企业里的 AI 落地正在转向 Agent。和单纯的聊天机器人不同，Agent 需要自主决策、调用工具、记住上下文，还得能规划和反思。招聘市场对这个方向的需求涨得很快，但很多招聘 JD 上写的技能要求让人摸不着头脑——LangChain、RAG、RLHF，到底要学到什么程度？
Agent 工程师在做什么
抽象点说，就是设计一个能干活儿的 AI。具体到工作上，大致分三块。
架构：让 AI 有记忆和协作能力
别让 Agent 每次对话都从头开始。RAG（检索增强生成）和知识图谱是给 AI 加'记忆'的主流方法。框架上，LangChain 用的人最多，AutoGen 适合多代理协作，LlamaIndex 偏向数据接入。向量数据库（如 FAISS、Milvus）负责存 chunk 和快速召回，Neo4j 这类图数据库则用来处理复杂关系。
推理：让 AI 思考更可靠
GPT 直接回答复杂问题经常翻车，所以有了思维链（CoT）、ReAct 这些 prompt 技巧，逼模型一步步来。更进一步，可以用 RLHF 针对业务场景微调回答偏好，或者 LoRA/QLoRA 低成本微调模型本身。推理加速（ONNX、TensorRT）则是工程落地时必须考虑的——不然响应太慢用户早关了。
工程落地：不只是调接口
搭一个 demo 和上线是两码事。API 设计上，gRPC 或 RESTful 怎么选，要不要加消息队列；部署上，容器化之后还得考虑弹性伸缩；线上得做 A/B 测试验证 Agent 改了什么 prompt 的效果。性能调优也少不了，比如 embedding 缓存、流式返回策略。
学哪些技能能干活
如果让我推荐学习顺序，大概是：
- 先精通 Python（Go 看团队技术栈），LLM 的基本原理得懂。
- 然后用 LangChain 或 AutoGen 搭一个最简单的 Agent——比如一个根据问题查文档然后回答的 bot，跑起来再说。
- 接下来啃 RAG 和向量数据库，理解文档解析、切片策略、嵌入模型选择这些实际会踩坑的地方。
- 再往后，接触推理优化。手头有业务数据的话，试试 LoRA 微调，感受一下 fine-tune 和 prompt 的差异。
- 最后，把 Agent 当成一个服务来做：写接口、配监控、做压测，让它能扛得住流量。
工具链大概会接触到这些：
- 框架：LangChain, AutoGen, LlamaIndex
- 检索引擎：FAISS, Milvus, Neo4j
- 微调与加速：LoRA, QLoRA, ONNX, TensorRT
- 服务与部署：Kubernetes, gRPC, RESTful
三个可以上手练的项目
看资料容易眼高手低，推荐几个开源项目，直接跑起来改。
LangChain + RAG 企业知识库 用 LangChain 搭配 FAISS，做一个能检索内部文档的问答系统。支持 PDF、Markdown 等格式解析，前端接 OpenAI API。跑通后你会对 RAG 的'索引-检索-生成'链路有体感。
适合想入门 RAG 的，或者公司内部想搭个知识库试试水的。
AutoGen 多智能体协作 AutoGen 是微软出的一个多代理框架，让多个 AI 角色分工协作，拆解任务再汇总。拿它来做代码生成或简单工作流自动化很直观。关键是理解各 agent 的提示词设计和控制流。
适合对多代理和任务拆解感兴趣的。
AI 编程助手 复刻一个类似 Copilot 的代码补全工具，基于 GPT 的 API，加上上下文提取。除了练手 prompt 工程，还能了解这类产品的限制——比如 token 长度、补全延迟这些实际痛点。
适合想研究 AI+编程的开发者。
学习路线（建议节奏）
头三个月：Python 写熟，LLM 基础弄懂，LangChain 搭个原型； 接下来的半年：扎进 RAG、向量数据库，顺便了解知识图谱能解决什么问题； 半年之后：开始碰微调（LoRA），做完整系统，压测优化，结合业务场景去迭代。
Agent 方向技术更新快，但底层能力是相通的——检索、推理、工程部署。如果对'让 AI 成为能干活的同事'这件事有兴趣，现在入场不算晚，也从不需要等到'准备好'。
