AI Agent 入门学习路线
先用两篇工程文章建立“什么时候不该做 Agent”的判断，再手写最小 tool loop；之后只选一个框架做项目，并从第一天加入评估、权限和人工检查点。八份资料承担不同角色，不需要全部顺序刷完。
一、先判断任务需要 Workflow 还是 Agent
Section titled “一、先判断任务需要 Workflow 还是 Agent”资料摘要：Building Effective Agents 给出的复杂度阶梯应是整个学习路线的入口：单次 LLM → augmented LLM → 固定 workflow → 受限 Agent。只有步骤难以预先编码、环境能持续提供反馈、失败风险可控时，才值得增加自治。
资料摘要：A Practical Guide to Building Agents 将判断进一步落到场景：复杂决策、难维护规则和非结构化数据更适合 Agent；确定性方案已经足够时，不应为了“Agent 化”增加成本。
二、入门重点是循环，不是框架
Section titled “二、入门重点是循环，不是框架”第一个 Agent 只需要：
- 一段明确 instructions。
- 两个容易区分的只读工具。
- 一个“决定—调用—观察—继续”的循环。
- 最大步数、超时、错误处理和完成条件。
- 一组能重复运行的测试任务。
先完成这五项，再学习框架。否则 Node、Agent、Tool、Memory 等框架名会遮蔽系统真正发生的模型调用和状态变化。
三、只选一套框架完成端到端项目
Section titled “三、只选一套框架完成端到端项目”资料摘要：Hugging Face Agents Course 同时提供三条路线：
- 想最少抽象理解 Tool/Code Agent：选 smolagents。
- 想做知识库、数据和 Agentic RAG：选 LlamaIndex。
- 想显式控制 state、branch、interrupt 和 human-in-the-loop：选 LangGraph。
资料摘要：LangGraph Essentials 适合作为 LangGraph 的一小时预热，不足以单独构成 Agent 入门课。资料摘要：AI Agents for Beginners 更适合按专题补安全、生产、协议和部署；只有确定采用 Microsoft 技术栈时才顺着 Foundry Notebook 全做。
四、评估必须早于多 Agent
Section titled “四、评估必须早于多 Agent”没有单 Agent baseline、失败分类和任务集时，多 Agent 只会让错误更难定位。资料摘要：Agentic AI（DeepLearning.AI） 把 eval 和 error analysis 放在 Planning / Multi-Agent 之前，这个顺序值得保留。
五、中文负责连续主线，英文负责概念校准
Section titled “五、中文负责连续主线，英文负责概念校准”资料摘要：Hello-Agents 是完整中文主线；Hugging Face 适合中英文对照。Anthropic、OpenAI 与 资料摘要：LLM Powered Autonomous Agents 用于校准 Workflow、Agent、Planning、Memory、Tool Use 的原始英文术语和工程边界。
八份资料的分工
Section titled “八份资料的分工”| 资料 | 主要角色 | 最推荐部分 | 跳过或延后 |
|---|---|---|---|
| Hello-Agents | 中文系统主线 | 1、4、7、9、12 章 | 低代码横评、Agentic RL 按需 |
| Hugging Face Agents Course | 双语动手主线 | Unit 1 + 一个 Unit 2 框架 + Unit 3/4 | 三个框架全部精通 |
| AI Agents for Beginners | 生产专题参考 | Tool、RAG、安全、Planning、Eval、Context、Memory | Azure/Foundry 代码按技术栈选择 |
| Building Effective Agents | 复杂度与模式判断 | Workflow vs Agent、五种 workflow、ACI | 无 |
| OpenAI Practical Guide | 产品与工程清单 | 场景筛选、单/多 Agent、guardrails | 旧模型名与旧 SDK 代码 |
| Agentic AI | 进阶实践 | Reflection、Tool Use、Eval、Error Analysis | 完全零基础直接开始 |
| LangGraph Essentials | 框架专项 | State、Edge、Interrupt、HITL | 当作完整理论课 |
| LLM Powered Autonomous Agents | 经典概念地图 | Planning、Memory、Tool Use、Challenges | 2023 年 API 与早期项目实现 |
四周学习安排
Section titled “四周学习安排”第 1 周：建立判断框架
Section titled “第 1 周：建立判断框架”- 读完 资料摘要：Building Effective Agents 和 资料摘要：A Practical Guide to Building Agents。
- 阅读 AI Agent（智能体）、Agentic Workflow（智能体工作流）。
- 用三个例子判断：普通函数、固定 workflow、开放 Agent 各适合什么。
- 输出：一页场景说明，明确为什么需要或不需要 Agent。
第 2 周：手写最小 Agent
Section titled “第 2 周：手写最小 Agent”- 学 Hello-Agents 第 1、4 章或 Hugging Face Unit 1。
- 实现 ReAct（推理与行动） 风格循环。
- 只提供 search 与 read_document 两个只读工具。
- 加入最大 6 步、超时、重复调用检测和结构化错误。
- 输出：10 个固定任务和运行 trace。
第 3 周：选择一套框架
Section titled “第 3 周：选择一套框架”- 知识库方向优先 LlamaIndex 或 LangGraph；希望最小抽象可选 smolagents。
- 将第 2 周逻辑迁移到框架，但保持任务集不变。
- 比较迁移前后的任务成功率、工具误选、步骤数、延迟和成本。
- 输出：能解释每一层框架抽象的端到端应用。
第 4 周：进入可靠性
Section titled “第 4 周：进入可靠性”- 学 Agent 评估与可观测性、Microsoft 生产/安全章节或 DeepLearning.AI Module 4。
- 增加 component eval、end-to-end eval、human-in-the-loop 和工具风险分级。
- 只在单 Agent 明确受限时，再实验 planner 或第二个 specialist Agent。
- 输出：发布检查表和失败案例集。
推荐毕业项目：知识库研究 Agent
Section titled “推荐毕业项目：知识库研究 Agent”目标：围绕一个用户问题查找资料、提取正文、判断来源、生成带引用摘要，但不未经确认直接写入正式 Wiki。
最小工具：
search_sources：搜索候选来源，只返回标题、URL、来源类型和日期。fetch_source：读取指定网页或本地文件。extract_evidence：把事实与来源位置绑定。draft_note：只写到临时草稿目录。
运行边界：
- 默认只读；正式写入必须人工确认。
- 外部网页内容视为不可信输入，防范 prompt injection。
- 每轮保留引用与失败原因，最多固定步数。
- 没有足够证据时输出知识空白，不编造补齐。
验收指标：
- 资料来源是否真实存在并可打开。
- 摘要事实是否能回指原文。
- 工具选择和参数是否正确。
- 是否错误忽略知识空白。
- 是否在写入前请求确认。
- 同一任务重复运行是否保持可接受稳定性。
- “Planning”应由模型显式生成整份计划，还是在 ReAct 循环中局部展开，取决于任务长度和依赖结构。
- Memory 的写入、更新和遗忘策略仍高度任务相关；向量库只是候选实现，不是完整答案。
- Multi-Agent 是否提高效果必须相对单 Agent baseline 验证，不能只凭角色分工直觉。
- MCP、A2A 等协议降低连接成本，但工具可信度、权限和错误恢复仍需应用层解决。
- 公开 benchmark 与个人知识库任务分布不同，需要建立自己的小型评估集。
- 学习成果应按“能否解释并验证一个运行轨迹”衡量，不按看过多少框架衡量。
- 给 Agent 增加能力时，同时增加相应的权限限制、trace 和 eval。
- 先让工具少而清楚，再考虑工具发现和协议生态。
- 先证明单 Agent 失败原因，再决定是加 workflow、planner、memory 还是多 Agent。
- 课程中的价格、认证、模型名和框架 API 都是易变信息；本地 commit 负责复现，官方页面负责当前事实。