AgentGuide

💡 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！

📑 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+N X 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 - 1000+题、系统设计、编程题

🛠️ 快速导航：

• 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
• 🧭 新手快速开始 | 🧭 2026 Agent 求职路线 | 🛠️ Agent 项目落地方法 | 🧩 Agent Harness Engineering
• 📄 Paper Agent | 🧳 Travel Agent | 🌐 Web Agent | 🖼️ Multimodal RAG

📖 关于本项目

3 分钟了解为什么你需要 AgentGuide

😰 你是否正在经历这些痛点？

• ❌ 学了一堆 LLM API 调用，但不知道 Agent 和普通对话有什么区别
• ❌ 看了无数篇 LangChain 文档，却依然不知道从哪里开始
• ❌ 做了一些 Demo 项目，但简历上写不出亮点，面试讲不清楚
• ❌ 想转 AI Agent 方向，但不知道算法岗和开发岗应该准备什么
• ❌ 网上资料又多又杂，缺少一条清晰的学习路线

AgentGuide 是什么？

AI Agent 开发学习指南 | 转行大模型 | LangGraph 实战 | 高级RAG | 大模型面试

一份系统化、求职导向的 AI Agent 学习与面试指南，涵盖：

• Agent 工程：Agent Loop、LangGraph / OpenAI Agents SDK、MCP、Skills、权限与状态管理
• Context Engineering：上下文分层、Memory、Tool Loadout、长任务压缩、成本与缓存优化
• RAG / Multimodal RAG：文档解析、Embedding、Rerank、GraphRAG、Agentic RAG、视觉文档检索
• Eval / Observability / Safety：Agent 评测集、trace、LLM-as-judge、红队、安全边界与 human-in-the-loop
• Post-training / Agent RL：SFT、偏好优化、GRPO/DPO、工具调用数据合成、轨迹数据训练
• 实战与求职：Paper Agent、Travel Agent、Web Agent、项目复盘、简历表达与面试题库

🗺️ 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：

📌 AgentGuide 涵盖的核心技术栈（2026 版）：

🤖 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

🧩 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

📊 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

💡 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

• ✅ 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

• ✅ 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

• ✅ XXXAgent（RAG方向）
• ✅ XXXMulti-Agent（协作方向）
• ✅ XXXAgent（高级方向）
• ✅ 持续收集高质量开源项目

• ✅ 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

• ✅ 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

• ✅ 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

🎁 学完 AgentGuide，你能获得什么？

从迷茫到清晰，从理论到Offer，一站式成长路径

✅ 【概念清晰】深刻理解：Agent 和普通 LLM 调用的本质区别
✅ 【技能掌握】熟练使用：CamelAI、LangGraph、向量数据库等核心工具  
✅ 【动手能力】独立开发：RAG Agent、Multi-Agent、Web Agent 系统
✅ 【简历亮点】2-3 个可以写进简历、面试能讲清楚的项目
✅ 【面试自信】掌握 Agent 方向的高频面试题和标准答案
✅ 【职业规划】明确算法岗和开发岗的差异，找到适合自己的方向
✅ 【人脉资源】加入 AI Agent 学习社群，结识同行，互相成长

🚦 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！

🆕 新范式

求职新范式

做出什么 > 学过什么

🎯 第一步

确定目标岗位

算法 vs 开发？

💡 第二步

拿Offer方法论

如何准备？

📚 第三步

学习路线

学什么？

💼 第四步

实战项目

做什么？

🎓 第五步

系统学习

技术细节

🎯 第六步

面试冲刺

如何面试？

⚡ 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

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

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。

AI辅助投递工具：

• Auto Job Apply - 开源自动投递简历工具，支持批量投递与AI简历适配

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

🧭 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“