转Agent开发的前三个月，我试了三条学习路线。

第一条：老老实实从基础学。Python语法→机器学习入门→Transformer原理→LangChain文档→动手写项目。

第二条：教程驱动。B站搜"Agent开发教程"，找到播放量最高的那个，一集一集跟着敲。

第三条：倒着来。先搞一个能跑的Agent，跑不通了再查，查到啥学啥。

前两条把我折腾得差点放弃。

第三条让我两周内出了第一个能用的Agent。

今天把这三条路的真实经历掰开讲，你看完应该能少走至少一个月弯路。

路线一：从基础开始学，学了两周彻底懵了

这是我最先选的路。因为所有学习路线文章都这么排：

第一步，学Python。第二步，学机器学习基础。第三步，看Transformer论文。第四步，学LangChain。第五步，做项目。

逻辑上完美。

实际上呢？

我花了三天学Python语法。说实话，如果你有JS基础，Python语法一天就能过。变量、函数、类、列表推导式，跟JavaScript没有本质区别。

然后我点开了吴恩达的机器学习课。

看到第二周，梯度下降。公式一堆，我笔记抄了两页纸，但完全不知道这玩意跟我要做的东西有什么关系。

我又去看了Transformer的原理。"Attention is All You Need"那篇论文，翻了三遍，大概理解了Q、K、V是什么意思。

然后呢？

然后我还是不知道怎么写一个Agent。

这就像你想学做饭，结果花了两个星期研究小麦的生长周期和酵母菌的细胞结构。

知识是对的，但顺序是错的。

两周后我放弃了这条路线。学了一堆"底层原理"，一个能用的东西都没做出来。

路线二：跟教程敲，敲完发现啥也没学会

第二条路更蠢。

我在B站找了个播放量20万的Agent开发教程，从第一集开始跟着敲。

前三集还行，装环境、装依赖、跑第一个hello world。到第五集开始跟着写RAG，我把代码一字不差地抄下来，跑通了，很开心。

到第八集，教程里突然引了一个自定义类，我没搞懂它干嘛的，但跟着抄也能跑。

到第十二集，代码开始报错了。教程是半年前录的，LangChain的API已经改了。我去查新版文档，发现整个接口都重构了。

我盯着屏幕发了十分钟呆。

最崩溃的是，我跟着敲了12集代码，但如果你让我不看视频自己写一个RAG，我一个字都写不出来。

因为我全程在复制粘贴，脑子根本没转过。

这就像你照着菜谱做了12道菜，每道都做出来了，但把你扔进厨房你还是不会做饭。因为你只会跟着菜谱走，不知道为什么要加那勺盐。

路线三：倒着来，先出成品再补知识

到第三周我已经有点急了。跟朋友吐槽，他是个做AI的，说了句话点醒我：

“你别从头学了，你先找一个能跑的Agent，然后改它。改不动了，你就知道该学什么了。”

我当时觉得这不靠谱。基础都没打好，改什么改？

但我已经没别的招了。

第一步：找一个能跑的东西，先让它动起来。

我去GitHub找了一个star比较多的Agent项目。不是那种几万star的巨型框架，是一个比较轻量的、带完整README和示例的项目。

花了一个下午，把环境配好，依赖装好，跑起来。它是一个简单的问答Agent，能读文档回答问题。

那一刻，虽然代码不是我写的，但它跑起来了。我对着终端打了一句话，它回了。

这个正反馈太重要了。

之前两周我一直在"学"，没有任何东西"动"过。这种挫败感是致命的。

第二步：改一个小功能，被迫学第一个知识点。

跑起来之后我开始改。第一个改动：把它的回答语言从英文改成中文。

听起来很简单对吧？

但它涉及到Prompt的修改。我打开代码，找到了System Prompt，发现里面写了一堆英文指令。我试着改成中文，跑了一下，效果变差了。

为什么？

因为大模型对中英混合Prompt的响应跟纯中文不一样。我开始查资料，第一次主动去了解什么是Prompt Engineering。

这个知识不是我在教程里学的，是我改代码改出来的。带着具体问题去查，五分钟就理解了。如果是在教程里被动接受，可能要花半天。

第三步：加一个新工具，被迫学Function Calling。

改完Prompt之后我想给它加个新功能：让Agent能搜索网页。

我翻了翻代码，发现它在调函数的地方用的是LangChain的Tool接口。我照着写了一个搜索工具，但跑不通。

报错信息说大模型没有正确返回function call的格式。

我又去查，这才知道Function Calling有严格的JSON schema要求。你的工具描述、参数定义、返回格式，都得按规范来。

花了大半天，调通了。

这时候我已经理解了三件事：Prompt怎么写、Function Calling怎么工作、工具怎么定义。

全是改代码改出来的，不是看教程看出来的。

第四步：加记忆，被迫学Context管理。

前几个功能搞完之后，我发现Agent有个问题：它不记得之前说过什么。每轮对话都是独立的。

我想让它有记忆。

去搜了一下，发现这涉及到大模型的context window和对话历史的传递方式。最简单的方法是把之前所有对话拼接起来塞进Prompt里，但对话一长就会超出token限制。

然后我了解到了几种方案：滑动窗口截断、摘要压缩、向量检索历史对话。

我选了最简单的滑动窗口，只保留最近5轮对话。代码改了二十行，跑通了。

到这一步，我已经会用LangChain的基本接口、写Prompt、定义工具、处理对话历史。

用时：大概一周半。

你真正需要学的东西，可能只有你计划清单的30%

回头看那三条路线，我发现一个事实：

我第一次"从基础学"时列的学习清单有12项，但真正让我做出Agent的，只有4项。

剩下的8项，不是没用，是现阶段不需要。

你做完一个能用的Agent之后，自然会碰到瓶颈。碰到了再学，带着问题学，效率翻十倍。

所以如果你是前端，想转Agent，我的建议是：

把学习清单砍到4项，其余的全删掉。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】