我为什么决定系统学 AI Agent
最近我准备认真把 AI Agent 当成一个长期学习方向来做。
我是大二下学期，马上要放暑假。前一段时间我看了很多关于大模型、RAG、Agent、工作流、多智能体的内容，也收藏了不少文章和项目，但越看越容易乱。资料很多，概念更新也很快，如果只是一直看，很容易产生一种“我好像学了很多，但其实还不会做东西”的感觉。
我慢慢发现，学习 AI Agent 最大的问题，不是资料太少，而是资料太散。今天看一个框架，明天看一个 demo，后天又冒出来一个新的协议或者名词。最后很可能变成一直在追热点，却没有真正搭起自己的能力结构。
所以我决定换一种方式：不再按“看到什么学什么”来推进，而是按照一条明确的学习路线往下走。对我来说，这条路线最有价值的地方，不是它列了很多资源，而是它把学习顺序排出来了：
- 先理解什么是 agent，什么不是 agent
- 自己写一个最小 agent loop
- 学会 tool use、RAG 和 memory
- 再去理解更现代的 agent harness
- 最后补上 eval、trace、安全和工程化
这条路线也提醒了我一件很重要的事：AI Agent 不是只靠 prompt 搭出来的。真正有价值的系统，背后往往有工具调用、状态管理、权限控制、错误处理、评测和可观测性。也就是说，如果我真的想靠这个方向建立能力，就不能只停留在“会调 API”和“会跑 demo”。
接下来的暑假，我准备先完成这条路线的前半部分，重点放在能做出项目上，而不是单纯看完资料。我的目标不是一下子把所有内容学完，而是至少做出 1 到 2 个可以放进简历和 GitHub 的作品。比如一个 research agent，或者一个带检索和引用能力的 RAG agent。
我也想把这个过程记录下来。一方面是督促自己持续输出，另一方面也是想看看，按照一条清晰的路线走下去，几个月后我到底能不能从“知道一些概念”，走到“真的做出一些东西”。
这篇文章就当作一个开始。之后我会继续记录这条 AI Agent 学习路线上的过程、项目和踩坑。