开学第一课：AI Agent 工程师做什么、两个月怎么学

今天要解决的问题

今天不写 Agent，先把方向对准。读完这一篇，你应该能做到这几件事：

1. 用两三句话跟朋友解释「AI Agent 工程师」是干什么的，和算法工程师、AI 产品经理、「AI 训练师」分别差在哪。
2. 打开一份招聘 JD，能看出它是真的 Agent 开发岗，还是挂名的客服岗、标注岗。
3. 知道这 60 天每周学什么、最后交出什么作品。
4. 把开发环境和 API 账号准备好，并且心里有数：整门课大概花多少钱。

预计用时：2 到 3 小时。其中一半时间花在「准备工作」那一节，装软件、注册账号、充值。

前置：会用至少一门编程语言写过真实项目（Java、Go、JS、PHP、C# 都行），会用命令行和 git。不需要会 Python，Day 2 会补；不需要懂机器学习，这门课不教。

这个岗位到底在干什么

先说一个我身边很常见的场景。一家做 SaaS 的公司，客服每天收几百张工单：「为什么我被扣了两次钱」「发票抬头怎么改」「导出报表时报错 E1023」。以前的做法是客服挨个看、去后台查订单、去帮助中心翻文档、再写回复。

Agent 工程师要做的，是写一个程序让大模型来干这件事。程序把工单交给模型，模型判断这是计费问题，于是调用「查订单」这个工具，拿到两条扣款记录，再调用「查退款政策」从知识库里检索出相关条款，最后起草一封回复，附上政策出处。如果需要退款，就停下来等客服点「批准」。

这里面模型只负责「想」：理解问题、决定下一步调用哪个工具、组织语言。真正去数据库查数据、去知识库检索、去执行退款的，全是你写的代码。所以这个岗位本质上是后端工程 + 大模型，不是做模型本身。

把日常工作拆开看，一个 Agent 工程师一周里大概会做这些事：设计工具（函数签名、描述、返回值怎么写模型才用得对）；写和调提示词；接知识库，做检索；用 LangGraph 之类的框架把流程编排起来；写 MCP server 把公司内部系统暴露给模型；建评测集，改一个提示词之后跑一遍看分数涨了还是跌了；看线上 trace，找出 Agent 在哪一步犯傻；控制成本和延迟；防 prompt injection，给危险操作加人工确认。

你会发现里面没有「训练模型」。确实没有。绝大多数公司用的是 DeepSeek、通义千问、Claude、GPT 这些现成模型的 API，最多做点轻量微调。会训模型的人有，但那是另一个岗位，门槛和人数都差一个量级。

和几个相近岗位的区别

招聘网站上带「AI」「Agent」「大模型」字样的岗位很多，名字很乱。我按实际干的活分成四类：

岗位	实际在干什么	要不要写代码	和这门课的关系
Agent 工程师 / 大模型应用工程师 / LLM 应用开发	用现成模型搭系统，工具、RAG、编排、评测、上线	大量写	就是这门课的目标
算法工程师（大模型方向）	训练、微调、对齐、做模型评测基准	大量写，偏研究	不教，门槛通常要求硕博
AI 产品经理 / Agent 产品经理	定义场景、设计流程、定指标	很少	能用到一部分（评测、流程设计）
「AI 训练师」/ 数据标注	给模型打分、写示范答案	不写	无关

具身智能 / 机器人是另一条线。 2026 年 Hugging Face 旗下 Pollen Robotics 的开源机器鸭 Microduck(25 厘米、15 个舵机、瑞芯微 RK3566 主控、售价 399 美元)很火,国内有人手搓复刻。它的「智能」是在 MuJoCo 仿真里用强化学习(PPO)训练出走路策略,再迁移到实机(sim2real),和这门课的 Agent(调用大模型 + 工具)是两套技术栈。招人的是机器人、硬件公司,要的是控制、仿真、强化学习和嵌入式。当爱好玩很好,但别把它当成 Agent 求职的作品。

还有一种要小心：标题写「AI Agent」，打开 JD 一看是「负责用 AI 工具回复客户咨询」或者「运营智能客服后台配置」。这是客服岗或运营岗。判断方法很简单，看 JD 里有没有出现 Python、API、RAG、function calling、LangChain/LangGraph、评测这类词。一个都没有的，基本就不是开发岗。

招聘方到底要什么

为了不凭印象说话，这门课开课前做了一次 JD 调研：2026 年 10 月 12 日一共抓了 880 条真实的 Agent 相关岗位。国内 695 条，来自字节、腾讯、百度、网易、美团、京东的招聘官网，智联招聘，V2EX，以及登录后抓取的 Boss 直聘 435 条和猎聘 140 条；海外 185 条（新加坡 52、香港 23、海外远程 46、美国本土 40、其他地区 24，来自 LinkedIn、Hacker News 招聘帖、新加坡政府职位库 MyCareersFuture，以及 OpenAI、Anthropic、Sierra、LangChain 等公司的公开招聘接口）。完整的拆解单独写成了一篇：880 条真实 JD 拆解。

技能比例只能算有正文的 JD：国内 334 条（大厂官网为主的 120 条，加上 Boss 和猎聘有正文的 214 条），海外 185 条。比例是用关键词匹配 JD 全文统计的，不是人工逐条标注，所以差几个百分点不说明问题，看大的差距就行。

技能	国内	海外
Python	65%	63%
LLM API / 工具调用	55%	39%
上下文工程 / 记忆	52%	25%
RAG / 检索	51%	54%
评测 Eval	48%	62%
Agent 框架（LangChain、LangGraph 等）	46%	36%
Prompt 工程	46%	46%
部署（Docker / K8s / 云）	39%	53%
多 Agent	37%	22%
SQL / 数据系统	31%	41%
Java	23%	10%
Go	23%	14%
熟练使用 Coding Agent（Claude Code、Cursor、Codex）	21%	15%
可观测 / Tracing	21%	31%
MCP	17%	16%

我从这份数据里读出来几件事。

评测是国内外共同的门槛。 国内 48%、海外 62% 的 JD 提到评测，国内大厂更高（56%）。腾讯一个 Agent Harness 岗位要求「每次 Prompt、模型、工具变更都有量化的收益与回归判定」，智联上一家郑州的公司要求候选人「能讲清上线后效果指标是多少、是怎么测出来的」。这门课 W5 整整一周讲评测，原因就在这。

国内更看重 Agent 内部机制。 上下文工程（52% 对 25%）、多 Agent（37% 对 22%）、工具调用（55% 对 39%），国内的比例都明显高于海外，大厂尤其明显。腾讯、美团、百度、字节好几个岗位的标题直接就叫「Agent Harness」「Agent Infra」。MCP 两边差不多，都在 16% 到 17%。海外的 JD 写得更抽象，更强调你能不能把东西交付上线、能不能和客户一起落地。

真实上线经验比框架名字值钱。 海外几乎每条都写「shipped to production」，国内中小公司常写「至少 1 个已上线的大模型应用项目，本人承担主要开发」。所以毕业项目要真的部署上线，不能只停留在本地 demo。

会用 Coding Agent 已经是明确要求。 国内 21% 的 JD（大厂是 26%）点名要熟练使用 Claude Code、Cursor 或 Codex，有的还写了「能把控生成代码的质量」，比海外的比例还高。Day 2 会专门讲怎么用它们学和写代码、怎么审查它们写出来的东西。

门槛结构。 国内主流要求 3 到 5 年（Boss 上占 31.5%，猎聘上占 43.6%）。学历上八成写本科，明确写硕士或博士的大约一成（Boss 列表 9.4%，猎聘 12.1%），集中在大厂和偏算法的岗位。海外年限中位数是 5 年，学历基本不提。

这份清单就是这门课的骨架。60 天里每一项都会动手做一遍，最后用一个毕业项目把它们串起来。

2026 年大概能拿多少钱

还是用同一次调研的数据。国内的数字来自 Boss 直聘和猎聘上 557 条带薪资的岗位：拿每条挂出来的月薪区间取中点，乘以薪数（没写按 12 薪）折成年包。这是招聘方的报价，不是成交价，区间上沿一般要很强的人才拿得到。

国内（Boss + 猎聘，557 条）	P25	中位	P75
全部	36 万	48 万	68 万
1–3 年	26 万	40 万	54 万
3–5 年	35 万	48 万	66 万
5–10 年	36 万	54 万	68 万

分城市，上海中位 54 万，深圳 48 万，北京 47 万，杭州 42 万。公司越大给得越多，万人以上的公司中位 57 万，20 人以下的 36 万。

海外的数字：

地区	有薪资的样本	中位数	范围
新加坡	MyCareersFuture 29 条	月薪 7,500–10,000 新币（年约 9–12 万新币）	月薪 3,000–21,667 新币
香港	LinkedIn 23 条，没有一条写薪资	无数据
海外远程	8 条	年薪 18 万–25 万美元	10 万–43 万美元
美国本土	26 条	年薪 19.8 万–33.5 万美元	15 万–44.5 万美元（另有股权）

这两张表有几处一定要读对。

国内一开始我只抓到智联上 24 条带薪资的，中位数折年才 24 万，那批大多是传统行业在招第一个 AI 工程师。补上 Boss 和猎聘之后，中位数翻了一倍。所以别拿某一个平台、某几条 JD 就下结论。大厂官网不写薪资，大厂的行情最靠谱的是问在里面的朋友。

新加坡的样本里外包和中介公司很多，所以中位数偏低。同在新加坡，TCS 的 LLM 岗月薪 3,000–5,000 新币，Shopee 的 Agent 方向岗位是 10,000–16,000，差了三倍。

海外远程的高薪看着诱人，但要看清限制：46 条远程岗里，限美国、加拿大或美洲的 18 条，限欧洲时区的 6 条，限其他特定国家的 8 条，没写清的 11 条，明确写「全球任意地点都可以」的只有 3 条。对身在中国境内的人来说，能拿美国薪资的远程 Agent 岗非常少。现实的路径是国内岗、新加坡或香港的岗位，或者以 contractor 身份接海外项目。

大的趋势有公开报告佐证。脉脉 2026 年 5 月发布的《2026 春招职场洞察报告》说，今年 1 到 4 月 AI 岗位新发量同比涨了 8.7 倍，新经济行业整体平均月薪 4.96 万元（这是所有新经济岗位的平均，不是 Agent 岗单独的数）。这些只能说明方向，不能直接拿来当你的报价。你最终能拿多少，更多取决于你原来的级别和城市，Agent 能力是在这个基础上往上加的部分。

这 60 天怎么安排

整门课按周组织，每周最后一天是复习日，复习日会给出这一周小项目的完整代码。小项目不是一次性的练习，它们会一块一块地拼进毕业项目里：W1 的模型客户端封装、W2 的 Agent 循环、W3 的知识库检索、W4 的 MCP 工具和工作流、W5 的评测、W6 的服务和部署。到了 W7 你不是从零开始，而是把前六周的零件组装、加固、包装。

毕业项目叫 SupportPilot，是给一家虚构的 SaaS 公司「云簿 CloudLedger」做的智能客服工单 Agent。选这个题有私心：客服、工单、知识库是国内 Agent 招聘里出现最多的落地场景，面试官一听就懂，而且它天然能把 RAG、工具调用、人工审批、评测全部用上。数据全部是自己造的，不涉及任何真实公司。

最后一周讲简历、面试题和找工作的渠道。另外给一个可选的第二作品，代码审查 Agent，一天能做出能用的版本。

每天怎么用这个站

每篇文章的结构都一样，建议按这个顺序走：

先读「今天要解决的问题」，知道今天的终点在哪。然后读正文，正文里嵌的视频不用全看，图注里会写看哪一段。接着做「动手练习」，这是一天里最重要的部分，代码一定要自己敲一遍跑起来，不要复制粘贴完就算了。我见过太多人看了三十个小时教程视频，面试让手写一个 Agent 循环写不出来。最后做「自测」，答案折叠着，先自己写再展开。

「学习资料」那一节是给有余力的人的：官方文档、B 站视频、其他经典视频、书、开源项目，每条都写了看哪部分、花多久。时间紧的话只看标了「必看」的。

这门课没有规定每天学几小时。有空就多学，没空就少学。但我的建议是每天至少写一点代码，哪怕半小时。连续性比单次时长重要。

关于「两个月」：如果你每天能投入四五个小时，两个月学完是现实的。如果只有周末，按自己的节奏走，三四个月学完也完全没问题，内容不会过期得那么快（虽然这个领域确实变得很快，每篇我都尽量写 2026 年的现状）。

准备工作

软件

需要装的东西不多：

• uv：Python 的项目和依赖管理工具，比 pip + venv 快很多，现在新项目基本都用它。装好 uv 之后它会帮你装 Python，不用另外去官网下。
• Git 和一个 GitHub 账号：作品最后要放在 GitHub 上给面试官看。
• 编辑器：VS Code、Cursor、Zed 都行。装上 Python 插件。
• Docker Desktop：W3 跑 pgvector、W5 跑 Langfuse、W6 部署都要用。现在可以先不装，W3 之前装好就行。

API 账号

这门课的代码默认用 DeepSeek 的 API。原因很实际：国内直接能连，不用代理；价格低；兼容 OpenAI 的接口格式，支持工具调用和 JSON 输出，整门课需要的能力都有。同一份代码改三个环境变量就能换成通义千问、Kimi、智谱、OpenAI 或者 Claude，Day 3 会专门讲怎么切。

具体步骤：

1. 打开 platform.deepseek.com（开放平台，和聊天用的 chat.deepseek.com 不是一个地方，账号通用），手机号登录。
2. 左侧菜单点「API keys」，再点「创建 API key」，名字随便起，比如 agent-60。
3. 弹出来那串 sk- 开头的字符只显示这一次，马上复制存好。关掉就看不到了，丢了只能删掉重建。
4. 左侧点「充值」，用支付宝或微信先充 10 到 20 元。不充值调用会直接报 402，下面动手练习会讲。

这个 key 等于你的钱包密码，不要贴进代码、不要发到群里、不要提交到 git。待会儿我们把它放进 .env 文件里。

如果你在海外，或者公司给报销，也可以同时开一个 Claude 或 OpenAI 的账号做对比。不是必须的。

整门课花多少钱

按 2026 年 10 月 DeepSeek 官方价格页查到的价格，默认模型 deepseek-flash 在高峰时段是输入每百万 token 2 元（缓存未命中）、输出每百万 token 8 元，空闲时段（北京时间工作日 9–12 点、14–18 点以外）再打对折。

我们按一个偏高的学习强度估算：每天跑 200 次调用，每次平均输入 3,000 token、输出 500 token。

• 每天输入：200 × 3,000 = 60 万 token；输出：200 × 500 = 10 万 token。
• 60 天合计：输入 3,600 万，输出 600 万。
• 全按高峰价算：36 × 2 + 6 × 8 = 72 + 48 = 120 元。

再加上 W3 的 embedding 调用、W5 跑评测（评测会把同一批用例反复跑很多遍，是最费钱的阶段），整门课的 API 花费大概在 100 到 300 元之间。晚上学习的话走空闲价，还能再省一半。如果你换成 Claude Sonnet 这类国外的旗舰模型，价格要高一个数量级，所以日常练习用便宜模型，只在需要对比效果时再换。

诚实地说，两个月能做到什么

能做到的：独立搭一个带工具调用、知识库、工作流、评测、可观测、部署上线的 Agent 系统；能把它讲清楚，包括为什么这么设计、数据怎么样、踩过什么坑；能应付大部分 Agent 岗的技术面试；手上有一个能在线演示的毕业项目和一篇技术博客。

做不到的：两个月不会让你变成五年经验的资深工程师。如果你原来是两年经验的后端，学完之后投的是「两年后端 + Agent 项目经验」的岗位，薪资会比纯后端好，但别指望直接拿资深的包。如果原来已经是五年以上的后端或者有带人经历，这门课补上的是 AI 这块拼图，有机会直接按原级别转过去。

学历和年限也是硬约束。调研里国内约十分之一的 JD 写明要硕士，这类岗位本科靠作品集很难绕过去，与其硬碰，不如优先投不卡学历的。国内主流要求 3 到 5 年这件事也提醒你：完全没有工作经验的应届生，光靠这门课去投社招岗会比较吃力，更适合走校招或者实习。

还有一点：薪资的上限更多取决于你原来的工程能力，而不是你会不会用 LangGraph。面试官最终在看的是「这个人能不能把一个不靠谱的模型做成一个靠谱的系统」。这门课后半段花大量篇幅讲评测、可观测、安全、成本，原因就在这里。只会调 API 搭 demo 的人很多，能把 Agent 稳定跑在生产环境的人少。

动手练习

今天的练习是把环境准备好，并且确认能连上 API。

第 1 步：装 uv。

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 装好后重开终端
uv --version
uv python install 3.12

第 2 步：建课程仓库。

mkdir agent-60-lab && cd agent-60-lab
git init
uv init --python 3.12
uv add openai python-dotenv

uv init 后面别加 --package 或 --lib。加了的话 uv 会按「要发布的 Python 包」来建，多出一个 src/agent_60_lab/ 目录，pyproject.toml 里也会多出 [project.scripts] 和 [build-system] 两段。这门课的代码是平铺的（w1/ask.py、common/llm.py 这样），用不上那套结构。已经建成这样也没关系，把 src 目录和那两段配置删掉就行。

建完看一眼目录，大概是这几个文件：pyproject.toml、.python-version、README.md、uv.lock、.venv/，普通的 uv init 还会给一个 main.py。网上旧教程里说的 hello.py 是老版本 uv 的叫法，现在叫 main.py，是同一个东西。如果你的目录里两个都没有，自己新建一个 main.py 就行。

顺手检查一下 pyproject.toml 里的 authors：uv 会从你电脑上 git 的全局配置里读名字和邮箱。如果那是公司邮箱，而这个仓库以后要放到你自己的 GitHub 上，在这个目录里改成个人的：

git config user.email 你的个人邮箱

然后把 pyproject.toml 里那一行邮箱也手动改掉。

第 3 步：写 .env，并让 git 忽略它。

.env 不会自动生成，任何工具都不会替你建，因为里面是你自己的 key。在项目根目录新建一个文件，名字就叫 .env（前面有个点，没有扩展名），内容：

# agent-60-lab/.env
LLM_BASE_URL=https://api.deepseek.com
LLM_API_KEY=sk-你的key
LLM_MODEL=deepseek-flash

建好以后在 Finder 里可能看不见它：以点开头的文件在 macOS 上默认隐藏，按 Cmd + Shift + . 就能显示，终端里用 ls -a。编辑器的文件树一般能直接看到。

然后让 git 忽略它。新一点的 uv 有时不会生成 .gitignore，没有就自己建一个，至少写这几行：

# agent-60-lab/.gitignore
.env
.env.*
!.env.example
.venv/
__pycache__/
.DS_Store

检查一下有没有生效：

git check-ignore -v .env   # 打印出 .gitignore 的那一行，说明 .env 已经被忽略
git status                 # 待提交列表里不应该出现 .env

习惯上还会建一个 .env.example，内容和 .env 一样，只是 key 换成占位符 sk-你的key。它可以提交到 git，别人拿到你的仓库照着填就行。

第 4 步：第一次调用。

把 main.py 的内容换成下面这段（文件叫什么不重要，叫 hello.py 也一样，运行时对上名字就行）：

# agent-60-lab/main.py
import os

from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

client = OpenAI(base_url=os.environ["LLM_BASE_URL"], api_key=os.environ["LLM_API_KEY"])
resp = client.chat.completions.create(
    model=os.environ["LLM_MODEL"],
    messages=[{"role": "user", "content": "用一句话介绍你自己"}],
    # DeepSeek 默认开思考模式，练习阶段关掉，更快更省
    extra_body={"thinking": {"type": "disabled"}},
)
print(resp.choices[0].message.content)
print(resp.usage)

uv run main.py

我自己跑出来是这样的（模型每次措辞会不一样）：

我是DeepSeek，一个由深度求索公司创造的AI助手，随时准备用热情而细腻的方式帮你解答问题、处理任务！
CompletionUsage(completion_tokens=29, prompt_tokens=8, total_tokens=37, ..., prompt_cache_hit_tokens=0, prompt_cache_miss_tokens=8)

第二行是这次请求的账单：你的问题占了 8 个 token，回答用了 29 个。按上面的价格算，8 × 2 ÷ 100 万 + 29 × 8 ÷ 100 万，大约 0.00025 元。充 10 块够跑四万次这样的请求。prompt_cache_miss_tokens 是没命中缓存、按全价算的输入，Day 38 讲缓存的时候会再碰到它。

第一次跑最常见的几个报错，对着查：

报错	原因	怎么办
Error code: 402 ... Insufficient Balance	账户没钱。说明 key 和代码都对了，请求已经到了 DeepSeek	去开放平台「充值」，充完马上能用
Error code: 401	key 不对，或者复制时多了空格、少了字符	回平台重新建一个 key，整串复制
KeyError: 'LLM_BASE_URL'	没读到 .env：文件没建、名字写错（比如 env、.env.txt），或者不在当前目录	确认 .env 在你执行 uv run 的那个目录里
ModuleNotFoundError: No module named 'openai'	依赖没装，或者没用 uv run 而是直接 python	先 uv add openai python-dotenv，再用 uv run 跑
Connection error / 超时	网络问题。DeepSeek 国内能直连，开了全局代理反而可能出问题	关掉代理试试；用国外厂商时则相反，要开代理

如果你用的不是 DeepSeek，把 extra_body 那一行删掉（别家不认这个参数，可能报 400），再改 .env 里的三个值就行。

第 5 步：写一份自己的岗位笔记。 这一步不写代码，是给自己定个靶子。去 Boss 直聘、猎聘或 LinkedIn 搜「Agent 开发」「大模型应用」，找 10 份你所在城市的 JD，做一张表：每行一份 JD（公司、职位、薪资、年限、学历），后面列关键词（Python、RAG、工具调用、MCP、评测、LangChain、前端/全栈……），数一数每个关键词在 10 份里出现了几次。

为什么要做：一是开学前就知道招聘方最看重哪几样，学到那几天心里有数；二是 Day 56 写简历时拿这张表逐项对照，哪些你有项目能证明、哪些还缺，一目了然；三是用你自己城市的薪资和年限，比看全国平均更贴近现实。

不想全部手抄的话，可以先看这个站的《880 条真实 JD 拆解》，里面已经数好了国内外的整体比例。但至少自己完整读两三份 JD，体会一下「有真实落地经验」「熟悉 Agent 底层原理」这类话在招聘方那里具体指什么。

验收标准： uv run main.py 能打印出模型回复和 token 用量；git check-ignore .env 有输出，.env 没有进 git；手里有一张 10 份 JD 的关键词表。

名词解释

名词	意思
LLM（Large Language Model）	大语言模型，比如 DeepSeek、Qwen、Claude、GPT。输入一段文字，输出接下来的文字
Agent（智能体）	让模型自己决定下一步做什么、调用什么工具、直到完成任务的程序。区别于「问一句答一句」
Tool / Function calling	工具调用。模型输出一段结构化的「我想调用某函数、参数是这些」，由你的代码去真正执行
RAG（检索增强生成）	先从知识库里检索相关内容，塞进提示词里，再让模型回答。用来让模型知道它训练时没见过的私有数据
MCP（Model Context Protocol）	一个开放协议，规定了「工具和数据」怎么接到 AI 应用上。写一次 MCP server，多个 AI 客户端都能用
Eval（评测）	用一批测试用例给 Agent 打分，判断改动是变好还是变坏
Token	模型处理文字的最小单位，计费也按它算。中文一个字大约 0.6 个 token（DeepSeek 官方口径）
API key	调用模型 API 的密钥，等同于密码，泄露了别人就能花你的钱
uv	Python 的项目管理工具，管 Python 版本、依赖和虚拟环境

常见误区

以为要先学机器学习。 很多人一说转 AI 就去刷吴恩达的机器学习、李沐的动手学深度学习。那是算法岗的路。Agent 岗面试几乎不问反向传播，问的是你怎么设计工具、怎么做评测、怎么控制成本。Day 1 会给你一份「Agent 工程师需要的模型直觉」，够用了。

只看视频不写代码。 视频看起来很爽，有一种学会了的错觉。面试一手写就露馅。每天的「动手练习」必须做。

一上来就用 LangChain。 LangChain 封装很厚，出了问题你不知道底下发生了什么。这门课先让你用原生 API 手写 Agent 循环（Day 9），W4 才上框架。面试官很喜欢问「不用框架你怎么实现」。

把 API key 写进代码提交到 GitHub。 公开仓库里的 key 几分钟内就会被扫描程序抓走。第一天就养成用 .env 的习惯。

以为 Agent 就是越自主越好。 实际上线的系统里，大部分是「固定流程 + 局部让模型决策」的 workflow，完全自主的 Agent 反而少，因为不可控。Day 13 会专门讲这个取舍。

学习资料

文档与文章

• Anthropic《Building effective agents》：必看。整个行业对「什么是 Agent、什么时候该用」讨论最多的一篇，今天先通读一遍有个印象，Day 13 会逐个模式实现。30 分钟。
• Lilian Weng《LLM Powered Autonomous Agents》：2023 年的经典综述，把 Agent 拆成规划、记忆、工具三块。有些例子旧了，框架还是对的。40 分钟。
• DeepSeek API 文档（中文）：今天跑通第一次调用要看「首次调用 API」和「模型 & 价格」两页。
• uv 官方文档：装 uv 卡住了看 Installation 一节。
• 脉脉《2026 春招职场洞察报告》的转载：凤凰网科技，看 AI 岗位增长和薪资数据，注意它是全行业平均。

B 站视频

• 李宏毅 2025 生成式 AI 课程 AI Agent 相关讲次合集：B 站搜「李宏毅 2025 AI Agent」，播放量高的搬运合集很多（比如 BV1bbjvzME7B），挑带课件的看。作为整门课的「理论背景课」，有空时按顺序看。

其他经典视频

• DeepLearning.AI《Agentic AI》课程主页：上面 B 站视频的官方来源，课后有代码练习。

书籍

• Chip Huyen《AI Engineering: Building Applications with Foundation Models》，O’Reilly，2025。这门课最推荐的一本书，讲的就是「用现成模型做应用」这件事，评测那几章尤其好。今天读第 1 章，了解 AI 工程和传统机器学习工程的区别。目前没查到简体中文正式版，读英文原版。
• Jay Alammar、Maarten Grootendorst《Hands-On Large Language Models》，O’Reilly，2024；中文版《图解大模型：生成式 AI 原理与实战》，人民邮电出版社，2025。图多，适合 Day 1 补模型直觉。今天不用读。

开源项目与代码

• Datawhale《hello-agents》：中文的 Agent 系统教程，和这门课可以互相补充。今天看它的目录，知道有这么个东西。
• 微软《AI Agents for Beginners》：有中文翻译，偏微软技术栈，入门概念讲得清楚。
• Hugging Face Agents Course：免费，带证书，偏 HF 生态。

自测

1. 用两三句话说明 Agent 工程师和算法工程师的区别。

答案

Agent 工程师用现成的大模型（多数是 API）搭系统，主要工作是工具设计、检索、流程编排、评测、上线运维；算法工程师训练和改进模型本身，做预训练、微调、对齐。前者本质是后端工程加大模型，后者偏研究，学历门槛通常更高。

2. 一份 JD 标题是「AI Agent 专员」，职责写的是「使用 AI 工具高效处理客户咨询，维护智能客服话术库」。这是开发岗吗？

答案

不是。没有任何编程、API、RAG、框架相关的要求，「使用 AI 工具」「维护话术库」是客服或运营的工作内容。

3. 在一个工单 Agent 里，「去数据库查这个客户的扣款记录」这件事是谁做的？模型还是你的代码？

答案

你的代码。模型只是输出「我想调用 get_invoices，参数 customer_id=123」这样一段结构化数据，你的程序解析它、真正执行查询，再把结果交回给模型。

4. 按文中的估算口径，如果你每天调用 500 次，每次输入 4,000 token、输出 800 token，用 deepseek-flash 高峰价跑 30 天大概多少钱？

答案

每天输入 500 × 4,000 = 200 万 token，输出 500 × 800 = 40 万 token。30 天输入 6,000 万、输出 1,200 万。高峰价：60 × 2 + 12 × 8 = 120 + 96 = 216 元。空闲时段大约一半，108 元左右。这还没算缓存命中带来的折扣。

5. 为什么 .env 要加进 .gitignore？如果已经不小心提交了一次，只删掉文件再提交够不够？

答案

.env 里有 API key，提交到公开仓库会被扫描程序抓走盗用。只删文件再提交不够，git 历史里还留着。正确做法是立刻去平台作废这个 key、重新生成一个，再考虑清理历史。作废 key 是第一步，也是最重要的一步。

6. 面试题：面试官问「你为什么想从后端转 Agent 开发，你觉得你的后端经验有什么用？」你会怎么答？

答案

参考思路：Agent 系统里模型只负责决策，其余部分（工具实现、数据访问、权限、幂等、重试、队列、监控、部署）都是后端工程问题。后端经验让我能把一个不确定的模型包在一个可靠的系统里，比如给退款这种写操作加幂等和人工审批，给工具调用加超时和重试，用 trace 定位线上问题。再举一个自己做过的具体例子，比只说概念有说服力得多。

明天预告

Day 1 · 大模型到底在干什么：token、上下文窗口、下一个词预测。不讲数学，只讲 Agent 工程师需要的那几条直觉：模型为什么会一本正经地胡说、为什么中文比英文贵、为什么聊久了它会「忘事」、temperature 调高调低差在哪。这些直觉后面每一天都会用到。