AgentGuide

Appearance

📚进度:0/670%

AI Agent 权威学习指南 ​

本指南旨在汇总并梳理来自业界领先公司（如 Anthropic, OpenAI, Google）及主流开源社区的 AI Agent 开发最佳实践、官方文档与核心资源，为算法工程师和开发者提供一份系统化的学习路线图。

📑 目录 ​

Anthropic 官方指南 ​

1. Building Effective Agents ​

链接：https://www.anthropic.com/engineering/building-effective-agents

发布时间：2024

内容概述：本文是 Anthropic 团队关于构建高效 AI Agent 的官方工程实践总结，深刻阐述了 Agent 的适用边界与设计哲学，是 Agent 开发者入门的必读文献。

核心设计原则 ​

  1. 明确 Agent 的适用边界
    • 精准判断何时应采用 Agent 架构，避免技术方案的滥用。
  2. 工作流优先原则 (Workflow > Agents)
    • 对于流程固定、逻辑明确的任务，应优先采用传统工作流（Workflow），而非 Agent，因为工作流具备更高的可控性、稳定性与成本效益。
  3. 遵循“简单优于复杂”的设计哲学
    • 在许多场景下，精炼的提示词工程（Prompt Engineering）比构建复杂的 Agent 系统更为高效。
    • 推荐从最简化可行方案（MVP）入手，根据实际需求迭代演进。

Agent 适用场景分析 ​

  • 适用场景：
    • 任务执行路径非确定性，需要基于上下文进行动态决策。
    • 需要与外部工具或 API 进行复杂交互。
    • 需要根据任务的中间结果动态调整后续策略。
  • 不适用场景：
    • 业务流程固定，执行步骤明确。
    • 可通过简单的条件判断（if-else）逻辑实现。
    • 对系统响应时间（Latency）和计算成本（Cost）有严格要求。

推荐理由 ​

  • 源自 Claude 核心团队的宝贵实战经验。
  • 提供明确的决策框架，有效避免过度设计（Over-engineering）。
  • 其核心思想是 AI Agent 相关岗位面试中的常见考点。

2. Prompt Engineering Overview ​

链接：https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

内容概述：一份系统化的官方 Prompt Engineering 教程，覆盖了从基础原则到高级技巧的完整知识体系。

核心内容：

  • 提示词设计的基本原则
  • 常见的设计模式与实用技巧
  • 如何规避常见陷阱
  • 面向性能的提示词优化策略

适用对象：

  • AI Agent 开发者
  • 提示词工程师（Prompt Engineer）
  • 所有希望提升大模型（LLM）输出质量的开发者

3. Prompt Engineering Interactive Tutorial ​

链接：https://github.com/anthropics/prompt-eng-interactive-tutorial

内容概述：一个基于 Jupyter Notebook 的交互式 Prompt Engineering 动手实践教程。

主要特点：

  • 交互式学习：通过代码实践加深理解。
  • 实时反馈：即时验证不同提示词策略的效果。
  • 实战案例驱动：围绕真实世界的应用场景展开。

OpenAI 官方指南 ​

1. A Practical Guide to Building Agents ​

链接：https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf

发布时间：2024

内容概述：OpenAI 官方发布的 Agent 构建权威指南（PDF），系统性地介绍了从架构设计到生产部署的全流程。

核心内容 ​

  1. Agent 架构设计
    • 基础架构模式
    • 核心组件设计
    • 系统集成方案
  2. 工程最佳实践
    • 工具设计原则（Tool Design）
    • 错误处理策略（Error Handling）
    • 性能优化技巧
  3. 生产环境部署
    • 监控与日志（Monitoring & Logging）
    • 安全性考量（Security）
    • 成本控制策略（Cost Management）

适用对象 ​

  • 使用 OpenAI API 构建 Agent 的开发者。
  • 希望深入理解 OpenAI Agent 设计理念的工程师。
  • 计划将 Agent 应用部署到生产环境的团队。

2. OpenAI Cookbook - Agents ​

链接：https://cookbook.openai.com/examples/how_to_build_an_agent_with_the_node_sdk

内容概述：OpenAI Cookbook 中的 Agent 实战代码库，提供了丰富的可复用代码示例。

主要特点：

  • 代码即用：提供开箱即用的代码示例。
  • 场景丰富：覆盖多种常见的 Agent 应用场景。
  • 持续更新：由官方维护，紧跟最新技术实践。

Google 官方指南 ​

1. Gemini for Google Workspace Prompting Guide ​

链接：https://services.google.com/fh/files/misc/gemini-for-google-workspace-prompting-guide-101.pdf

内容概述：Google 官方发布的、面向 Gemini 模型的 Prompt Engineering 指南（PDF）。

核心内容：

  • Gemini 提示词最佳实践
  • 在工作场景中的具体应用案例
  • 提示词的迭代优化技巧

适用对象：

  • 以 Gemini 系列模型为核心进行开发的工程师。
  • 希望了解 Google Prompt 设计理念的研究者。

2. Google AI Studio ​

链接：https://aistudio.google.com/

内容概述：Google 官方提供的在线 AI 实验与 Prompt 调试平台。

主要特点：

  • 可视化设计：提供图形化界面进行 Prompt 设计。
  • 实时调试：支持对 Prompt 进行快速测试和迭代。
  • 性能分析：提供基础的性能评估工具。

社区优质资源 ​

1. Agentic Design Patterns（中英对照） ​

链接：https://github.com/ginobefun/agentic-design-patterns-cn

内容概述：《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》一书的中英文对照译本，系统性地总结了 Agent 的核心设计模式。

适用对象 ​

  • AI 工程师与软件架构师
  • 产品经理
  • 对智能系统设计感兴趣的研究者

核心内容 ​

  1. 核心设计模式
    • Reflection（反思）
    • Tool Use（工具使用）
    • Planning（规划）
    • Multi-Agent（多智能体）
  2. 实现流程
    • 从问题定义到方案设计
    • 从原型开发到生产部署
    • 性能评估与优化
  3. 系统架构
    • 模块化设计
    • 接口定义
    • 系统可扩展性

推荐理由 ​

  • 系统性地归纳了当前主流的 Agent 设计模式。
  • 提供中英文对照，便于精准理解核心概念。
  • 紧密结合理论与工程实践。
  • 由社区驱动，内容持续迭代更新。

2. LangChain 官方文档 ​

链接：https://python.langchain.com/docs/get_started/introduction

内容概述：最全面、最权威的 LangChain 学习资源库，是基于 LangChain 进行开发的首选参考。

推荐学习路径：

  1. Get Started - 快速入门，了解基本概念。
  2. Modules - 深入学习各个核心模块。
  3. Use Cases - 参考官方提供的实战案例。
  4. LangGraph - 学习构建更复杂、可控的多智能体工作流。

中文教程：https://github.com/liaokongVFX/LangChain-Chinese-Getting-Started-Guide

3. LlamaIndex 官方文档 ​

链接：https://docs.llamaindex.ai/

内容概述：专注于 RAG（Retrieval-Augmented Generation）的开源框架，在处理复杂数据索引和检索方面具备独特优势。

核心模块：

  • Data Connectors - 丰富的异构数据源连接器。
  • Indexing - 高效、可定制化的数据索引构建。
  • Query Engines - 强大的混合查询引擎。
  • Agent - 与数据深度结合的 Agent 模块。

🎯 系统学习路径建议 ​

第一阶段：基础理论与核心概念 (1-2 周) ​

  1. 理解 Agent 核心思想
  2. 掌握 Prompt Engineering
  3. 熟悉设计模式

第二阶段：框架实践与工程落地 (2-4 周) ​

  1. 深入框架实践
  2. 关注生产环境
  3. 探索多智能体系统

💡 核心面试题解析 ​

问题一：在何种场景下应该选择使用 Agent？ ​

参考思路：

这个问题旨在考察候选人对 Agent 技术适用性的理解。可以结合 Anthropic 的官方指南进行回答：

  1. 决策边界：首先，Agent 并非银弹。对于流程固定的任务，应优先选择更稳定、可控的工作流（Workflow）。
  2. 适用场景：Agent 的核心优势在于处理不确定性。因此，它适用于任务步骤需要动态规划、需要与外部工具交互、或需要根据中间结果调整策略的复杂场景。
  3. 成本考量：在阐述时，还应提及对响应延迟和计算成本的考量，这体现了候选人的工程实践素养。

问题二：一个典型的 AI Agent 系统由哪些核心组件构成？ ​

参考思路：

这个问题考察对 Agent 基础架构的理解。

  1. 核心组件：一个典型的 Agent 系统通常包含三个核心组件：
    • 规划（Planning）：负责任务分解和制定执行计划。这是 Agent "思考"的核心。
    • 工具（Tools）：封装了 Agent 与外部世界（如 API、数据库）交互的能力。
    • 记忆（Memory）：用于存储和检索历史信息，为长期任务提供上下文。
  2. 协同工作：可以进一步说明这三个组件如何协同工作，形成类似 ReAct (Reason + Act) 的循环，驱动任务的执行。

问题三：如何对 AI Agent 的性能进行评估与优化？ ​

参考思路：

这个问题考察候选人在工程实践方面的深度。

  1. Prompt 优化：指令的清晰度、输出格式的结构化是性能优化的基础。
  2. 工具设计：工具集的规模、工具描述的精确性直接影响 Agent 的决策效率和准确性。应遵循“高内聚、低耦合”的原则设计工具。
  3. 错误处理：设计完善的异常捕获、重试机制和用户澄清环节，是保障系统鲁棒性的关键。
  4. 成本与延迟：通过缓存（Caching）、限制迭代次数、选择更经济的模型等手段进行成本控制。
  5. 监控与调试：建立可观测性（Observability）体系，记录 Agent 的决策轨迹（Trace），是持续迭代和优化的前提。

🔗 内部相关文档 ​

📌 文档信息 ​

最后更新：2025-11
贡献指南：欢迎通过提交 Pull Request 补充和修正内容。

更新历史：

  • 2025-11：创建官方学习指南汇总文档，整合 Anthropic、OpenAI、Google 及社区核心资源，并提供系统学习路径和面试指引。

⭐ 如果本指南对您有所帮助，欢迎 Star 支持，也欢迎通过 Pull Request 贡献更多优质资源。

Released under the MIT License.

Copyright © 2026-present AgentGuide Contributors