2026 Agent 求职通关路线

这是一条面向求职和项目落地的 Agent 学习路线。目标不是收藏更多链接，而是一步步做出能验证、能演示、能写进简历的作品。

适合谁

你的状态	建议入口
零基础	从 Stage 0 开始，先建立 Agent / Workflow / RAG / Multi-Agent 的坐标系
做过 LLM 应用	从 Stage 1 或 Stage 2 开始，补 Agent Loop、工具调用、评测和上下文工程
想做简历项目	直接看 Stage 7-8，把项目做成可运行、可评测、可复盘的系统
准备面试	对照每个阶段的产出物，练习用架构、业务、结果三维表达项目

---

当前优先级

Agent 方向变化很快，当前更值得投入的是能落地、能验证、能讲清楚取舍的能力。

优先级	方向	为什么重要
1	Claude Code / Codex-style Coding Agents	真实代码库、shell、文件编辑、测试、权限、上下文压缩，是理解 Agent 工程的最佳样本
2	Agent Harness Engineering	Agent 能力很大一部分来自 harness：工具协议、权限、状态、反馈、回放、CI、评测
3	Context Engineering	Agent 的核心不是提示词，而是控制信息如何进入模型
4	Skills / MCP / A2A / ACP	Skills 负责能力复用，MCP 连接工具，A2A 连接 Agent，ACP 连接宿主应用
5	Browser / Computer-Use Agents	浏览器和桌面操作是 Agent 从 demo 走向真实任务的重要边界
6	Evaluation / Observability / Safety	没有 eval、trace、权限边界的 Agent，只能算 demo

---

Stage 0：理解 Agent 是什么

目标：区分 chatbot、workflow、agent、multi-agent，知道什么时候不该用 Agent。

需要掌握：

• Agent 基本循环：observe -> think -> act -> observe
• Workflow 和 Agent 的边界
• Agent 失败的常见原因：上下文污染、工具设计差、状态不可恢复、没有评测
• Harness 的意义：模型是推理核心，harness 提供工具、权限、记忆、反馈和运行环境

推荐阅读：

• Anthropic: Building effective agents
• OpenAI: A practical guide to building agents
• 上下文工程实践

产出物：写一页笔记回答三个问题：

1. 我的场景为什么需要 Agent，而不是普通 workflow？
2. Context Engineering 和 Prompt Engineering 的区别是什么？
3. Harness 的各层分别解决什么问题？

Stage 1：写出最小 Agent Loop

目标：自己写出一个能选择工具、执行工具、返回最终答案的最小 Agent。

需要掌握：

• 普通 LLM API 调用
• 结构化 JSON 输出
• 工具函数定义和 schema 设计
• tool call / function call 解析
• 最大步数、超时、错误处理

核心循环：

while True:
    response = call_model(messages, tools)
    if response.stop_reason == "end_turn":
        break
    if response.stop_reason == "tool_use":
        result = run_tool(response.tool_call)
        messages.append(result)
        continue

推荐阅读：

• OpenAI Function Calling
• Claude Tool Use
• 手撕 ReAct 框架

产出物：一个 50-150 行的最小 Agent，可以调用 calculator、search、read_file 等工具。

Stage 2：Tool Use、RAG 和 Memory

目标：让 Agent 从“会聊天”变成“能查资料、用工具、有记忆”。

需要掌握：

• RAG 全流程：chunk -> embed -> retrieve -> answer with citations
• 工具注册：优先使用 dispatch 表，而不是 if-elif 长链
• 短期上下文、会话记忆、长期记忆的区别
• 工具失败、空结果、重复调用、幻觉引用处理
• 回答中给出来源或证据

推荐阅读：

• RAG 全流程指南
• Agent Memory 系统完整指南
• MCP 协议详解

产出物：一个资料研究助手，输入主题后自动搜索、筛选、总结并输出引用链接。

Stage 3：研究一个现代 Agent Harness

目标：从真实系统里学习 Agent 如何组织工具、上下文、权限、状态、日志、子任务和反馈。

推荐研究对象：

系统	适合学习什么
Claude Code	CLI、工具、权限、hooks、subagents、MCP
learn-claude-code	从零复刻 coding agent harness
OpenClaw / claw0	长运行、本地优先、消息入口、memory、heartbeat
OpenHands / SWE-agent	代码库编辑、shell、测试、sandbox
nanobot	轻量 agent base、multi-provider、memory、skills

重点读：

• agent loop 在哪里
• tool registry 怎么设计
• permission gate 怎么拦截风险动作
• session store 怎么保存状态
• context compaction 怎么触发
• trace 怎么记录和回放

产出物：一个可调试的 harness demo，包含 README、运行步骤、示例输入输出和失败记录。

Stage 4：把 Multi-Agent 当协调问题

目标：理解多 Agent 不是“角色扮演越多越强”，而是任务分解、上下文隔离和结果汇总。

需要掌握：

• planner / executor / reviewer / critic / router 的职责边界
• supervisor 或 graph 如何管理多 Agent
• 每个 Agent 的输入输出 schema 和停止条件
• 循环、争论、任务漂移、上下文膨胀怎么处理
• 什么时候单 Agent 更好

判断标准：

如果子任务之间需要频繁交换中间状态，优先单 Agent；如果子任务可以独立完成、最后只汇总结果，才考虑 multi-agent。

推荐阅读：

• 多智能体框架
• Claude Code Subagents
• Anthropic: How we built our multi-agent research system

产出物：一个 research -> write -> review -> revise 的小型多 Agent 系统。

Stage 5：学习 Skills、协议和能力封装

目标：理解 Tool、Skill、MCP、A2A、ACP 分别解决什么问题。

需要掌握：

• Tool：可调用接口，解决“能不能做”
• Skill：可复用流程知识，解决“怎么高质量地做”
• MCP：连接外部工具和数据源
• A2A：Agent 之间发现、通信和协作
• ACP：宿主应用与 Agent 的统一接口

一个好的 Skill 应该包含：

• name / description
• 何时使用
• 操作步骤
• 需要渐进加载的脚本或模板
• 验收标准
• smoke test

推荐阅读：

• Claude Code Skills
• Model Context Protocol
• Agent2Agent Protocol

产出物：一个可复用 Skill，例如 code-review、research-report、pdf-extraction 或 release-note-writer。

Stage 6：Browser 和 Computer-Use Agents

目标：让 Agent 能操作公开网页，并具备可复盘的安全边界。

需要掌握：

• Browser Agent 和普通 API Tool 的区别
• Playwright / browser-use 的基本操作
• 页面变化、弹窗、加载失败、元素定位失败处理
• 截图、DOM、动作日志记录
• 对登录、支付、发布、删除等动作设置安全限制

推荐阅读：

• Claude Computer Use
• browser-use
• WebArena

产出物：一个只操作公开网页的 Browser Agent，能打开页面、提取信息、生成摘要。

Stage 7：Evaluation、Observability 和 Safety

目标：用评测和 trace 把 Agent 从“感觉变好”推进到“可以定位、可以回归、可以优化”。

需要掌握三层评测：

层级	测什么	怎么做
Component eval	单个 prompt / tool / retriever 是否可靠	fixture -> 期望输出，断言关键属性
Trajectory eval	整段 agent loop 是否走对路径	看步数、工具选择、是否绕路，结合 rubric 打分
End-to-end eval	用户任务是否完成	真实任务 + 明确成功标准

还需要记录：

• 成功率
• 失败原因
• 工具调用次数
• 成本
• 延迟
• 权限确认记录

推荐阅读：

• Agent 评估完全指南
• Evaluation Harness 完全指南
• OpenAI Evals

产出物：一个 eval 表格，至少 20 个任务、期望结果、实际结果、失败分类。

Stage 8：Ship 一个真实 Agent

目标：完成一个别人能 clone 下来跑的 Agent 项目。

最低要求：

• 有明确用户、明确任务、明确成功标准
• 有日志、trace、错误重试、超时、成本上限
• 有权限边界和人工确认机制
• 有部署方式：CLI、Web app、Slack bot、GitHub Action 或后台任务
• 有 README：怎么运行、怎么配置、怎么扩展、有哪些限制
• 有 eval：至少 20 条任务，记录通过率和失败归因

最终产出物：一个可运行 Agent 项目 + 技术博客 + 简历项目描述。

---

简历表达模板

不要只写“基于大模型实现智能问答”。一个 Agent 项目应该从三维表达：

维度	怎么写
架构表达	agent loop、工具注册、会话状态、上下文裁剪、权限确认、记忆和错误恢复
业务表达	业务场景、关键工具、数据源、用户路径和约束条件
结果表达	评测集规模、成功率、失败类型、成本优化和消融实验结论

示例：

基于轻量 Agent Harness 构建垂直场景助手。ReAct loop + dispatch 表注册 5 个业务工具，四层分级 context 管理 system / long-term / short-term / turn 信息；高风险操作接入三级权限确认。20 条评测 case 端到端通过率 82%，通过上下文压缩和模型路由将 token 成本降低 60%。