AI Agent 开发者学习路径整理
整理了面向开发者的 AI Agent 学习路径，重点覆盖 AI Agent 基础、Dify、LangChain / LangGraph、向量数据库 / RAG。
原则：优先官方文档，优先能长期有效的资料，先学最小闭环，再学复杂架构。
一、推荐学习顺序
第 1 阶段：先理解 Agent 最小闭环
先搞清楚：
Agent = LLM 大脑 + Tools 工具 + State 状态 + Memory 记忆 + Workflow/Planning + Evaluation建议先学：
- 模型如何调用工具
- 工具结果如何回传给模型
- 多步任务怎么循环执行
- 如何判断任务结束或失败重试
核心资料：
第 2 阶段：学 Dify 这类低门槛平台
目标：快速理解工作流、知识库、Agent、工具调用这些概念在产品里的形态。
核心资料：
建议顺序：
- 先看 Getting Started / Concepts
- 再跑一个简单应用
- 再看 Workflow
- 再看 Knowledge Base / RAG
- 最后看 Agent / Tools / API / 部署
第 3 阶段：学 LangChain / LangGraph
目标：从"平台使用者"进阶为"自己搭系统的人"。
核心资料：
建议顺序：
- 先学 LangChain 基础：documents / splitters / embeddings / vectorstores / retrievers
- 做一个最小 RAG
- 再学 LangGraph 的状态图和工作流
- 最后学评测和可观测性
第 4 阶段：学向量库 / RAG
目标：搞清楚 RAG 真正的关键不在"接了没"，而在"检索质量好不好"。
建议先学：embeddings → chunking → indexing → retrieval → reranking → eval
核心资料：
二、Dify 学习清单
建议重点学习模块
- App Types / Create an App
- Workflow
- Knowledge Base / Dataset
- Agent
- Tools / Plugins
- API Reference
- Deployment / Self-hosting
- Model Providers
实践学习顺序
- 第 1 天：读概念和产品定位
- 第 2 天：跑起来一个最简单应用
- 第 3 天：做一个 Workflow
- 第 4 天：做一个 Knowledge Base / RAG 应用
- 第 5 天：试 Agent / Tools
- 第 6-7 天：看 API 和部署
学 Dify 时要重点问自己
- Agent 和 Workflow 的边界是什么？
- 什么场景适合知识库，什么场景不适合？
- 检索失败时系统怎么退化？
- 什么时候应该用平台，什么时候应该自己写代码？
三、LangChain / LangGraph 学习清单
先学 LangChain 的这些概念
- Documents
- Text Splitters
- Embeddings
- VectorStores
- Retrievers
- Prompt + Context 组合
再学 LangGraph 的这些概念
- state
- nodes / edges
- branching
- retries / fallback
- human-in-the-loop
- memory / persistence
推荐路线
- 用 LangChain 做一个最小 RAG
- 用另一个向量库重做一遍
- 再用 LangGraph 改造成可控工作流
- 最后加评测和 trace
四、向量数据库选型
先理解怎么选，不要先比谁"最强"
| 向量库 | 适合场景 | 特点 | 文档 |
|---|---|---|---|
| Chroma | 最快本地原型 | 轻量、简单、上手最快 | Docs |
| Qdrant | 自托管、生产可用 | 很多团队的实用默认选项 | Docs |
| pgvector | 已有 PostgreSQL 的团队 | 少一个独立基础设施组件 | GitHub |
| Pinecone | 快速上生产、减少运维 | 托管方便，但有平台成本 | Docs |
| Milvus | 更大规模向量检索 | 能力强，但运维更重 | Docs |
| Weaviate | 更丰富 schema / hybrid search | 功能全面，概念稍多 | Docs |
实用建议
- 第一个原型：Chroma
- 自托管生产学习：Qdrant
- 已有 Postgres 团队：pgvector
- 快速托管上线：Pinecone
- 大规模向量平台：Milvus
- 想玩更丰富检索特性：Weaviate
五、最小实践路线
路线 A：平台优先
- 先学 Dify
- 做 1 个 Workflow
- 做 1 个知识库问答
- 做 1 个带工具的 Agent
路线 B：代码优先
- 用 LangChain 做最小 RAG
- 接 Chroma / Qdrant
- 做 query → retrieve → answer
- 再用 LangGraph 做状态化流程
路线 C：Agent 工程优先
- 学 Tool Use
- 学 Planner / Router / Reflection
- 学 Memory
- 学 Evaluation
- 再做多 Agent
六、建议的最优起步顺序
如果你是"想真正学会，不只是会点点页面"：
- 先看 OpenAI Docs / Cookbook 理解 Agent 最小闭环
- 再学 Dify，快速建立产品感觉
- 再学 LangChain，自己写最小 RAG
- 再学 LangGraph，把链条变成工作流
- 再深入向量库与评测
七、容易踩坑的地方
- 一上来就多 Agent
- 一上来就上长期记忆
- 没有评测就调 prompt
- 没搞懂 chunking / retrieval 就开始怪模型不行
- 把"系统复杂"误以为"能力更强"
