13模块Agentic AI工程师学习路线：从Python基础到生产部署

智能体 AI 工程师学习路线图

├── 01 Python 与软件工程
│ ├── 高级 Python、Asyncio 与并发
│ ├── Git、Linux、API 与后端开发
│ └── 面向对象编程、设计模式与系统设计
│
├── 02 LLM 基础
│ ├── Transformer 架构与注意力机制
│ ├── Token、嵌入与上下文窗口
│ └── LLM API、推理与模型选择
│
├── 03 提示与上下文工程
│ ├── 提示设计与结构化输出
│ ├── 上下文窗口与上下文管理
│ └── 动态上下文与提示优化
│
├── 04 工具调用与函数执行
│ ├── 函数调用与 Schema 设计
│ ├── 外部 API 与工具集成
│ └── 并行工具执行与错误处理
│
├── 05 RAG 与知识系统
│ ├── 嵌入与向量数据库
│ ├── 混合搜索与重排序
│ └── Graph RAG 与检索评估
│
├── 06 智能体架构与设计模式
│ ├── ReAct、规划与反思
│ ├── 路由、规划器与执行器模式
│ └── 监督者与多智能体架构
│
├── 07 智能体框架与编排
│ ├── LangGraph 与 OpenAI Agents SDK
│ ├── CrewAI 与 AutoGen
│ └── 状态机与工作流编排
│
├── 08 记忆与状态管理
│ ├── 短期与长期记忆
│ ├── 持久化状态与检查点
│ └── 记忆检索与管理
│
├── 09 MCP 与智能体通信
│ ├── Model Context Protocol（MCP）
│ ├── MCP 服务器、客户端与工具发现
│ └── Agent-to-Agent（A2A）通信
│
├── 10 高级智能体工程
│ ├── 多智能体协调与委派
│ ├── Human-in-the-Loop 与审批工作流
│ └── 沙箱、浏览器与计算机操作
│
├── 11 智能体评估与可靠性
│ ├── 智能体追踪与可观测性
│ ├── 轨迹评估与基准测试
│ └── 护栏、测试与故障恢复
│
├── 12 生产与基础设施
│ ├── FastAPI、Docker 与 Kubernetes
│ ├── 队列、Redis 与后台工作进程
│ └── CI/CD、监控与成本优化
│
└── 13 真实世界智能体项目
├── 构建自主研究智能体
├── 开发多智能体编码系统
├── 创建 AI 浏览器自动化智能体
└── 部署生产级智能体 AI 系统

智能体 AI 工程不只是把 LLM 连接到工具。它的核心是设计自主系统：能够推理、规划、执行任务、与其他智能体协作、从故障中恢复，并在生产环境中稳定运行。

保存这份路线图。一次学一个概念。边学边构建真实的智能体。

目标不只是构建 AI 智能体，而是工程化那些真正能把事情做完的自主 AI 系统。