AI Agent Engineering Knowledge Base

Way to Agent

一条通往 AI Agent 世界的探索之路

Way to Agent 是一个面向 AI 时代的知识库与成长平台，帮助每个人理解、构建并驾驭智能体。从大模型调用、RAG、Prompt 到 Agent 工程化落地，系统梳理真正可上线的 AI 应用能力。

RAG知识库与检索增强

Agent工具调用与状态编排

Engineering日志、评估与上线能力

Knowledge System

从基础认知到智能体实践，逐步建立 AI Agent 能力体系。

知识库围绕 AI Agent 应用工程展开，既能主动阅读，也能支撑 RAG 问答、刷题、学习路径和模拟面试。

理解 Token、上下文、流式输出、结构化输出和模型调用边界。

从提示词写作升级到模板、版本、约束、评估的工程管理。

文档解析、自动切片、混合检索、Rerank、引用溯源和评估。

理解工具、状态、记忆、规划和多步骤任务编排。

Dify、Coze、N8N、百炼平台等工作流与代码开发的取舍。

日志、Token 成本、Prompt 版本、质量评估、安全与降级。

围绕真实项目实践，把知识转化成可展示、可复用的工程能力。

基于岗位、知识点和项目经历进行追问、评分与复盘。

Knowledge + Agent Project

Way to Agent 不只是内容站，也是一套 AI Agent 应用实践：知识库负责沉淀内容，RAG 负责连接知识，Agent 负责把学习、问答、路径和面试串成完整体验。

way-to-agent/

|-- apps/web # 文档站与交互界面

|-- apps/api # Java 模块化单体

|-- apps/ai-service # Python RAG / Agent

|-- workers/indexer-worker # 自动切片与索引

`-- content/knowledge # 可检索知识内容

Agent-ready Platform

知识库内容会成为问答、刷题、学习路径、简历匹配和模拟面试的底层语料。每篇文章都不仅用于阅读，也用于检索、评估和训练。

RAG 问答基于知识片段回答问题，并展示引用来源。

学习路径根据目标和薄弱点生成可执行阶段计划。

刷题训练围绕知识点生成题目、解析和复习建议。

模拟面试按岗位和项目经历持续追问并生成报告。