30 天学习路线

30 天不可能让一个人精通 AI Agent，但足够建立一条清晰主线：知道自己在学什么，知道下一步为什么要学，知道哪些内容需要靠实践验证。

这条路线默认你对 AI 有兴趣，略懂一些基本概念，但不要求一开始就有很强的工程背景。如果你会写代码，实践速度会更快；如果暂时不会，也可以先理解系统结构和关键判断。

第 1 周：建立 Agent 主线

第一周不要急着选框架。先回答三个问题：

Agent 和 Chatbot 有什么区别？
Agent 和 AI 工作流有什么区别？
Agent 为什么需要知识、工具、状态和评估？

建议阅读：

• 00-guide/002-what-is-ai-agent.md
• 01-ai-agent-application-foundation/001-what-is-ai-agent-application.md
• 06-agent/001-what-is-agent.md

这一周的目标不是会开发，而是能讲清楚 Agent 系统大概由哪些能力组成。

第 2 周：掌握模型调用和 Prompt

第二周进入模型调用。重点不是模型内部原理，而是应用开发里的可控性。

建议阅读：

• 02-llm-basic/001-llm-basic-concepts.md
• 02-llm-basic/004-llm-api-call-flow.md
• 02-llm-basic/005-structured-output.md
• 03-prompt-engineering/001-what-is-prompt-engineering.md
• 03-prompt-engineering/002-system-prompt-design.md

这一周要形成一个判断：模型输出不是天然可靠的，必须通过上下文、Prompt、结构化输出和评估来约束。

第 3 周：理解 RAG 和检索

第三周进入知识增强。很多 AI 应用的第一道生产门槛，不是 Agent 规划，而是能不能基于可靠资料回答问题。

建议阅读：

• 04-rag/001-what-is-rag.md
• 04-rag/004-chunking-strategy.md
• 04-rag/007-hybrid-search.md
• 04-rag/008-rerank.md
• 05-retrieval/007-rag-retrieval-stack-selection.md

这一周要能解释：为什么 RAG 不是“把文档塞进向量库”，而是一条从文档处理到召回评估的工程链路。

第 4 周：进入 Agent、工作流和工程化

第四周再看工具调用、工作流平台、LangGraph 和工程化。

建议阅读：

• 06-agent/002-function-calling.md
• 06-agent/003-tool-design.md
• 07-langchain-langgraph/003-langgraph-overview.md
• 08-ai-workflow/002-workflow-vs-agent.md
• 09-ai-agent-engineering/001-ai-engineering-overview.md
• 10-backend-for-ai-agent/002-java-ai-architecture.md

这一周要形成一个更实际的判断：Agent 能力越强，越需要权限、日志、成本、评估和降级机制兜底。

一句话先记住

30 天路线的目标不是速成专家，而是先建立一套不会被工具热度牵着走的学习主线。

继续阅读

• 00-guide/003-how-to-use-knowledge-base.md
• 00-guide/004-ai-agent-application-skill-map.md