阅读 LangSmith observability / evaluation 相关文档

输出：

  • 20-30 条测试数据
  • 1 份失败样本分类表
  • 1 份评测报告

补充建议：

  • 对照 OpenAI Evaluate agent workflows、Integrations and observability 与 cookbook 里的 traces/evals 改进循环，把 traces 当作评测证据，而不是只看最终答案
  • 至少分出工具选择错误、参数错误、状态错误、审批错误四类失败桶

过关标准：

  • 你能拿出一轮“修改前 vs 修改后”的对比结果
  • 你能说明系统退化到底发生在结果层、过程层、运行层还是风险层

8. 第 12 周：完整项目与作品集 ​

目标：

  • 做一个完整 Agent 项目并沉淀为作品集

项目建议：

  • 研究助手
  • 客服工单助手
  • 企业知识库行动助手
  • 代码解释或修复助手

最终输出：

  • 可运行项目
  • README
  • 架构图
  • 评测说明
  • 安全边界说明

补充建议：

  • 不要只展示 happy path，最好准备一段“失败如何被兜住”的演示
  • 把为什么使用 Agent、为什么不用纯 workflow、哪些动作必须审批写进 README
  • 最好把 demo asset pack 一起准备好：架构图、trace 样例、失败样例、评测摘要、README、5 分钟讲稿

过关标准：

  • 别人看完 README 就知道你的系统边界、风险和评测方式
  • 你能独立做一次 10 分钟以内的项目 walkthrough，而不是只会点按钮演示

9. 每周复盘模板 ​

每周都回答下面 5 个问题：

  1. 这周我真正会了什么？
  2. 哪些内容我只是看懂了，还不会自己做？
  3. 本周最不稳定的部分是 Prompt、工具、状态还是评测？
  4. 如果我必须给别人解释，这周最关键的概念是什么？
  5. 下周最重要的单个里程碑是什么？

建议再加两问：

  1. 本周最不稳定的是工具、状态、评测还是安全边界？
  2. 如果要把这周成果交给别人维护，最容易踩坑的点是什么？

9.1 每两周最好补一份“小里程碑验收单” ​

除了每周复盘，更建议每两周做一次 checkpoint，至少回答：

  1. 现在最稳定的一层是什么？
  2. 现在最脆弱的一层是什么？
  3. 当前最大的技术债是工具、状态、评测还是执行环境？
  4. 如果现在就要交给别人演示，还缺哪三样材料？

这会强迫你不只是“学完一篇”，而是真的把成果沉淀成资产。

10. 什么时候该脱离“学习路线”，进入真实项目迭代 ​

很多人会把路线图当成必须按周完成的教学大纲，其实更实用的做法是：

  • 当你已经能独立定位问题在哪一层，就该尽快进入真实项目

一个很实用的转折点是，你已经能独立回答这些问题：

  1. 这个任务为什么需要 Agent。
  2. 这个系统为什么不是纯 workflow。
  3. 当前最不稳定的是工具、状态、评测还是护栏。
  4. 哪些动作必须人工审批。
  5. 下一步优化要拿什么证据证明有效。

如果这 5 个问题都能答清楚，就不必再停留在“继续看更多入门资料”的阶段。

11. 重点官方资源 ​

以下资源已按 2026-07-09 复核到当前正式入口；其中部分 OpenAI 页面对脚本访问会返回 403，但浏览器入口仍可正常打开：

12. 这 12 周结束后，你应该具备什么能力 ​

  1. 能解释 Agent 与工作流的区别
  2. 能设计一个单 Agent + Tools 系统
  3. 能做一个带检索、状态和审批的 Demo
  4. 能建立基本评测闭环
  5. 能把项目整理成可展示作品