AgentGuide

Agent = Harness + Model

对标 JavaGuide 的 AI Agent 学习指南
从入门到拿 Offer，系统化 + 实战化 + 求职导向

💡 核心理念

📌 本项目定位：资源整合 + 系统化路径 + 实战导向

🎯 我们的原则：

• ✅ 站在巨人的肩膀上 - 互联网已有的优质资源（课程、教程、论文），我们直接引用，不重复造轮子
• ✅ 只分享干货 - （坚持更新中，欢迎催更）
• ✅ 提供系统化路径 - 将碎片化资源串联成完整学习路线，告诉你先学什么、再学什么
• ✅ 求职导向 - 每个知识点都标注"面试怎么考"、"简历怎么写"

💪 AgentGuide 的独特价值：不是简单的资源堆砌，而是系统化 + 求职导向 + 实战验证的完整解决方案！

🧭 按目标进入

📚 查看完整文档导航

前沿研究：Follow RSI

Follow RSI 是我维护的递归自我改进（RSI）进展追踪与 Harness 自进化证据库，重点关注 Agent 如何根据执行反馈改进可复用的提示、工具、技能与工作流。读论文时一起看留出集、同预算对照、跨模型迁移和代码等证据；未知项保留未知，新发现经人工审核后进入公开动态。

• 进入 Follow RSI 网站：查论文、证据卡片与阅读路线。
• 先读《为什么 AI 还不会自我进化》：从评测与泛化问题理解自进化的边界。
• Follow RSI GitHub 仓库：Star 收藏，查看资料与审核记录。

📑 目录

🎯 核心内容：

• 💡 关于本项目 - Agent开发指南、转行大模型、高级RAG、大模型面试
• 🆕 求职新范式 - 1-2-5框架、个人品牌、投递策略
• 🧭 Agent 求职通关 Todo List - 当前优先级、8阶段学习产出、项目落地5步法
• 🚦 6步学习路径 - 从岗位选择到拿Offer
• 🔬 算法岗 vs 🛠️ 开发岗 - 岗位选择决策树
• 📚 学习路线图 - 算法岗10-15周 | 开发岗8-12周
• 💼 实战项目 - 开源优质项目合集 + Agent 项目
• 📖 技术教程 - LangGraph、RAG、上下文工程、监督微调、强化学习
• 🎯 面试题库 - 1500+题/面经、系统设计、编程题
• 🔥 2026 前沿面试专题 - 自进化 Agent、Agentic RL、AI Infra、Coding Agent、世界模型、图像/语音生成

🛠️ 快速导航：

• Follow RSI：Harness 自进化证据库 · 先读深度解读
• ⭐ 阿东作品推荐：learn-workbuddy - 从 0 搭建 WorkBuddy-style Desktop Agent Harness，clean-room 教学复现 Agent Loop、工具调用、上下文工程、长期记忆、Sidecar、权限审计和真实模型评测
• 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
• 🧭 新手快速开始 | 📚 完整文档导航 | 💼 项目导航

📖 关于本项目

3 分钟了解为什么你需要 AgentGuide

🧭 你可能正卡在这些地方

• 会调用模型、也接过工具，但 Agent 一跑长任务就早停、循环、丢状态，出了问题不知道怎么定位
• LangGraph、OpenAI Agents SDK、MCP、Skills、Multi-Agent 概念很多，却缺少一张完整的系统架构图
• Context、Memory、Tools、权限、Sandbox、Trace 混在一起，Demo 能跑，离可靠系统还很远
• RAG 做过基础问答，但复杂文档、多模态、引用溯源、评测集与线上观测没有形成闭环
• 项目只有功能截图，没有基线、指标、失败分析和工程取舍，简历写不实，面试经不起追问
• 想进入 Agent 方向，却不清楚开发岗、算法岗、Agentic RL 和前沿研究分别需要什么能力与作品
• 论文、框架和开源项目更新太快，不知道哪些值得学、先做什么、如何沉淀成可验证成果

AgentGuide 是什么？

AI Agent 工程、研究与求职的开源知识库

AgentGuide 围绕 “做得出、跑得稳、测得准、讲得清” 组织内容，不绑定单一框架，也不止于资源收藏：

• Agent 系统与 Harness：Agent Loop、Workflow / Agent / Multi-Agent 边界、状态、调度、权限与运行时
• Context Engineering 与 Memory：上下文分层、检索、压缩、长期记忆、Prompt Cache 与成本优化
• Tools 与协议生态：Tool Schema、MCP、Skills、A2A / ACP、Browser / Computer Use 与 Sandbox
• RAG 与知识系统：文档解析、Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Multimodal RAG 与引用溯源
• Eval、Observability 与 Safety：评测集、Trace / Replay、LLM-as-a-Judge、红队、HITL 与生产可靠性
• Post-training 与 Agentic RL：SFT、DPO / GRPO、轨迹数据、Reward / Verifier、长程信用分配与环境构建
• 项目、研究与求职：可复现实战、开源项目、前沿论文、实验设计、简历表达、系统设计与面试题库

🗺️ AgentGuide 在 LLM 生态中的定位

我们覆盖 AI Agent 开发的完整技术栈 - 从模型微调到应用部署的全流程：

_{Agent Infra Landscape 2026 · 图中署名：Ant Open Source / Ant Inclusion AI}

📌 AgentGuide 涵盖的核心技术栈（2026 版）：

💡 AgentGuide 的完整覆盖：

🔬 算法工程师路径：

• Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略
• RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回
• Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测

🛠️ 开发工程师路径：

• Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制
• 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装
• 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队

🔀 通吃型路径：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。

🎯 适合人群

求职目标：

• ✅ AI Agent 算法工程师 | AI Agent 开发工程师 | RAG 系统工程师
• ✅ LLM 应用工程师 | 大模型工程师 | 多模态算法工程师

学习需求：

• ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills
• ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness
• ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧

🌟 AgentGuide 的 6 大核心价值

🎁 学完 AgentGuide，你能获得什么？

从“会调用模型”到“能设计、实现、评测并讲清一个可靠的 Agent 系统”

✅ 【架构认知】分清 Chatbot、Workflow、Agent 与 Multi-Agent，理解 Agent Loop 和 Harness
✅ 【工程能力】掌握 LangGraph / OpenAI Agents SDK、Context Engineering、Memory、Tools、MCP 与 Skills
✅ 【RAG 能力】能设计 Hybrid Retrieval、Rerank、引用溯源、GraphRAG、Agentic RAG 与 Multimodal RAG
✅ 【可靠性】会构建 Eval Set、Trace / Replay、LLM-as-a-Judge、Sandbox、HITL、权限和成本控制
✅ 【训练认知】理解 SFT、DPO / GRPO、工具调用与轨迹数据合成、Reward / Verifier 的基本方法
✅ 【项目交付】完成 2-3 个可运行、可评测、可复现的项目，并写清架构、指标、取舍与失败分析
✅ 【面试表达】能围绕原理、系统设计、实验结果和工程权衡回答追问，而不是背“标准答案”
✅ 【求职路径】明确算法岗与开发岗能力差异，用项目、开源贡献和技术内容构建作品集

🚦 从零到Offer的完整路径（快速导航）

👋 新来的同学看这里！先看新范式，再按步骤执行，8-10周拿到Offer！

⚡ 重要提醒：

1. 一定要先完成"第一步"和"第二步" - 确定方向再学习！
2. "第四步"实战项目最重要 - 简历的核心竞争力！
3. 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！

🆕 求职新范式：做出什么 > 学过什么

⚡ 求职规则已经变了。2026年，HC:投递比约1:200，核心问题不再是"我够不够格"，而是"我用什么方式让自己被看见"。

1-2-5 求职框架

工具不再是壁垒，你用工具做出的东西才是。

旧方式 vs 新范式

个人品牌：让面试官主动找你

个人网站必备要素（免费部署：Vercel/GitHub Pages，5分钟上线）：

• 每个项目一个页面 + 在线可访问的demo链接
• 技术Blog：至少3篇有深度的原理解析
• 社区数据：GitHub Star数 / 真实用户数
• 时间线里程碑

简历项目描述公式：

❌ 「参与开发了一个AI客服系统」 ✅ 「基于LangGraph + MCP构建多Agent客服系统，工具调用成功率94%，响应时长从3.2s降至0.8s，日处理10万+对话」

投递策略：AI筛简历时代的人工突围

招聘方也在用AI筛简历——两个AI在对话，人的主动触达反而更稀缺。

核心目标公司（5-10家）走人工路线：

1. Boss/猎聘找具体的Hiring Manager或Team Lead
2. 提前关注他们的开源项目/技术Blog
3. 带着具体问题主动联系（不是「请问还招人吗？」）
4. 目标：一个warm intro，不是冷申请

时机窗口： 3-6月提前批竞争烈度比8-9月低30-40%，往往是真正的机会窗口。

说几句实话

• 语言不是门槛，设计才是。 Python/TypeScript AI都能帮你写。但Agent状态机怎么设计、Memory何时截断、工具调用失败如何fallback——这些必须你自己想清楚、讲明白。
• AI工具人人都有，判断力才是壁垒。 会用Cursor写代码不算竞争力。当AI给你一个错误的Agent设计，你能30秒内发现并说清楚为什么错——这才是L5和L3的分水岭。
• 分享即异步面试。 一篇深度Blog、一个有Star的仓库，相当于提前通过了一轮面试。
• 拿结果说话。 不是"我学过LangChain"，是"我用LangGraph做了一个有300个真实用户的工具"。

新增优质资源

核验日期表示已访问上游并核对项目定位，不代表运行过全部示例。具体范围与版本限制见资源核验记录；其他未标注日期的外链视为未核验。

后续实践重点：在 Superpowers 的 Skills 工作流基础上，我将重点使用 grill-me / grilling 系列 Skills。它们会一次只追问一个问题，逐项压测计划、决策与设计中的假设、依赖、边界和取舍；达成共同理解后，再进入实现。

🧭 Agent 求职通关 Todo List（新增）

不是链接收藏夹，是可以照着执行的 todo list。

目标很简单：从“我学过什么”，推进到“我做出了什么、怎么验证、怎么写进简历、怎么讲给面试官听”。

• 完整路线：2026 Agent 求职通关路线
• 项目落地方法：如何落地一个可写进简历的 Agent 项目
• 工程核心专题：Agent Harness Engineering

How To Use

What To Learn Now

Agent 方向变化很快，当前更值得投入的是能落地、能验证、能讲清楚取舍的工程能力：

8 阶段学习产出

项目落地 5 步法

1. 建立全局认知：先搞清楚目标项目的 agent loop、tool registry、context 拼装、memory、channel 抽象。
2. 准备 AI 编程环境：沉淀 CLAUDE.md / AGENTS.md、需求规格、实现计划和跨会话 todo。
3. 建立项目理解 Skill：把项目结构、关键模块、测试方式写成可复用的项目理解文档。
4. 先写 Spec，再写代码：明确目标用户、工具列表、权限策略、失败处理、成本约束、成功标准。
5. 评测 + 归因 + 消融实验：记录通过率、失败原因、工具调用次数、成本、延迟，把结果写进简历。

面试深水区

面试不只问“会不会 LangChain”，更会追问你有没有真正写过能跑的 Agent：

• Agent Loop：observe → think → act → observe，最大步数、停止条件、错误恢复、HITL 怎么设计？
• Context + Cost Engineering：上下文分层、压缩、缓存友好结构、模型路由、token 成本怎么降？
• Tool Design：工具命名、description、schema、分页截断、权限分级、工具选错怎么修？
• Memory System：working / episodic / semantic memory，什么值得存、怎么召回、什么时候遗忘？
• Eval + Governance：component / trajectory / end-to-end eval，golden dataset 怎么来，trace 怎么审计？
• Reliability Engineering：idempotency、timeout、retry、cost guard、permission tier、observability 六件套。

简历三维表达法

不要只写“基于大模型实现智能问答”。一个 Agent 项目要从三维表达：

示例：

基于轻量 Agent Harness 构建垂直场景助手，使用 ReAct loop + dispatch 表注册 5 个业务工具，四层分级 context 管理 system / long-term / short-term / turn 信息；高风险操作接入三级权限确认，20 条评测 case 端到端通过率 82%，通过上下文压缩和模型路由将 token 成本降低 60%。

🎯 第一步：确定你的目标岗位

核心理念：选择 > 努力！选对方向，事半功倍！

🤔 AI Agent 岗位的两条主线

在大模型时代，Agent 方向的岗位主要分为两条线：

🎯 你应该选哪条线？

├─ 数学/理论强 + 喜欢钻研原理 + 有论文发表
│   → 【算法工程师线】
│   
│   细分方向选择：
│   ├─ 想优化 Agent 算法 → Agent 算法工程师（Memory优化、规划策略）
│   ├─ 想优化 RAG 算法 → RAG 算法工程师（检索策略、Reranker）
│   └─ 想改进模型本身 → 模型算法工程师（Reasoning、对齐）
│
└─ 工程能力强 + 喜欢做系统 + 注重落地
    → 【开发工程师线】
    
    细分方向选择：
    ├─ 想做业务应用 → Agent 应用开发（RAG系统、RPA、智能客服）⭐ 推荐
    ├─ 想做基础设施 → AI Infra 开发（推理部署、训练平台）
    └─ 想做产品化 → AI 应用开发（前端集成、产品化）

🎯 技术方向细分（重要！）

📖 完整技术方向详解：转行大模型热门方向准备指南

💡 新手建议：优先选择上下文工程开发（RAG/Agent 系统），岗位最多、最易落地

💡 第二步：拿Offer的方法论

不同岗位，完全不同的准备策略！

🔬 算法工程师 - 如何准备？

【Agentic RAG 策略优化】
- 问题：多跳推理场景召回率低（实验测得62%）
- 方法：提出基于RL的子图采样算法，优化路径排序策略
- 实验：在KGQA数据集上F1提升12%，对比5种baseline
        消融实验：RL策略贡献8%，路径排序贡献4%
- 产出：论文在投EMNLP（一作），代码开源300+ stars
- 技能：强化学习、图神经网络、知识图谱

🛠️ 开发工程师 - 如何准备？

【企业级 Agent 自动化系统】
- 背景：客服部门日均5000+重复工单，人力成本高
- 技术：LangChain + WebShaper + Mem0
        多Agent协同（规划Agent、执行Agent、审核Agent）
        集成20+工具（数据库、API、浏览器操作）
- 优化：异常重试机制，成功率从70%→95%
        并发处理，吞吐量提升5倍
- 成果：自动化率80%，效率提升3倍
        节省人力成本200万/年，获部门最佳项目奖
- 技能：Agent开发、工具集成、系统监控

🔀 通吃策略 - 如何准备？（⭐ 最推荐）

项目1：算法创新型 🔬
  → 体现算法能力：Agent Memory优化 / Agentic RAG策略
  → 关键词：论文、实验、开源
  
项目2：系统落地型 🛠️
  → 体现工程能力：完整RAG系统 / Multi-Agent应用
  → 关键词：业务指标、性能优化、上线
  
项目3：微调/训练型（加分项）
  → 体现训练能力：Function Call微调 / RLHF
  → 关键词：多少卡、参数设置、训练稳定性

📚 第三步：基于岗位的学习路线

根据你在"第一步"的选择，选择对应的学习路线

🎯 快速导航

🚀 新手推荐：

• 📘 AgentGuide开源学习路线（简易版） - 从零到Offer完整路径，8-15周系统化学习方案，包含完整资源清单 ⭐⭐⭐

🔬 算法 / 具身方向新增：

• 🧠 前沿算法岗位完整学习指南 - 覆盖算法岗从工程基础、模型训练、RAG/Agent、多模态到推理部署的完整能力栈
• 🤖 具身智能与 VLA 完整学习指南 - 面向 VLA/机器人岗位的多模态、动作建模、仿真、Sim2Real 与数据闭环路线

📋 详细路线（按岗位分）：

🗺️ 选择你的学习路线

🗺️ 通用学习流程图

graph TD
    A[开始学习 AI Agent] --> B{你的背景是什么?}
    
    B -->|算法/研究背景| C[第一部分: 核心理论<br/>深入理解 Agent 原理]
    B -->|开发/工程背景| D[第二部分: 核心技术栈<br/>快速上手开发框架]
    
    C --> E[第二部分: 核心技术栈<br/>掌握工具和框架]
    D --> F[第一部分: 核心理论<br/>补充理论基础]
    
    E --> G[第三部分: 系统设计与实战<br/>完成简历项目]
    F --> G
    
    G --> H[第四部分: 面试指南<br/>准备求职]
    
    H --> I{目标岗位?}
    
    I -->|算法工程师| J[强化: 论文复现 + 实验设计<br/>准备算法面试题]
    I -->|开发工程师| K[强化: 系统架构 + 性能优化<br/>准备系统设计题]
    I -->|全栈 Agent 工程师| L[双线并进<br/>准备两类面试]
    
    J --> M[投递简历 + 面试]
    K --> M
    L --> M

⏱️ 学习时间概览

💡 建议：点击上面的"查看详细路线图"，获取每日学习计划和详细任务清单

💼 第四步：完成实战项目（可写进简历）

这是最重要的一步！没有项目，一切都是空谈！

AgentGuide 提供 简历级实战项目，每个项目都提供：

• ✅ 完整的代码实现
• ✅ 系统架构设计
• ✅ 算法岗和开发岗两种简历写法
• ✅ 面试时如何讲解

👉 直接跳转到实战项目：点击这里查看项目

🎓 第五步：系统学习 Agent 技术（技术准备）

💡 学习目标：掌握 Agent 开发完整技术栈，从理论到实战全覆盖
🔬 算法岗重点：深入理解原理，能推导公式，关注创新点
🛠️ 开发岗重点：熟练使用框架，快速实现功能，注重工程化

📊 技术能力四层模型

我们将 Agent 技术划分为四大能力层级，每个层级对应不同的学习模块：

📑 内容导航

🔰 L1-基础认知层详解

学习时长：1-2 周 | 难度：⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 理解 Agent 的本质定义与核心组件
• ✅ 掌握 Transformer 架构与大模型基础
• ✅ 了解 Agent 技术发展历程与未来趋势

📚 学习内容

🛠️ L2-开发实现层详解

学习时长：3-4 周 | 难度：⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 手撕核心 Agent 架构（ReAct、Plan-Solve、Reflexion）
• ✅ 掌握主流开发框架（LangChain、AutoGen、AgentScope）
• ✅ 能够独立搭建完整的 Agent 系统

🔨 实操内容

🚀 L3-高阶优化层详解

学习时长：4-5 周 | 难度：⭐⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐

🎯 阶段目标

• ✅ 掌握 RAG 全栈技术（数据处理、检索优化、高级 RAG）
• ✅ 精通上下文工程（Context Engineering 2.0）
• ✅ 理解 Agent 评估体系与微调方法

💡 高级技术

🛡️ 生产级系统设计（工程化实践）

高可用架构设计

• 缓存策略（Semantic Cache、KV Cache）
• 异步任务队列与重试机制
• 降级与熔断

可观测性（Observability）

• LangSmith/LangFuse 链路追踪
• 成本监控与 Token 审计
• 性能分析与优化

安全性（Security）

• Prompt 注入防御
• 权限控制与沙盒隔离
• 人机协作边界（Human-in-the-loop）

📖 安全性指南

💼 简历级实战项目 🚀

💡 学习目标：掌握复杂 Multi-Agent 系统设计，完成可写进简历的高质量项目
⏱️ 学习时长：3-4 周 | 难度：⭐⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐（简历核心）

🎯 核心收获

• ✅ 掌握复杂 Multi-Agent 系统设计
• ✅ 理解生产级系统的工程化实践
• ✅ 完成可写进简历的高质量项目

🎨 简历级实战项目详解

每个项目都提供完整代码 + 算法岗/开发岗双版本简历写法

🎯 简历项目详细教程

【Agentic RAG 策略优化】
- 问题：传统RAG召回率仅65%
- 方法：基于ReAct框架设计自主
  规划检索策略，引入多跳推理
- 实验：召回准确率提升至85%
  消融实验：规划策略贡献12%
- 产出：论文在投，代码开源

【高可用论文分析系统】
- 背景：研究员日均检索50+论文
- 技术：LangChain + Milvus + Redis
  混合检索策略 + 缓存优化
- 优化：P99延迟2s→300ms
  API成本降低70%
- 成果：服务20+研究员，日均
  500+查询，满意度95%

💼 第六步：面试准备与 Offer 冲刺

💡 学习目标：系统准备面试，提升 Offer 成功率
📝 两条线不同的面试策略：算法岗讲创新，开发岗讲价值

📚 完整面试题库（1500+题/面经）🔥 全面升级

🎯 题库特色：

• ✅ 完整覆盖 LLM/VLM/RLHF/RAG/Agent 全技术栈
• ✅ 包含美团、字节、阿里、DeepSeek等一线大厂真题
• ✅ 难度分级 + 公司来源标注 + 考点分析
• ✅ 区分算法岗/开发岗重点，覆盖最新技术（DeepSeek-V3/R1）

📖 核心通用题库（两个岗位都需要）

🎯 岗位专项题库（针对性强化）

• 🔬 算法岗专项 - 算法创新/推导/实验/论文 45题
• 🛠️ 开发岗专项 - 系统设计/工程实践/选型/落地 45题

🏢 真实面经与进阶

• 🧭 面试与求职总导航 - 按岗位选择题库，提供 7/21/42 天备考节奏与项目证据清单
• 🔥 2026 AI 前沿面试专题 🆕 - 自进化 Agent、Agentic RL、AI Infra、数据评测、Coding Agent、世界模型、图像/语音生成、项目深挖
• 📋 大厂真实面经 - 美团/字节/阿里等16个完整案例
• 🧭 AI Agent 面试备战手册合集 - Memory、Skills、Harness、评估、数据合成、源码分析与项目话术
• 📚 1000篇小红书AI算法岗面经：难度递增整合版 🆕 - 按编程、ML/DL、RAG/Agent、多模态、系统设计等难度递增整理
• 📊 模型评估专题 - BLEU/ROUGE、基准测试、LLM-as-Judge 10题
• 🔮 前景与趋势 - AGI、多模态、世界模型等开放讨论 9题
• 💬 开放性讨论 - 技术判断、学习建议、核心素质 8题

💡 题库使用建议

第一阶段（2-3周）：系统学习
  ├─ 01-理论基础题（LLM/VLM/RLHF）→ 打基础
  ├─ 02-RAG系统题 → 掌握检索技术
  └─ 03-Agent核心题（Q1-Q13）→ 理解Agent原理

第二阶段（2-3周）：深入强化
  ├─ 03-Agent系统题（Q14-Q52）→ 工程实践
  ├─ 05/06-岗位专项 → 针对性准备
  └─ 04-编程实战题 → 手撕代码

第三阶段（1-2周）：冲刺突破
  ├─ 12-真实面经 → 模拟完整面试
  ├─ 13-模型评估 → 掌握评估方法
  └─ 14/15-开放讨论 → 展示思维深度

求职软技能

• 📝 简历编写指南 - AI Agent 项目简历公式、双岗写法与自检脚本
• 🎤 项目讲述技巧 - STAR+Tech 项目表达、追问地图与复盘模板
• ⭐ 转行大模型指南
• ⭐ 秋招完整攻略

📄 专业简历模板（新增⭐）

🎨 开源 LaTeX 简历模板 - 专为转行大模型设计

面试软技能（新增⭐）

• ⭐ 校招生谈薪实用指南 - 3大原则、话术模板
• ⭐ HR面试完全攻略 - 10大高频问题应对
• ⭐ 秋招心态调整指南 - 保持好心态拿Offer

4.3 核心资源精选（按方向分类）

📌 只推荐面试会考、项目会用的核心资源！

🤖 Agent 方向：

• Agent 资源总览 📂 - Agent 所有资源导航
  • Agent 框架对比 - 5个核心框架
  • Memory 模块 - 4个记忆系统
  • Tool Use - 工具调用
  • GUI Agent - AppAgent、SeeAct、WebArena 等界面操作资源
  • 核心论文 - 必读论文

📊 RAG 方向：

• RAG 资源总览 📂 - RAG 所有资源导航
  • 向量数据库 - 5个核心向量库
  • 文档解析 - 5个解析工具
  • 完整项目汇总 - 150+个RAG开源项目 🆕
  • Agentic RAG 论文 - 智能体驱动的检索与研究
  • 核心论文 - 必读论文

🛠️ 通用工具：

• 开发者工具箱 - Cursor、元宝、Excalidraw
• 开发框架总览 - 快速框架对比

🎨 推荐可视化学习资源：

• 📊 100+ LLM/RL 算法原理图 - 《大模型算法：强化学习、微调与对齐》作者巨献
  • 涵盖内容：Transformer架构、注意力机制、SFT微调、LoRA/QLoRA、DPO/PPO/GRPO、RLHF全流程、逻辑推理优化等
  • 适合人群：算法岗必看！通过100+原创原理图深入理解大模型算法的数学原理和实现细节
  • 配套书籍：《大模型算法：强化学习、微调与对齐》

🌟 需要更全面的 LLM 资源？
👉 查看作者的另一个项目：Awesome-Awesome-LLMs （涵盖训练、推理、多模态、Infra 等 LLM 全栈 200+ Awesome 系列资源）

🚀 快速开始

1️⃣ 如果你是算法背景（10 分钟快速入门）

# 第一步：理解 Agent 是什么
阅读：docs/01-theory/01-what-is-agent.md

# 第二步：学习核心框架 ReAct
阅读：docs/01-theory/04-react-framework.md

2️⃣ 如果你是开发背景（10 分钟快速入门）

# 第一步：理解 Agent 核心概念
阅读：docs/01-theory/01-what-is-agent.md

🤝 如何贡献

AgentGuide 是一个完全开源的项目，非常欢迎你的贡献！

贡献方式

1. 内容贡献：完善文档、补充案例、纠正错误
2. 代码贡献：优化示例代码、添加新的实战项目
3. 翻译贡献：帮助翻译成英文版，让更多人受益
4. 问题反馈：发现问题？请提 Issue

贡献流程

1. Fork 本仓库
2. 创建你的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交你的修改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 提交 Pull Request

详细贡献指南请参考：CONTRIBUTING.md

许可与转载

原创文档采用 CC BY 4.0，原创代码（含文档内原创代码示例）采用 MIT。转载或改编文档时请署名、链接原文及许可并注明修改；复制代码时保留版权和许可声明。

第三方论文、图片、引用材料及未明确授权的历史外部贡献不自动纳入上述许可。具体范围与署名示例见 LICENSING.md。

📬 联系作者 & 加入社群

👨‍💻 关于作者

我是阿东，一线大模型算法工程师

• 🎓 技术背景：专注 AI、RAG、LLM 应用方向
• 📝 内容创作：全网 5w+ 粉丝，持续分享 AI 技术与求职经验
• 🚀 开源贡献：多个 AI 相关开源项目维护者

🌐 在这些平台找到我

💬 加入 AI Agent 学习社群

为什么要加入社群？

• ✅ 每周技术分享：Agent 最新论文解读、工程实践经验
• ✅ 简历面试辅导：免费简历诊断、模拟面试、内推机会
• ✅ 问题实时答疑：技术问题、求职困惑，随时提问
• ✅ 学习小组：组队学习 AgentGuide，互相监督，共同进步
• ✅ 行业资源：大厂内推信息、技术资料、论文分享

如何加入？

1. 关注公众号「阿东玩AI」，回复「AgentGuide」获取入群二维码
2. 小红书@阿东玩AI，私信"加群"

GitHub Issues 仅用于可复现的仓库问题和有明确交付物的核心改进，不处理加群申请。

🎁 社群福利：Agent 学习路线图 PDF + 面试题库 + 项目代码模板 + 大厂内推机会

⭐ 如果这个项目对你有帮助

请考虑支持一下：

• ⭐ Star 本仓库，让更多人看到
• 🔀 Fork 本仓库，开始你的学习之旅
• 📣 分享 给正在找 AI 工作的朋友
• 💬 反馈 你的建议和意见（提 Issue 或 PR）

你的每一个 Star 都是我持续更新的动力！🚀

📈 Star History