AI Agent 系统学习与面试手册¶
Agent 能把答案说得很像已经办成了。学这份手册，要再往前走一步：看清它读了什么、做了什么，失败后还能不能收拾现场。
面向 AI Agent / 大模型应用工程师，以 Python 实践为主。仓库包含 10 章基础、12 章进阶、92 道原创详解题，配有数值算例、执行器与恢复实验、项目工作坊、学习路线和模拟面试。
全部题目都有口述短答、详细答案、3 个带回答的追问、实战案例、误区与验收练习，共 276 组追问、92 个案例。每题直接链接对应学习内容，章节末尾也能找到相关题目。
可以从一个具体问题开始：为什么引用存在却不支持结论？为什么超时之后反而创建了两张工单？章节沿着案例解释机制，题库再用追问和故障检查理解。术语会逐步出现，不需要入场先背一袋缩写。
配套在线阅读¶
打开在线学习手册 →：按课程目录连续阅读，搜索知识点和题号，在学习章节与面试题之间跳转。电脑、手机都可以直接打开，无需下载仓库。
读到陌生词，可以先查字典；学完一章，还可以到博客看图解和工程文章。两个网站都由本仓库作者维护：
- AI 编程字典：查术语、看关系图：查询中英术语，沿概念关系理解 Token、Context、Harness、MCP 等知识怎样连接。
- Agent 技术博客：读图解与工程实践：阅读 Agent 工程实践、原理图解和技术笔记，把课程里的机制放回具体问题中理解。
可以把仓库当作学习与练习主线，把字典放在手边查词，再按问题选读博客文章。
从这里开始¶
| 你的状态 | 建议入口 | 本次产出 |
|---|---|---|
| 想从原理开始学 | 基础课程 | 理解从 LLM 到 Agent 系统的完整链路 |
| 已经掌握基础 | 进阶课程 | 系统学习长任务、Agentic RAG、协作、质量优化与训练 |
| 开始准备面试 | 学习路线 | 确定 30 天安排与验收标准 |
| 已经做过 LLM 应用 | 92 题索引 | 找出解释不清的机制与失败路径 |
| 要准备进阶追问 | 36 道进阶题 | 用详细解析、追问和案例连接 12 章知识 |
| 面试前一周 | 7 天冲刺 | 两轮模拟面试和一个可验证的项目演示 |
| 想动手补工程能力 | 离线实验 | 运行工具循环，观察重试、审批、幂等和步数上限 |
| 想挑外部学习资料 | GitHub 项目调研 | 按用途组合资料，避免只收藏不练习 |
| 想跟进进阶方向 | 进阶项目与技术博客 | 判断新能力的用途、工程取舍及对应学习章节 |
基础课程¶
先沿连续教程理解机制，再用题目闭卷检验。每章有具体案例、逐步算例、验收练习、自检答案及来源。贯穿案例为虚构的内部政策助手。
| 学习阶段 | 课程 | 核心产出 |
|---|---|---|
| 模型和输入 | 01 系统地图 · 02 LLM 原理 · 03 上下文 | 画清职责，复算注意力，组织有效证据 |
| 行动与知识 | 04 工具循环 · 05 工具/MCP · 06 RAG | 读执行轨迹，定义工具合同，检查检索链路 |
| 状态与协作 | 07 记忆 · 08 规划与多 Agent | 管理状态与版本，解释协作和恢复的边界 |
| 质量与交付 | 09 评测 · 10 可靠性与安全 | 定义指标与终态，处理失败和越权 |
完整课程与节奏 · 术语回查 · 课程参考资料 · GitHub 学习资源深度调研
进阶课程¶
进阶课程将 GitHub 项目、作者技术博客、官方文档、协议和论文整理成可连续学习的知识。沿同一个政策研究助手案例，从运行机制走到设计练习，再用轨迹、故障和评测判断改进。
| 学习阶段 | 课程 | 核心产出 |
|---|---|---|
| 运行基础 | 01 Harness · 02 持久执行 · 03 上下文工程 · 04 记忆与技能 | 长任务交接、恢复状态图、上下文与记忆合同 |
| 能力组织 | 05 工具路由/MCP · 06 Agentic RAG · 07 多 Agent · 08 编码与计算机操作 | 工具选择、证据策略、协作图和操作环境 |
| 质量优化 | 09 评测反馈 · 10 性能与推理 · 11 安全治理 · 12 Agent 训练 | 回归集合、共享预算、授权边界与训练决策 |
完整进阶路线 · 贯穿项目工作坊 · 官方知识体系 · 机制实验
每章都有对应的 3 道进阶面试题。先读场景和机制，再闭卷说短答，最后展开详细答案与案例。遇到不会的追问，可以直接回到学习章节补上那一步。
知识地图¶
Q001–Q056 覆盖基础与通用工程，Q057–Q092 对应 12 章进阶系统知识，采用相同的详解与案例标准。想先理解机制，就从学习章进入；想闭卷练回答，就从题目进入。
| 模块 | 题号 | 你应当能够解释 |
|---|---|---|
| Agent 与 LLM 基础 | Q001–Q008 | Agent 边界、Transformer、训练与推理、模型适配 |
| 规划与编排 | Q009–Q016 | 循环、ReAct、状态、恢复、并发与多 Agent 取舍 |
| RAG 与检索 | Q017–Q024 | 分块、检索、重排、权限、归因与评测 |
| 工具、记忆与协议 | Q025–Q032 | Schema、执行边界、MCP、上下文和持久记忆 |
| 评测与可观测性 | Q033–Q040 | 数据集、失败归因、Judge 偏差、成本与延迟 |
| 可靠性与安全 | Q041–Q048 | 重试、幂等、人审、注入、隔离与故障恢复 |
| 系统设计与项目表达 | Q049–Q056 | 需求、架构、验收、真实贡献与可复现证据 |
| 12 章进阶面试 | Q057–Q092 | 长任务、上下文、检索协作、运行质量与训练取舍 |
每天怎么学¶
每天可以只解决一个能说清的问题：读案例，预测下一步，运行或手算一次，再口述关联题。面试复习时，每天闭卷回答 3–5 题，读解析、答追问，最后留一个微练习结果。
别急着把每页都涂成已读。对同一个例子加一句“这时网络断了呢”，往往比多背三个框架名更能发现缺口。
只阅读文档无需安装。运行工具需要 Python 3.10+，仅使用标准库，无需联网、安装依赖或配置密钥。在仓库根目录运行：
# 抽 5 题，只显示问题，先口述再看答案
python3 scripts/study.py draw --count 5
# 只练新增的 36 道进阶题
python3 scripts/study.py draw --topic docs/advanced/ --count 3
# 查看单题回答、追问和练习
python3 scripts/study.py show Q001
python3 scripts/study.py show Q060
# 自评分：0 不会；1 提示后会；2 独立说清；3 能追问并举证
python3 scripts/study.py review Q001 --score 2
# 查看到期题目、尚未学习的题目和进度
python3 scripts/study.py due
python3 scripts/study.py stats
# 运行离线教学实验
python3 examples/agent_lab/lab.py --scenario all
# 复算 Attention、余弦、RRF 与检索指标
python3 examples/foundations/math_lab.py --section all
# 验证多次尝试指标、共享预算、关键路径与崩溃恢复
python3 examples/advanced/runtime_lab.py --scenario all
复习记录保存在 .local/study-progress.json，默认不进入 Git。日期间隔规则详见 复习说明。
用项目支撑面试回答¶
7 天项目实验提供从工具循环到真实模型接入的验收步骤。当前代码使用脚本决策器和关键词检索，实验重点是执行器边界。接入模型、持久化、多租户和部署见后续练习。
准备面试时使用 模拟面试、项目表达模板 和 错题复盘模板。所有业务数据、项目职责和指标请用自己的真实材料填写。
参与完善¶
读到不准确的解释、遇到跑不通的示例，欢迎反馈；有值得分享的面试经验或实战做法，也欢迎一起补充。
- 纠错与补充：通过 Issue 注明题号或章节位置，写下修改建议，尽量附上参考来源。
- 分享经验与案例：欢迎通过 Pull Request 补充面试追问、答题思路或实战案例，让下一位读者少绕一点弯。
- 反馈代码问题：提交 Issue 时，请说明运行环境、复现步骤，以及预期结果和实际表现，方便定位与修复。
内容格式、引用要求和提交前检查见 贡献指南。
参考资料与延伸阅读¶
想查原论文、官方文档，或继续挑选外部项目与教程，可以打开 资料索引，按当前问题选读。
本文档与代码为本仓库原创整理，采用 MIT License。引用的资料、外部项目和商标归各自权利人所有；其内容适用原项目许可。这里只链接外部资料，不搬运其题库、插图或模板。