#AI Agent 开发者学习路径整理

整理了面向开发者的 AI Agent 学习路径，重点覆盖 AI Agent 基础、Dify、LangChain / LangGraph、向量数据库 / RAG。

原则：优先官方文档，优先能长期有效的资料，先学最小闭环，再学复杂架构。

#一、推荐学习顺序

#第 1 阶段：先理解 Agent 最小闭环

先搞清楚：

Agent = LLM 大脑 + Tools 工具 + State 状态 + Memory 记忆 + Workflow/Planning + Evaluation

建议先学：

1. 模型如何调用工具
2. 工具结果如何回传给模型
3. 多步任务怎么循环执行
4. 如何判断任务结束或失败重试

核心资料：

• OpenAI Platform Docs
• OpenAI Cookbook
• Anthropic: Building Effective Agents
• Model Context Protocol (MCP)

#第 2 阶段：学 Dify 这类低门槛平台

目标：快速理解工作流、知识库、Agent、工具调用这些概念在产品里的形态。

核心资料：

• Dify Docs
• Dify GitHub
• Dify 官网

建议顺序：

1. 先看 Getting Started / Concepts
2. 再跑一个简单应用
3. 再看 Workflow
4. 再看 Knowledge Base / RAG
5. 最后看 Agent / Tools / API / 部署

#第 3 阶段：学 LangChain / LangGraph

目标：从"平台使用者"进阶为"自己搭系统的人"。

核心资料：

• LangChain Docs
• LangChain Concepts
• LangChain Tutorials
• LangGraph Docs
• LangGraph Tutorials
• LangSmith Docs

建议顺序：

1. 先学 LangChain 基础：documents / splitters / embeddings / vectorstores / retrievers
2. 做一个最小 RAG
3. 再学 LangGraph 的状态图和工作流
4. 最后学评测和可观测性

#第 4 阶段：学向量库 / RAG

目标：搞清楚 RAG 真正的关键不在"接了没"，而在"检索质量好不好"。

建议先学：embeddings → chunking → indexing → retrieval → reranking → eval

核心资料：

• OpenAI Embeddings Guide
• LangChain Text Splitters
• LangChain Vectorstores
• LangChain Retrievers

#二、Dify 学习清单

#建议重点学习模块

1. App Types / Create an App
2. Workflow
3. Knowledge Base / Dataset
4. Agent
5. Tools / Plugins
6. API Reference
7. Deployment / Self-hosting
8. Model Providers

#实践学习顺序

• 第 1 天：读概念和产品定位
• 第 2 天：跑起来一个最简单应用
• 第 3 天：做一个 Workflow
• 第 4 天：做一个 Knowledge Base / RAG 应用
• 第 5 天：试 Agent / Tools
• 第 6-7 天：看 API 和部署

#学 Dify 时要重点问自己

• Agent 和 Workflow 的边界是什么？
• 什么场景适合知识库，什么场景不适合？
• 检索失败时系统怎么退化？
• 什么时候应该用平台，什么时候应该自己写代码？

#三、LangChain / LangGraph 学习清单

#先学 LangChain 的这些概念

• Documents
• Text Splitters
• Embeddings
• VectorStores
• Retrievers
• Prompt + Context 组合

#再学 LangGraph 的这些概念

• state
• nodes / edges
• branching
• retries / fallback
• human-in-the-loop
• memory / persistence

#推荐路线

1. 用 LangChain 做一个最小 RAG
2. 用另一个向量库重做一遍
3. 再用 LangGraph 改造成可控工作流
4. 最后加评测和 trace

#四、向量数据库选型

#先理解怎么选，不要先比谁"最强"

#实用建议

• 第一个原型：Chroma
• 自托管生产学习：Qdrant
• 已有 Postgres 团队：pgvector
• 快速托管上线：Pinecone
• 大规模向量平台：Milvus
• 想玩更丰富检索特性：Weaviate

#五、最小实践路线

#路线 A：平台优先

1. 先学 Dify
2. 做 1 个 Workflow
3. 做 1 个知识库问答
4. 做 1 个带工具的 Agent

#路线 B：代码优先

1. 用 LangChain 做最小 RAG
2. 接 Chroma / Qdrant
3. 做 query → retrieve → answer
4. 再用 LangGraph 做状态化流程

#路线 C：Agent 工程优先

1. 学 Tool Use
2. 学 Planner / Router / Reflection
3. 学 Memory
4. 学 Evaluation
5. 再做多 Agent

#六、建议的最优起步顺序

如果你是"想真正学会，不只是会点点页面"：

1. 先看 OpenAI Docs / Cookbook 理解 Agent 最小闭环
2. 再学 Dify，快速建立产品感觉
3. 再学 LangChain，自己写最小 RAG
4. 再学 LangGraph，把链条变成工作流
5. 再深入向量库与评测

#七、容易踩坑的地方

• 一上来就多 Agent
• 一上来就上长期记忆
• 没有评测就调 prompt
• 没搞懂 chunking / retrieval 就开始怪模型不行
• 把"系统复杂"误以为"能力更强"