实战项目
课程教你会做,这些项目用来证明你做过。每个都按资深岗的标准设计:有真实难点,有能公开的数字,最好还有外部认可,比如技术报告、公开榜单或者上游合并的 PR。10 个项目里 9 个不需要 GPU,一台旧笔记本加每月几十美元的 API 费就能做。
不用全做。挑两三个对准你要投的岗位,做深做完,比十个半成品有用得多。
按目标挑
投 Agent 平台岗
投海外 FDE
01资深有逐日教程
Agent LoupeAgent 运行记录调试器
一个网页调试器:按时间轴回放 Agent 每一步,看上下文是被哪一步撑大的,两次运行逐步对齐找出分歧点,从第 N 步分叉重跑,失败步骤一键存成评测用例。最能发挥前端功底的一个。
- 难度
- 时长
- 3–4 周(有逐日教程,10 天正文)
- 花费
- 几美元 API 费,演示站可免费部署
- 外部认可
- 开源仓库 + 能在线试用的演示站 + 万步渲染的性能数据
Agent 平台工程师 · AI 开发者工具 · 全栈 AI 工程师
02资深有逐日教程
BillSleuth计费争议调查 Agent
虚构 SaaS 公司的订阅、发票、付款、税和贷记单数据,12 类计费故障加「客户误解」场景。Agent 查账复算,结论里每个数字都要有出处,冲正必须人工审批,100 个场景做严格评测。最像 FDE 日常工作的一个。
- 难度
- 时长
- 3–4 周(有逐日教程,10 天正文)
- 花费
- 约 $5–20 API 费(跑全量评测)
- 外部认可
- 100 场景评测报告(准确率、置信区间、pass^k)+ 在线演示
海外 FDE · AI 应用工程师 · Solutions Engineer
03资深
Steward浏览器 Agent 与可靠性评测
写一个用 Playwright 操作网页的浏览器 Agent,让它在虚构的云簿 CloudLedger 后台里退款、改订阅、导出报表。重点是 30–50 个任务的评测集和一个能注入弹窗、慢加载、元素挪位的混沌层,用成功率、pass^k、步数和恢复率说话。
- 难度
- 时长
- 6–8 周(业余时间)
- 花费
- 约 $30–80 API 费(2026-10 按 DeepSeek / Claude 定价估算)
- 外部认可
- 公开的任务集 + 混沌层 + 评测报告(含 pass^k 与观察方式对照实验),外加一篇技术文章
Agent 平台工程师 · 海外 FDE · 浏览器自动化 / Computer Use 方向
04资深
Mender从零写代码 Agent,跑 SWE-bench
从一个空文件开始写代码 Agent:看代码、搜索、改文件、跑测试、交 patch。在 SWE-bench Verified 里分层抽 50 题,用官方 Docker harness 判分,公开通过率、单题成本和每一道失败题的原因。本机跑不了评测,要租一台 x86 云服务器。
- 难度
- 时长
- 6–8 周(业余时间)
- 花费
- 约 $60–150(API 费 + 云服务器,2026-10 估算)
- 外部认可
- 按 SWE-bench 官方 harness 判分的 50 题通过率 + 与 mini-swe-agent 同模型对照 + 公开轨迹与技术报告
Coding Agent 工程师 · Agent 平台工程师 · 海外 FDE
05资深+
Bastion防提示注入的 Agent 防火墙
参考 CaMeL 的规划模型、隔离模型和数据流追踪,做一层夹在 Agent 和工具之间的防火墙。在 AgentDojo 上同时报告任务完成率和攻击成功率,讲清楚比 CaMeL 多换回了多少可用性、让出了多少安全性。
- 难度
- 时长
- 7–9 周(业余时间)
- 花费
- 约 $30–60 API 费(2026-10 估算,按 DeepSeek 价格页 2026-10-15 查证)
- 外部认可
- AgentDojo 官方评测流程跑出的 utility / 攻击成功率 + 可投 arXiv 的技术报告
AI 安全工程师 · Agent 平台工程师 · 海外 FDE
06资深
BillBench企业计费 Agent 公开基准与排行榜
500 个分难度的计费争议场景,公开集给人开发,私有集用秘密种子生成、按季度轮换防污染。十几个模型跑分上榜,开放提交,配技术报告。
- 难度
- 时长
- 8–10 周(业余时间)
- 花费
- 首轮只跑便宜模型约 $30–50;十几个模型全跑约 $650(2026-10-15 估算)
- 外部认可
- 外部团队的提交条目出现在榜上 + 技术报告(arXiv,可投评测类会议赛道)
AI 评测工程师 · Agent 平台工程师 · 海外 FDE
07资深+
Anchor持久化 Agent 运行时
基于 Postgres 的持久化 Agent 运行时:每步写检查点,崩溃后断点续跑,工具副作用靠幂等键和 outbox 只生效一次,人工审批可挂起数天,多 worker 抢任务不打架。最后用随机杀进程和网络分区的故障注入证明它可靠。
- 难度
- 时长
- 7–9 周(业余时间)
- 花费
- 约 $5–20 API 费(故障测试用假模型,不花钱);可选租 3 台小云主机做真实分区测试,按小时计
- 外部认可
- 公开的故障注入测试报告(Jepsen 风格的历史记录 + 不变量检查器)+ 可复现的测试脚本
Agent 平台工程师 · AI 基础设施工程师 · 后端/分布式系统工程师
08资深
Whetstone会自我改进的 Agent:用评测自动优化提示词和工具
把 BillSleuth 的提示词、工具描述当成可训练的文本参数,用 GEPA 这类反思式优化器自动改写。重点不在分数涨了多少,而在训练/验证/留出集划分、多次重复和配对检验,证明提升在没见过的场景上也成立。
- 难度
- 时长
- 6–8 周(业余时间)
- 花费
- 约 $40–100 API 费(2026-10 估算,算式见正文)
- 外部认可
- 留出集上做过配对检验的提升报告 + 可复现的优化流水线,可选给 GEPA 仓库贡献一个 adapter 示例
Agent 平台工程师 · AI 评测工程师 · 海外 FDE
09资深
HippoAgent 长期记忆系统,在公开基准上对比
从零写一个 Agent 长期记忆服务,处理「用户搬家了」「请忘掉这件事」这类问题。在 LongMemEval、LoCoMo 上和全量上下文、朴素 RAG、Mem0、Graphiti 同条件对比,并讲清各家公开分数的口径差异。
- 难度
- 时长
- 6–8 周(业余时间)
- 花费
- 约 $60–120 API 费(2026-10 估算,算式见正文)
- 外部认可
- LongMemEval 官方评测脚本跑出的分项准确率 + 同条件对比报告,方法和代码公开可复现
Agent 平台工程师 · AI 应用工程师 · AI 评测工程师
10资深+要租 GPU
LedgerGym给计费 Agent 做强化学习训练
把计费争议场景包成多轮工具调用的强化学习环境,奖励按根因、金额、证据链精确计算并防奖励黑客。用 GRPO + LoRA 训练 Qwen3.5-4B,和训练前、和 API 大模型在同一套评测上比。
- 难度
- 时长
- 8–10 周(业余时间)
- 花费
- 云 GPU 约 $150–300 + API 约 $20–50(2026-10-15 估算,硬上限 $300 GPU)
- 外部认可
- 同一套 100 场景评测上训练前后与 API 大模型的对比、开源的环境和训练配方、技术报告
Agent 后训练工程师 · AI 平台工程师 · 海外 FDE
一张表对比
| 项目 | 难度 | 级别 | 时长 | GPU | 依赖 |
|---|---|---|---|---|---|
| Agent Loupe | 3 / 5 | 资深 | 3–4 周(有逐日教程,10 天正文) | 不要 | 无 |
| BillSleuth | 3 / 5 | 资深 | 3–4 周(有逐日教程,10 天正文) | 不要 | 无 |
| Steward | 4 / 5 | 资深 | 6–8 周(业余时间) | 不要 | 无 |
| Mender | 4 / 5 | 资深 | 6–8 周(业余时间) | 不要 | 无 |
| Bastion | 5 / 5 | 资深+ | 7–9 周(业余时间) | 不要 | 无 |
| BillBench | 4 / 5 | 资深 | 8–10 周(业余时间) | 不要 | BillSleuth |
| Anchor | 5 / 5 | 资深+ | 7–9 周(业余时间) | 不要 | 无 |
| Whetstone | 4 / 5 | 资深 | 6–8 周(业余时间) | 不要 | BillSleuth |
| Hippo | 4 / 5 | 资深 | 6–8 周(业余时间) | 不要 | 无 |
| LedgerGym | 5 / 5 | 资深+ | 8–10 周(业余时间) | 要 | BillSleuth |
课程里还有两个跟着做的项目:基础篇毕业项目 SupportPilot(Day 43–54)和进阶篇毕业项目 AgentOps(Day 96–105),在课程目录里。