AgentGuide
https://adongwanai.github.io/AgentGuide | AI Agent开发指南 | LangGraph实战 | 高级RAG | 转行大模型 | 大模型面试 | 算法工程师 | 面试题库 | 强化学习｜数据合成
Stars: 1861
README:
📌 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！
🎯 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
- 🚦 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+N X 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 - 1000+题、系统设计、编程题
🛠️ 快速导航：
- 🚀 10分钟快速开始 | 💬 加入学习社群 | ❓ 常见问题
3 分钟了解为什么你需要 AgentGuide
- ❌ 学了一堆 LLM API 调用，但不知道 Agent 和普通对话有什么区别
- ❌ 看了无数篇 LangChain 文档，却依然不知道从哪里开始
- ❌ 做了一些 Demo 项目，但简历上写不出亮点，面试讲不清楚
- ❌ 想转 AI Agent 方向，但不知道算法岗和开发岗应该准备什么
- ❌ 网上资料又多又杂，缺少一条清晰的学习路线
AgentGuide 是什么？
AI Agent 开发学习指南 | 转行大模型 | LangGraph 实战 | 高级RAG | 大模型面试
一份系统化、求职导向的 AI Agent 学习与面试指南，涵盖：
- Agent 开发：LangChain、LangGraph、AutoGen、CrewAI、Swarm 框架教程
- RAG 系统：向量数据库、Embedding、文档解析、检索优化、GraphRAG
- Multi-Agent：多智能体协作、Supervisor模式、任务分解、工作流编排
- 上下文工程：Memory管理、Tool Loadout、Context优化（6大技巧）
- 面试求职：算法岗 vs 开发岗、面试题库、简历优化、大厂面经
- 实战项目：论文检索Agent、旅行规划Multi-Agent、Web Agent
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：
📌 AgentGuide 涵盖的核心技术栈：
|
🤖 AI Agent 层（核心）
|
🔧 Training 层（算法岗必备）
|
📊 AI Data 层（开发岗常用）
|
💡 AgentGuide 的完整覆盖：
🔬 算法工程师路径：
- Agent 架构算法（ReAct、Reflexion、ToT）+ RAG算法优化（GraphRAG、Agentic RAG、GraphRAG）
- 模型微调（SFT、LoRA）+ 强化学习（PPO、DPO、GRPO）
- 实验设计 + 论文撰写 + 算法优化
🛠️ 开发工程师路径：
- Agent 框架实战（LangChain、LangGraph、AutoGen）+ RAG 系统搭建
- 向量数据库+ 文档解析
- 系统设计 + 性能优化 + 生产部署
🔀 通吃型路径：完整技术栈，算法创新 + 工程落地双修
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：
- ✅ LangChain 学习 | LangGraph 教程 | AutoGen 实战
- ✅ RAG 开发 | 向量数据库 | Agent Memory
- ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧
📚 系统化学习路径
|
🎯 100% 求职导向
|
💼 n个简历级实战项目
|
🔀 算法 × 开发双线通吃
|
🆓 完全开源，持续更新
|
🚀 快速上手，立即见效
|
从迷茫到清晰，从理论到Offer，一站式成长路径
✅ 【概念清晰】深刻理解：Agent 和普通 LLM 调用的本质区别
✅ 【技能掌握】熟练使用：CamelAI、LangGraph、向量数据库等核心工具
✅ 【动手能力】独立开发：RAG Agent、Multi-Agent、Web Agent 系统
✅ 【简历亮点】2-3 个可以写进简历、面试能讲清楚的项目
✅ 【面试自信】掌握 Agent 方向的高频面试题和标准答案
✅ 【职业规划】明确算法岗和开发岗的差异，找到适合自己的方向
✅ 【人脉资源】加入 AI Agent 学习社群，结识同行，互相成长
👋 新来的同学看这里！按照这6个步骤，8-10周拿到Offer！
|
🎯 第一步 算法 vs 开发？ |
💡 第二步 如何准备？ |
📚 第三步 学什么？ |
💼 第四步 做什么？ |
🎓 第五步 技术细节 |
🎯 第六步 如何面试？ |
⚡ 重要提醒：
- 一定要先完成"第一步"和"第二步" - 确定方向再学习！
- "第四步"实战项目最重要 - 简历的核心竞争力！
- 学习时对照"第六步"面试题 - 知道学的东西面试怎么考！
核心理念：选择 > 努力！选对方向，事半功倍！
在大模型时代，Agent 方向的岗位主要分为两条线：
|
核心工作：算法创新、论文研究 日常任务：
产出形式：
评价标准：
岗位数量：⭐⭐⭐ 中等 |
核心工作：系统搭建、业务落地 日常任务：
产出形式：
评价标准：
岗位数量：⭐⭐⭐⭐⭐ 最多 |
👉 点击查看详细的岗位选择决策树
问题1：你的核心优势是什么？
├─ 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）
问题2：有什么背景？
- ✅ 有论文/科研经历 → 优先算法线
- ✅ 有工程/项目经验 → 优先开发线
- ✅ 两者都有 → 通吃策略（最推荐！）
⭐ 最佳策略：两手抓！
- 简历中既有算法项目（论文、算法优化）
- 又有开发项目（完整系统、业务指标）
- 可以同时投两类岗位，机会翻倍！
👉 点击查看 Agent 方向的细分岗位
1. 上下文工程算法工程师 ⭐⭐⭐⭐⭐ 最热门！
技术方向：
- RAG 算法：GraphRAG、Agentic RAG、Reranker 训练
- Agent 算法：Memory 机制、规划算法优化、Multi-Agent 协作
- 多模态算法：跨模态对齐（CLIP改进）、多模态融合
项目示例：
- GraphRAG 检索算法优化（召回率 +12%）
- Agent Memory 压缩算法（存储 -60%）
- Agentic RAG 策略设计（准确率 +20%）
岗位数量：⭐⭐⭐⭐（大厂+头部创业公司）
2. 模型算法工程师 ⭐⭐
技术方向：
- Reasoning 算法（Long COT、工具调用 RL）
- 对齐算法（RLHF、DPO、GRPO）
- 模型架构（MoE、长文本、Attention 改进）
岗位数量：⭐⭐（主要在大厂研究院）
1. 上下文工程开发工程师 ⭐⭐⭐⭐⭐ 岗位最多！
技术方向：
- RAG 系统：企业知识库、智能客服、文档解析
- Agent 应用：RPA 自动化、研究助手、工作流 Agent
- 多模态系统：图文检索、OCR pipeline、视觉问答
项目示例：
- 企业级 GraphRAG 知识问答系统（服务1000+员工）
- Agent 驱动的 RPA 系统（自动化率80%，节省200万/年）
岗位数量：⭐⭐⭐⭐⭐（所有 AI 公司都需要）
2. AI Infra 开发工程师 ⭐⭐⭐
技术方向：
- 推理服务部署（vLLM、TGI、Triton）
- 训练平台搭建（KubeFlow、Ray）
- 模型服务化（API 网关、负载均衡、监控）
岗位数量：⭐⭐⭐（大厂需求多）
👉 Agent 开发工程师核心能力要求（大厂真实招聘）
基于 OpenAI、DeepMind、Meta、蚂蚁等大厂真实 JD 总结
Layer 1：后端与系统功底（基础能力）
- 大型分布式、高并发、高性能系统设计
- 云原生 PaaS 平台、Kubernetes 架构理解
- 价值：Agent 系统本质是复杂分布式服务
Layer 2：Agent 核心技术（重点能力）
- 混合 Agent 架构（单 Agent vs Multi-Agent）
- 上下文工程（动态打包、向量索引、信息检索）
- 工具编排（Tool 设计、Function Calling）
- 记忆与个性化（Memory 设计、Mem0、Zep）
- 任务规划（Orchestration、Workflow）
- 评估体系（如何证明 Agent 比人工更好？）
Layer 3：模型理解（加分项）
- 主流模型长短板（GPT-4/Claude/Llama 选择）
- 微调能力（Function Call 微调、垂直领域适配）
- 强化学习基础（Agent RL、DPO）
❌ 玩具项目：
- 只用 LangChain 跑个 demo
- 没有评估、没有优化、没有生产化考虑
- 面试一问就穿帮
✅ 真实项目：
- 具体业务场景（智能客服、RPA、研究助手）
- 完整技术栈（文档解析 + 高级 RAG + Agentic 逻辑）
- 量化评估（构建测试集、使用 Ragas、持续追踪优化）
- 生产化考虑（成本控制、性能优化、可观测性、异常处理）
📖 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
不同岗位，完全不同的准备策略！
点击查看算法岗完整准备方案
简历重点：
✅ 必须强调：
- 算法创新："提出XX算法"、"改进XX方法"、"设计XX策略"
- 实验验证：对比实验、消融实验、baseline对比、指标提升
- 论文/专利："论文在投XXX"、"发表于XXX"
- 开源贡献："开源代码XX stars"
❌ 尽量少提：
- 业务指标（用户数、QPS）
- 系统架构细节
- 工程优化
项目示例（算法岗）：
【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
面试准备重点：
- 📚 理论深度（能推导算法原理）
- 🧪 实验设计（对比实验、消融实验）
- 📄 论文阅读（顶会最新进展）
- 💻 代码实现（能手撕核心算法）
点击查看开发岗完整准备方案
简历重点：
✅ 必须强调：
- 完整系统："搭建XX系统"、"端到端实现"、"上线服务"
- 业务价值：服务用户数、处理量、业务指标提升
- 性能优化：QPS提升、延迟降低、成本节省
- 技术栈：具体框架、工具、数据库、部署方案
- 工程能力：高并发、高可用、监控告警
❌ 不要过度强调：
- 算法细节和理论推导
- 论文（开发岗更看重系统）
项目示例（开发岗）：
【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
面试准备重点：
- 🏗️ 系统设计（高可用、高并发）
- ⚡ 性能优化（缓存、批处理）
- 🔧 工程实践（部署、监控、异常处理）
- 💼 业务理解（为什么这样设计）
点击查看"通吃"完整准备方案
为什么推荐通吃？
- 机会翻倍：可同时投算法和开发岗
- 展现全栈：大模型时代，算法+工程都重要
- 灵活适配：大厂偏算法，创业公司偏工程
理想简历结构（3-4个项目）：
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
AgentGuide 的学习路径：
- 先学理论（第一部分）- 建立算法认知
- 再学工具（第二部分）- 掌握工程技能
- 做实战项目（第三部分）- 同时准备算法版和开发版
- 面试准备（第四部分）- 掌握两类面试技巧
根据你在"第一步"的选择，选择对应的学习路线
🚀 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 ⭐⭐⭐
📋 详细路线（按岗位分）：
|
学习时长：10-15 周 学习重点：
项目类型：
👉 查看详细路线图 |
学习时长：8-12 周 学习重点：
项目类型：
👉 查看详细路线图 |
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| 学习路线 | 时长 | 每日投入 | 适合人群 |
|---|---|---|---|
| 🔬 算法岗路线 | 10-15周 | 4-6小时 | 有科研背景，想做创新 |
| 🛠️ 开发岗路线 | 8-12周 | 2-4小时 | 有工程背景，想做落地 |
💡 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
这是最重要的一步！没有项目，一切都是空谈！
AgentGuide 提供 n 个简历级实战项目，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n个项目
💡 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
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： 我来创建一个三列的内容导航表格：
| 章节 | 内容介绍 | 进展 |
|---|---|---|
| 🔰 L1-基础认知层 | 理解核心概念、掌握基本原理（1-2周） | |
| 模块1：Agent核心概念解析 | 智能体定义与分类体系、5级自主性模型 | |
| 模块2：技术演进历程与趋势洞察 | 从专家系统到神经网络的发展轨迹 | |
| 模块3：大模型工作原理 | Transformer/分词/训练/推理/对齐技术 | |
| 🛠️ L2-开发实现层 | 掌握框架工具、完成系统搭建（3-4周） | |
| 模块4：经典Agent范式手撕实现 | ReAct、Plan-Execute、Reflection模式 | |
| 模块5：低代码平台快速验证 | LangChain、Dify、Coze、n8n工具使用 | |
| 模块6：主流框架深度实战 | LangGraph、AutoGen、AgentScope、CrewAI | |
| 模块7：自研Agent框架设计原理 | 消息路由、工具注册、异常处理、日志追踪 | |
| 🚀 L3-高阶优化层 | 检索优化、上下文管理、模型训练（4-5周） | |
| 模块8：检索增强生成（RAG）全栈技术 | 数据预处理、索引构建、检索优化、高级RAG | |
| 模块9：上下文工程 | Write/Select/Compress/Isolate四大策略 | |
| 模块10：智能体通信标准与协议 | MCP、A2A、ANP协议详解 | |
| 模块11：模型微调与强化学习 | SFT、LoRA、PPO、DPO、GRPO算法应用 | |
| 模块12：性能评估与效果量化 | 评估维度、测试框架、自定义评估方法、🔥Anthropic评估完全指南 | ✅ |
学习时长：1-2 周 | 难度：⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐
- ✅ 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
|
模块1：Agent 核心概念解析
|
模块2：技术演进历程与趋势洞察
|
||||||||||||||||||
|
模块3：大模型工作原理（Agent的大脑）
|
|||||||||||||||||||
学习时长：3-4 周 | 难度：⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐
- ✅ 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
|
模块4：经典 Agent 范式手撕实现 从零实现三大核心模式： 1. ReAct 模式
2. Plan-Execute 模式
3. Reflection 模式
|
模块5：低代码平台快速验证 工具选型与使用： 1. 代码优先（Code-First）
2. 低代码/无代码（Low-Code）
|
||||||||||||||||||||
|
模块6：主流框架深度实战 框架能力对比与应用：
模块7：自研 Agent 框架设计原理 理解框架底层设计，培养自主开发能力：
|
|||||||||||||||||||||
学习时长：4-5 周 | 难度：⭐⭐⭐⭐⭐ | 重要性：⭐⭐⭐⭐⭐
- ✅ 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
|
模块8：检索增强生成（RAG）全栈技术 8.1 数据预处理
8.2 索引构建与管理
8.3 检索策略优化
8.4 高级 RAG 架构
|
模块9：上下文工程（Context Engineering）⭐⭐⭐
核心策略 - The 4 Acts：
工程实践技巧：
常见问题修复：
|
||||||||||||||||
|
模块10：智能体通信标准与协议
|
|||||||||||||||||
|
模块11：模型微调与强化学习 从监督微调到强化学习的完整路径： 11.1 监督微调（SFT）
11.2 强化学习（RLHF）
11.3 Agent RL 应用
|
模块12：性能评估与效果量化 如何科学评估 Agent 性能？ 评估维度：
评估框架：
自定义评估：
🔥 新增：AI Agent 评估完全指南
📖 评估指南：科学评估 Agent 📖 AgentBench 详解 📖 🔥 AI Agent 评估完全指南 (Anthropic官方万字长文) ⭐ 必读 |
||||||||||||||||
- 缓存策略（Semantic Cache、KV Cache）
- 异步任务队列与重试机制
- 降级与熔断
- LangSmith/LangFuse 链路追踪
- 成本监控与 Token 审计
- 性能分析与优化
- Prompt 注入防御
- 权限控制与沙盒隔离
- 人机协作边界（Human-in-the-loop）
📖 完整指南：高可用 RAG 系统
📖 安全性指南
💡 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）
- ✅ 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
每个项目都提供完整代码 + 算法岗/开发岗双版本简历写法
📄 项目一：自动化论文检索与分析 Agent（⭐ 推荐新手）
项目核心：为研究人员打造智能论文分析助手，整合 ArXiv 检索、多跳推理、自主规划等核心技术
适合场景：
- ✅ 面试 RAG 相关岗位（检索增强生成）
- ✅ 展示 Agentic 思维和系统设计能力
- ✅ 零基础友好，2-3周可完成
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：LangChain + Milvus + ArXiv API + GPT-4 + Redis
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
📝 简历示例
|
算法岗写法： |
开发岗写法： |
🌍 项目二：旅行规划 Multi-Agent 系统（⭐ 适合展示协作能力）
项目核心：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环
适合场景：
- ✅ 面试 Multi-Agent 协作岗位
- ✅ 展示复杂任务分解与Agent编排能力
- ✅ 中等难度，适合有一定基础的同学
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4
项目亮点：
- ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者）
- ✅ 层级式通信：Supervisor 模式 + 消息队列
- ✅ 智能决策：预算超支自动调整、天气影响行程变更
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
🕷️ 项目三：Web Agent - 自主浏览与任务完成（⭐ 高级，适合冲刺大厂）
项目核心：打造能自主浏览网页、理解页面内容、完成复杂任务的智能Agent（如在线购物、表单填写）
适合场景：
- ✅ 面试顶级 Agent 岗位（字节、阿里等）
- ✅ 展示视觉理解 + 决策执行的完整能力
- ✅ 高级项目，适合冲刺大厂SP/SSP
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：Playwright + GPT-4V + LangChain + 强化学习（PPO）
项目亮点：
- ✅ 视觉理解 + 操作执行的完整闭环
- ✅ 基于反馈的自我修正机制（识别错误 → 分析原因 → 调整策略）
- ✅ 在 WebArena 基准测试上达到 75% 成功率（超越 Baseline 10%）
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
📂 项目四：优质 Agent 实战开源项目、Workflow 项目与 Agent 项目集合
项目核心：整理分享一些优质的 Agent 实战开源项目、Workflow 项目与 Agent 项目集合
包含内容：
🧳 项目五：智能旅行助手 - Multi-Agent 协作系统（⭐ 适合展示协作能力）
项目核心：打造智能旅行助手，通过多Agent协作实现从需求分析到行程规划的完整闭环
适合场景：
- ✅ 面试 Multi-Agent 协作岗位
- ✅ 展示复杂任务分解与Agent编排能力
- ✅ 中等难度，适合有一定基础的同学
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：AutoGen / CrewAI + 天气API + 航班API + 酒店API + GPT-4
项目亮点：
- ✅ 3 个专业 Agent 协同工作（需求分析师、预算规划师、行程执行者）
- ✅ 层级式通信：Supervisor 模式 + 消息队列
- ✅ 智能决策：预算超支自动调整、天气影响行程变更
- ✅ MCP 协议集成实践
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
🔬 项目六：自动化深度研究智能体（⭐ 适合科研方向）
项目核心：复现 DeepResearch Agent，打造自动化文献检索与分析系统
适合场景：
- ✅ 面试 AI 研究助手相关岗位
- ✅ 展示复杂工作流设计与知识整合能力
- ✅ 高级项目，适合有科研背景的同学
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：LangGraph + ArXiv API + Semantic Scholar + GraphRAG + GPT-4/Claude
项目亮点：
- ✅ 复现 DeepResearch Agent 核心功能
- ✅ 自动化文献检索与分析（日均处理100+论文）
- ✅ 知识图谱自动构建与可视化
- ✅ 研究报告自动生成（3000+字深度报告）
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
🎮 项目七：桌游小镇社会模拟 - 大规模Agent系统（⭐ 高级，展示系统设计能力）
项目核心：构建25个Agent角色的社会模拟系统，探索复杂社交网络与记忆机制
适合场景：
- ✅ 面试大规模Agent系统设计岗位
- ✅ 展示社交模拟与记忆系统设计能力
- ✅ 高级项目，适合冲刺大厂
你将获得的核心能力：
|
🔬 算法线能力
|
🛠️ 工程线能力
|
技术栈：自定义 Agent 框架 + SQLite + 事件驱动架构 + 可视化界面
项目亮点：
- ✅ 25 个 Agent 角色自主交互与演化
- ✅ 记忆与关系网络动态管理
- ✅ 复杂社交行为模拟（友谊、竞争、合作）
- ✅ 可视化展示社交网络演化过程
学习路径：
- [ ] 项目需求与技术选型 （即将推出）
- [ ] 系统架构设计 （即将推出）
- [ ] 核心代码实现 （即将推出）
- [ ] 部署与演示 （即将推出）
- [ ] 📝 如何写进简历？（算法岗 vs 开发岗）（即将推出）
🎓 项目八：毕业设计 - 综合实战项目（⭐⭐⭐ 必做）
项目核心：综合运用所学知识，构建属于你的完整 Agent 应用
适合场景：
- ✅ 所有同学必做
- ✅ 简历核心项目
- ✅ 面试必讲项目
设计要求：
- ✅ 选择真实业务场景（RAG/自动化/研究助手等）
- ✅ 端到端系统设计（需求分析 → 架构设计 → 实现 → 优化 → 部署）
- ✅ 包含量化评估（构建测试集、性能指标、成本分析）
- ✅ 生产级考虑（异常处理、监控告警、成本优化）
- ✅ 可写进简历（提供算法岗和开发岗两种描述版本）
推荐方向：
|
🔬 算法岗方向
|
🛠️ 开发岗方向
|
核心产出：
- ✅ 完整的系统设计文档
- ✅ 可运行的代码实现
- ✅ 性能评估报告
- ✅ 算法岗 + 开发岗双版本简历描述
- ✅ 面试讲解准备材料
📖 毕业设计完整指南
💡 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
🎯 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）
|
理论基础（必学）
RAG系统（开发岗重点）
|
Agent开发（核心）
编程实战（必备）
|
🎯 岗位专项题库（针对性强化）
🏢 真实面经与进阶
- [x] 📋 大厂真实面经 - 美团/字节/阿里等16个完整案例
- [x] 📊 模型评估专题 - BLEU/ROUGE、基准测试、LLM-as-Judge 10题
- [x] 🔮 前景与趋势 - AGI、多模态、世界模型等开放讨论 9题
- [x] 💬 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
🎨 开源 LaTeX 简历模板 - 专为转行大模型设计
|
模板特色：
适合人群：
|
🔗 获取模板： 快速开始：
模板包含：
|
- [x] ⭐ 校招生谈薪实用指南 - 3大原则、话术模板
- [x] ⭐ HR面试完全攻略 - 10大高频问题应对
- [x] ⭐ 秋招心态调整指南 - 保持好心态拿Offer
📌 只推荐面试会考、项目会用的核心资源！
🤖 Agent 方向：
- [x] 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 - 界面操作
- 核心论文 - 必读论文
📊 RAG 方向：
- [x] RAG 资源总览 📂 - RAG 所有资源导航
🛠️ 通用工具：
🎨 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-LLM
（涵盖训练、推理、多模态、Infra 等 LLM 全栈 200+ Awesome 系列资源）
# 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
# 第三步：快速上手 LangChain
阅读：docs/02-tech-stack/04-langchain-guide.md
# 第四步：跑通第一个 Agent
git clone https://github.com/adongwanai/AgentGuide.git
cd AgentGuide/examples
python quickstart_agent.py# 第一步：快速上手 LangChain
阅读：docs/02-tech-stack/04-langchain-guide.md
# 第二步：理解 Agent 核心概念
阅读：docs/01-theory/01-what-is-agent.md
# 第三步：学习向量数据库
阅读：docs/02-tech-stack/08-vector-db-basics.md
# 第四步：搭建第一个 RAG Agent
git clone https://github.com/adongwanai/AgentGuide.git
cd AgentGuide/examples
python quickstart_rag_agent.pyAgentGuide 是一个完全开源的项目，非常欢迎你的贡献！
- 内容贡献：完善文档、补充案例、纠正错误
- 代码贡献：优化示例代码、添加新的实战项目
- 翻译贡献：帮助翻译成英文版，让更多人受益
- 问题反馈：发现问题？请提 Issue
- Fork 本仓库
- 创建你的特性分支 (
git checkout -b feature/AmazingFeature) - 提交你的修改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 提交 Pull Request
详细贡献指南请参考：CONTRIBUTING.md
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 15000+ 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
📱 小红书阿东玩AI短视频教程 + 技术拆解 |
📝 公众号阿东玩AI深度技术文章 + 求职经验 |
🎬 B站阿东玩AI视频教程 + 项目实战 |
💻 GitHub@adongwanai开源项目 + 代码示例 |
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？
🎁 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
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！🚀
- ❓ 常见问题 (FAQ) - 14个常见问题解答
- 📊 项目总结 (PROJECT_SUMMARY) - 项目定位与核心优势
- 🤝 贡献指南 (CONTRIBUTING) - 如何参与贡献
- 🚀 AgentGuide开源学习路线（简易版） - 从零到Offer完整路径（8-15周）⭐ 新增
- 🔬 算法岗详细路线 - 每日学习计划
- 🛠️ 开发岗详细路线 - 每日学习计划
- 🤖 Agent 资源总览 - Agent 所有资源
- 📊 RAG 资源总览 - RAG 所有资源
- 🛠️ 开发工具箱 - 效率工具推荐
- 📚 精选学习资源 - 课程、教程、书籍汇总
从这一刻起，距离你拿到 AI Agent Offer 只有 8-10 周
⭐⭐⭐ 如果觉得有帮助，请给个 Star！⭐⭐⭐
你的 Star 是我持续更新的最大动力
转行大模型，看阿东玩AI
For Tasks:
Click tags to check more tools for each tasksFor Jobs:
Alternative AI tools for AgentGuide
Similar Open Source Tools
51mazi
51mazi is a desktop novel writing software developed based on Electron + Vue 3 technology stack, designed for novel creators. It provides a professional writing environment and integrates map design, relationship graph, character profiles, AI-assisted creation, and more. The software aims to make novel creation more efficient and enjoyable for authors.
Operit
Operit AI is a fully functional AI assistant application for mobile devices, running independently on Android devices with powerful tool invocation capabilities. It offers over 40 built-in tools for file system operations, HTTP requests, system operations, UI automation, and media processing. The app combines these tools with rich plugins to enable a wide range of tasks, from simple to complex, providing a comprehensive experience of a smartphone AI assistant.
Saber-Translator
Saber-Translator is your exclusive AI comic translation tool, designed to effortlessly eliminate language barriers and enjoy the original comic fun. It offers features like translating comic images/PDFs, intelligent bubble detection and text recognition, powerful AI translation engine with multiple service providers, highly customizable translation effects, real-time preview and convenient operations, efficient image management and download, model recording and recommendation, and support for language learning with dual prompt word outputs.
vocotype-cli
VocoType is a free desktop voice input method designed for professionals who value privacy and efficiency. All recognition is done locally, ensuring offline operation and no data upload. The CLI open-source version of the VocoType core engine on GitHub is mainly targeted at developers.
llm-action
This repository provides a comprehensive guide to large language models (LLMs), covering various aspects such as training, fine-tuning, compression, and applications. It includes detailed tutorials, code examples, and explanations of key concepts and techniques. The repository is maintained by Liguo Dong, an AI researcher and engineer with expertise in LLM research and development.
Snap-Solver
Snap-Solver is a revolutionary AI tool for online exam solving, designed for students, test-takers, and self-learners. With just a keystroke, it automatically captures any question on the screen, analyzes it using AI, and provides detailed answers. Whether it's complex math formulas, physics problems, coding issues, or challenges from other disciplines, Snap-Solver offers clear, accurate, and structured solutions to help you better understand and master the subject matter.
aio-hub
AIO Hub is a cross-platform AI hub built on Tauri + Vue 3 + TypeScript, aiming to provide developers and creators with precise LLM control experience and efficient toolchain. It features a chat function designed for complex tasks and deep exploration, a unified context pipeline for controlling every token sent to the model, interactive AI buttons, dual-view management for non-linear conversation mapping, open ecosystem compatibility with various AI models, and a rich text renderer for LLM output. The tool also includes features for media workstation, developer productivity, system and asset management, regex applier, collaboration enhancement between developers and AI, and more.
ai_quant_trade
The ai_quant_trade repository is a comprehensive platform for stock AI trading, offering learning, simulation, and live trading capabilities. It includes features such as factor mining, traditional strategies, machine learning, deep learning, reinforcement learning, graph networks, and high-frequency trading. The repository provides tools for monitoring stocks, stock recommendations, and deployment tools for live trading. It also features new functionalities like sentiment analysis using StructBERT, reinforcement learning for multi-stock trading with a 53% annual return, automatic factor mining with 5000 factors, customized stock monitoring software, and local deep reinforcement learning strategies.
AI-fundermentals
AI Fundamentals is a comprehensive AI infrastructure learning resource collection, covering a complete technical stack from hardware basics to advanced applications. It includes GPU architecture and programming, CUDA development, large language models, AI system design, performance optimization, enterprise deployment, and more. The repository aims to provide a systematic learning path and practical guidance for AI engineers, architects, GPU programming developers, large model application developers, and technical researchers.
AutoGLM-GUI
AutoGLM-GUI is an AI-driven Android automation productivity tool that supports scheduled tasks, remote deployment, and 24/7 AI assistance. It features core functionalities such as deploying to servers, scheduling tasks, and creating an AI automation assistant. The tool enhances productivity by automating repetitive tasks, managing multiple devices, and providing a layered agent mode for complex task planning and execution. It also supports real-time screen preview, direct device control, and zero-configuration deployment. Users can easily download the tool for Windows, macOS, and Linux systems, and can also install it via Python package. The tool is suitable for various use cases such as server automation, batch device management, development testing, and personal productivity enhancement.
py-xiaozhi
py-xiaozhi is a Python-based XiaoZhi voice client designed for learning through code and experiencing AI XiaoZhi's voice functions without hardware conditions. The repository is based on the xiaozhi-esp32 port. It supports AI voice interaction, visual multimodal capabilities, IoT device integration, online music playback, voice wake-up, automatic conversation mode, graphical user interface, command-line mode, cross-platform support, volume control, session management, encrypted audio transmission, automatic captcha handling, automatic MAC address retrieval, code modularization, and stability optimization.
minimind-notes
MiniMind is a modular training guide for Large Language Models (LLMs), aiming to help developers deeply understand the training mechanism of modern large language models such as Llama and GPT through concise code and comparative experiments. It prioritizes principles over operations, provides experiments for each design choice, consists of 6 independent modules from basic components to complete architecture, and offers low entry barriers for learning. Suitable for individuals preparing for jobs in large model fields, students/researchers in machine learning/deep learning, developers, and learners with basic PyTorch knowledge who seek a deep understanding of LLMs. Not suitable for complete beginners, users only interested in deploying models quickly without caring about principles, and those looking for production-level code and best practices.
bella-openapi
Bella OpenAPI is an API gateway that provides rich AI capabilities, similar to openrouter. In addition to chat completion ability, it also offers text embedding, ASR, TTS, image-to-image, and text-to-image AI capabilities. It integrates billing, rate limiting, and resource management functions. All integrated capabilities have been validated in large-scale production environments. The tool supports various AI capabilities, metadata management, unified login service, billing and rate limiting, and has been validated in large-scale production environments for stability and reliability. It offers a user-friendly experience with Java-friendly technology stack, convenient cloud-based experience service, and Dockerized deployment.
CloudFlare-AI-Insight-Daily
CloudFlare-AI-Insight-Daily is a content aggregation and generation platform powered by Cloudflare Workers. It curates the latest updates in the AI field, including industry news, popular open-source projects, cutting-edge academic papers, and tech influencers' social media comments. The platform utilizes the Google Gemini model for intelligent processing and summary generation, automatically publishing AI daily reports on GitHub Pages. Its goal is to be your efficient assistant in staying ahead in the rapidly changing AI landscape and acquiring the most valuable information.