本文通过分析一份真实的AI Agent工程师岗位需求将复杂的技术名词拆解为实际项目中的能力地图帮助读者了解应该学习的内容。文章详细介绍了AI Agent岗位的核心职责即组合大模型、知识库、记忆、工具、业务系统及监控评估形成完成真实任务的智能系统。同时文章还梳理了Agent工程师需要掌握的8层能力包括Python/TypeScript后端基础、LLM应用开发、RAG、Agent、Memory、数据与存储、权限与工程化以及可观测与评估。通过这份指南小白或程序员可以清晰地了解AI Agent开发所需的技术栈和核心能力为进入这一领域打下坚实的基础。从一份真实的 Agent 岗位需求和一个 Agent 项目方案出发把“看起来很散”的技术名词拆成一套能真正落到项目里的能力地图更重要的是让你知道应该学什么。一、先看结论AI Agent 岗位本质上在做什么这类岗位并不是简单地“调用一个大模型 API”。真正的核心是把 大模型 知识库 记忆 工具 业务系统 监控评估 组合成一个可以完成真实任务的智能系统。可以把完整 Agent 简化成这条链路用户问题 → 意图理解 → 检索知识 → 规划/推理 → 调用工具 → 执行动作 → 生成结果 → 记忆沉淀 → 监控评估因此一个 Agent 工程师需要掌握的能力大致可以分成 8 层1. Python / TypeScript / 后端基础把模型能力真正做成服务。2. LLM 应用开发理解模型、Prompt、Context、流式输出等基本能力。3. RAG让模型能够基于企业自己的数据回答问题。4. Agent让模型从“回答问题”升级到“自己规划并执行任务”。5. Memory让 Agent 拥有短期上下文和长期记忆。6. 数据与存储为文档、向量、搜索、知识图谱、对象文件提供基础设施。7. 权限与工程化处理 RBAC、服务化、稳定性、安全性。8. 可观测与评估知道 Agent 为什么答错、检索为什么失败、效果有没有变好。二、岗位技术栈地图技术方向代表技术主要解决的问题对应能力后端开发Python、TypeScript、FastAPI把模型能力做成可调用的后端服务语言选型、服务开发、接口设计大模型GPT、Gemini、Qwen、DeepSeek 等文本理解、推理、生成LLM 应用开发Prompt / ContextPrompt Engineering、Context Engineering控制模型输入和上下文提示词设计、上下文组织AgentLangChain、LangGraph、AutoGen、Qwen-Agent、ADK规划任务、调用工具、执行流程Agent 架构设计RAG向量检索、关键词检索、Rerank、Agentic RAG从企业知识库召回信息检索增强生成知识图谱Neo4j、多跳推理处理实体关系和复杂关联问题图谱构建、关系推理MemoryRedis、Mem0保存短期上下文和长期记忆状态管理、用户记忆搜索Elasticsearch关键词检索、全文搜索混合检索、召回向量库PostgreSQL 向量能力等存储 Embedding 并进行相似度搜索语义检索文件存储MinIO保存原始文档、附件对象存储权限RBAC控制用户能访问什么知识企业级权限管理文档解析Markdown、解析/切分、多模态解析将各种文档转成模型可用数据知识库构建监控评估LangSmith、LangFuse跟踪调用链路、Token、检索和回答效果Agent 可观测性协议 / 工具MCP统一连接外部工具与数据源Tool / Agent 集成开发工具Claude Code、Codex、CursorAI 辅助编码与工程开发Vibe Coding / AI Coding三、逐个拆解这些技术到底是干什么的Python TypeScript FastAPIAgent 的后端基础目前市场上 Agent 相关 JD后端语言主流就是两种Python 和 TypeScript。其中 Python 更多。LangChain 官网的主要更新和示例也是以 Python 为主。PythonPython 是当前 LLM / Agent 开发里更常见的主力语言。它的优势不只是“写起来快”更重要的是 AI 生态成熟模型 SDK、RAG、Agent、Embedding、向量数据库、评估框架等都有大量 Python 支持。LangChain 这类框架官网的主要更新也优先落在 Python 上跟进新能力时通常更直接。TypeScriptTypeScript 是另一条主流选型常见于本身就是 Node / Nest 技术栈、或者需要把 Agent 接进现有 Web 业务系统的团队。它同样可以把 Agent 封装成服务也有 LangChain.js 这类对应生态。但和 Python 相比JD 里出现得少一些框架文档和示例的更新也往往跟在 Python 后面。选型可以简单记成新做 Agent、跟 LangChain 生态优先 Python已有 TypeScript / Node 服务要把 Agent 接进现有系统用 TypeScript 也很合理FastAPIFastAPI 负责把 Agent 能力封装成真正的后端 API例如POST /chat POST /agent/run POST /knowledge/upload GET /conversation/history核心能力模型能力 → 可调用的业务服务。四、LLMAgent 的“大脑”岗位中提到 GPT、Gemini、Qwen、DeepSeek 等本质上是在要求开发者具备 多模型接入与应用能力。需要掌握的不是“记住某个模型的 API”而是理解Chat / Completion 类接口怎么调用System / User / Tool 消息分别是什么Token 是什么Context Window 是什么Streaming 流式输出怎么做Function Calling / Tool Calling 怎么工作不同模型的能力、速度、成本如何取舍流式输出用户输入问题后不必等模型把完整答案生成完再返回而是边生成边返回。用户提问 ↓ Agent ↓ LLM ↓ “正在” → “分析” → “问题” → “……”在聊天机器人、语音助手等场景中这是非常重要的交互能力。五、Prompt Engineering Context Engineering这是很多人容易混淆的一组概念。Prompt Engineering解决的是“应该怎么告诉模型做事”例如你是一名企业知识库助手。 回答问题时必须基于检索结果。 如果知识库没有答案不要编造。重点在于任务说明、角色、约束、输出格式、Few-shot 等。Context Engineering解决的是“到底给模型什么上下文”例如用户问“这个客户上个月为什么被拒”Agent 不只是把问题原样丢给模型还要组织用户信息 当前会话 历史对话 检索到的客户资料 业务规则 工具返回结果可以理解为Prompt 决定“怎么说”Context 决定“给它什么”。六、RAG让大模型“知道企业自己的数据”RAGRetrieval-Augmented Generation是企业 Agent 中非常核心的一条技术链路。项目中的文档处理流程可以抽象成用户上传文档 ↓ 原始文件 → MinIO ↓ 文档解析 ↓ Markdown ↓ 文本清洗 / Chunk 切分 ↓ Embedding ↓ 向量库 Elasticsearch这样用户提问时就可以先检索企业知识再把相关内容交给 LLM。七、为什么要“向量 关键词”混合检索单纯向量检索擅长理解“语义相似”。例如“怎么修改员工银行卡”即使知识库写的是“员工银行账户变更流程”向量检索也可能把它们匹配起来。但企业场景中还有大量 编号、合同号、产品编码、专业术语、固定名称这些内容有时候关键词匹配反而更可靠。所以实际项目常见向量检索 关键词检索ES ↓ 融合召回 ↓ Rerank 重排 ↓ Top K 文档 ↓ LLM 生成答案核心价值同时兼顾语义理解能力和精确匹配能力。八、Agentic RAG从“检索一次”升级到“智能检索”传统 RAG 往往是问题 → 检索 → 回答但复杂问题可能需要多次搜索、改写问题、判断结果是否足够。Agentic RAG 更像问题 ↓ Agent 判断问题类型 ↓ 决定检索策略 ↓ 第一次检索 ↓ 判断信息是否足够 ↓ 不够 → 改写问题 → 再检索 ↓ 整理证据 ↓ 最终回答这也是为什么 RAG 和 Agent 会越来越紧密地结合。九、Neo4j 知识图谱解决“关系型复杂问题”向量检索适合“找相似内容”但不一定擅长复杂关系推理。例如A 公司旗下有哪些项目这些项目分别由谁负责负责人所在部门又是什么这类问题天然适合图谱公司 A ↓ 项目 B ↓ 负责人 C ↓ 部门 DNeo4j 的核心价值就是把实体和实体之间的关系结构化。当问题需要跨多个实体和关系进行推理时可以做多跳检索 / 多跳推理。十、多模态文档解析RAG 不只是“读文本”企业文档经常不是纯文本而是PDFWordExcelPPT图片扫描件表格图表因此知识库建设不能只考虑“文本切块”还需要处理图片、表格和版面结构。这就是 多模态文档解析 的价值复杂文档 ↓ 解析文字 / 图片 / 表格 / 结构 ↓ 统一内容表示 ↓ 进入知识库它直接决定后续 RAG 能不能真正“读懂企业资料”。十一、Redis Mem0Agent 为什么需要 MemoryAgent 的“记忆”通常可以拆成两层。Redis短期记忆Redis 很适合保存当前会话中的临时状态例如最近几轮对话 当前任务状态 Agent 当前步骤 临时缓存特点是快适合高频读写。Mem0长期记忆长期记忆解决的是“这个用户过去告诉过我什么”例如用户偏好中文 用户负责某个项目 用户之前选择过某种方案之后再次对话Agent 可以利用这些信息。所以可以简单理解为Redis 管当前Mem0 管长期。十二、PostgreSQL业务数据的“主数据库”Agent 系统并不是所有数据都应该塞进向量库。业务数据依然需要传统数据库例如用户 角色 部门 订单 项目 权限 会话记录 Agent 任务PostgreSQL 更适合保存结构化、事务型数据。一个典型 Agent 系统往往是PostgreSQL → 业务数据 ES → 关键词搜索 Vector DB → 语义搜索 Neo4j → 关系推理 Redis → 缓存 / 短期状态 MinIO → 原始文件 Mem0 → 长期记忆重点不是“数据库越多越好”而是不同数据使用不同存储模型。十三、Elasticsearch让企业知识“搜得准”Elasticsearch 在这个项目中主要承担全文检索、关键词搜索等职责。特别适合精确关键词编号 / ID专业术语全文搜索高亮与过滤当它和向量检索结合时就形成了常见的 Hybrid Search混合检索。十四、MinIO文件到底放在哪里用户上传 PDF、Word、图片等原始资料后一般不会直接把整个文件塞进 PostgreSQL 或向量库。更合理的方式是原始文件 ↓ MinIO ↓ 文档解析 ↓ Markdown / Chunk ↓ 向量索引 ES 索引所以 MinIO 解决的是“原始文件怎么保存”而向量库 / ES 解决的是“文件内容怎么被检索”十五、MCPAgent 连接外部世界的“接口规范”MCP 可以理解成一套让模型 / Agent 更方便连接外部工具和数据源的协议机制。例如 Agent 可以通过统一方式访问数据库 文件系统 搜索 业务 API 第三方服务 内部工具它的价值不是“替代所有工具”而是让 模型、Agent 和外部能力之间的连接更加标准化。对于 Agent 工程师来说需要理解MCP ServerMCP ClientToolResourcePrompt以及它们在 Agent 架构中的位置。十六、LangChain / LangGraph / AutoGen / Qwen-Agent / ADK这些框架有什么区别岗位要求“熟悉任意一种”其实释放了一个重要信号招聘方更看重 Agent 原理和工程能力而不是要求你死记某个框架。LangChain提供 LLM、Prompt、Tool、Retriever 等基础组件适合快速搭建 LLM 应用。LangGraph更强调 Agent 的状态、节点、边和工作流适合复杂、多步骤、可控的 Agent。AutoGen强调多 Agent 协作让不同角色的 Agent 分工完成任务。Qwen-Agent围绕 Qwen 生态提供 Agent 能力和工具调用能力。ADK更偏向 Agent 应用开发框架帮助开发者组织 Agent、工具与运行流程。真正需要掌握的是这些共同概念Agent ↓ State ↓ Memory ↓ Tool ↓ Plan ↓ Action ↓ Observation ↓ Final Answer十七、ReAct CoTAgent 为什么会“先想再做”岗位中提到 ReAct 和 CoT核心是理解模型如何完成复杂任务。CoTChain of Thought强调分步骤进行推理把复杂问题拆成多个中间步骤。ReAct更关注Reason → Act → Observe → Reason → Act也就是思考 ↓ 决定调用搜索工具 ↓ 获得结果 ↓ 再次判断 ↓ 调用另一个工具 ↓ 最终回答这就是 Agent 和普通 Chatbot 的一个关键区别Agent 不只是生成文本还会根据中间结果决定下一步行动。十八、RBAC企业 Agent 必须解决“谁能看什么”企业知识库和普通聊天机器人最大的区别之一是权限。例如员工 A → 只能访问部门资料 员工 B → 可以访问项目资料 管理员 → 可以访问全部资料因此 RAG 检索前就需要做权限控制用户身份 ↓ 角色 / 部门 / 权限 ↓ 过滤可访问的数据 ↓ 检索 ↓ 生成答案这意味着 企业 Agent ≠ 一个简单的聊天窗口而是一个具备身份、权限和业务规则的系统。十九、LangSmith LangFuse为什么 Agent 一定要“可观测”Agent 出问题时单看最终答案通常不够。你还需要知道用户问了什么 ↓ Agent 怎么规划 ↓ 调用了哪个 Tool ↓ 检索了哪些文档 ↓ 用了多少 Token ↓ LLM 返回了什么 ↓ 最终答案是什么LangSmith、LangFuse 这类工具就是为了记录和分析完整链路。可以关注Trace / 调用链路PromptToken 消耗LatencyTool 调用检索结果最终输出失败原因评估指标没有可观测性Agent 很难真正进入生产环境。二十、Claude Code / Codex / CursorAI Agent 工程师也要会“用 AI 写代码”岗位里特别提到 Vibe Coding以及 Claude Code、Codex、Cursor 等工具。这说明现在的 Agent 工程师不只是“开发 Agent”本身也需要具备 AI Coding 能力。典型工作方式已经从需求 → 手写代码逐渐变成需求分析 ↓ AI 辅助设计 ↓ AI 生成代码 ↓ 开发者 Review ↓ 运行测试 ↓ AI 辅助定位问题 ↓ 人工最终确认但真正重要的能力依然是工程基本功架构、代码质量、调试、测试和安全。二十一、把这些技术串起来一个完整 Agent 项目是什么样结合截图中的项目思路可以抽象成下面这套架构┌──────────────┐ │ 用户 │ └──────┬───────┘ ↓ ┌──────────────┐ │ Agent API │ │ FastAPI │ └──────┬───────┘ ↓ ┌────────────────────┐ │ Agent / LangGraph │ │ Plan / Memory / │ │ Tools / Action │ └───────┬────────────┘ ↓ ┌────────────────┼────────────────┐ ↓ ↓ ↓ RAG 检索 Memory Tools / MCP ↓ ↓ ↓ 向量 ES Rerank Redis Mem0 业务 API / DB ↓ Neo4j 多跳推理 ↓ └──────────────┬─────────────────┘ ↓ LLM GPT / Gemini / Qwen / DeepSeek 等 ↓ 最终回答 ↓ LangSmith / LangFuse Trace Eval Monitor二十二、从这份岗位要求可以看出招聘方真正想要什么把所有技术名词剥掉以后实际上就是 6 项核心能力① 会把大模型接进业务不是只会调 API而是知道模型如何进入真实业务流程。② 会做 RAG知道文档怎么进知识库、怎么切块、怎么 Embedding、怎么检索、怎么重排。③ 会做 Agent能设计 Plan、Memory、Tool、Action并处理多步骤任务。④ 会处理复杂企业数据知道什么时候用 PostgreSQL、什么时候用 ES、什么时候用向量检索、什么时候使用 Neo4j。⑤ 会做企业级工程化包括权限、异步、高并发、服务化、稳定性、安全和监控。⑥ 会借助 AI 提升研发效率熟悉 Claude Code、Codex、Cursor 等 AI Coding 工具同时保持开发者自己的架构、调试和代码审查能力。学习重点不是“背技术名词”而是最终能够独立回答这几个问题数据从哪里来模型为什么能找到正确知识模型为什么会调用这个工具Agent 为什么会记住用户权限怎么控制答错以后怎么定位问题并持续优化如果这 5 个问题都能讲清楚你对 Agent 的理解就已经从“会调用模型”进入到了“会设计智能系统”。结语这份岗位描述背后的技术栈看起来很复杂但其实可以浓缩成一句话LLM 负责理解与生成RAG 负责补充知识Memory 负责记忆Agent 负责规划和行动数据库负责存储MCP 负责连接工具Observability可观测性 负责让整个系统可控、可调、可优化。真正的 AI Agent 开发核心不是某一个框架而是把这些能力组合起来形成一套能够解决真实业务问题的系统。对于想从前端、后端或者传统开发转向 AI Agent 的工程师来说理解这套“能力地图”比单独记住几十个框架名词更重要。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。
