AgentGuide
💡 核心理念
📌 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！
🧭 按目标进入
📚 查看完整文档导航
前沿研究：Follow RSI
Follow RSI 是我维护的递归自我改进（RSI）进展追踪与 Harness 自进化证据库，重点关注 Agent 如何根据执行反馈改进可复用的提示、工具、技能与工作流。读论文时一起看留出集、同预算对照、跨模型迁移和代码等证据；未知项保留未知，新发现经人工审核后进入公开动态。
📑 目录
🎯 核心内容：
🛠️ 快速导航：
📖 关于本项目
3 分钟了解为什么你需要 AgentGuide
🧭 你可能正卡在这些地方
- 会调用模型、也接过工具，但 Agent 一跑长任务就早停、循环、丢状态，出了问题不知道怎么定位
- LangGraph、OpenAI Agents SDK、MCP、Skills、Multi-Agent 概念很多，却缺少一张完整的系统架构图
- Context、Memory、Tools、权限、Sandbox、Trace 混在一起，Demo 能跑，离可靠系统还很远
- RAG 做过基础问答，但复杂文档、多模态、引用溯源、评测集与线上观测没有形成闭环
- 项目只有功能截图，没有基线、指标、失败分析和工程取舍，简历写不实，面试经不起追问
- 想进入 Agent 方向，却不清楚开发岗、算法岗、Agentic RL 和前沿研究分别需要什么能力与作品
- 论文、框架和开源项目更新太快，不知道哪些值得学、先做什么、如何沉淀成可验证成果
AgentGuide 是什么？
AI Agent 工程、研究与求职的开源知识库
AgentGuide 围绕 “做得出、跑得稳、测得准、讲得清” 组织内容，不绑定单一框架，也不止于资源收藏：
- Agent 系统与 Harness：Agent Loop、Workflow / Agent / Multi-Agent 边界、状态、调度、权限与运行时
- Context Engineering 与 Memory：上下文分层、检索、压缩、长期记忆、Prompt Cache 与成本优化
- Tools 与协议生态：Tool Schema、MCP、Skills、A2A / ACP、Browser / Computer Use 与 Sandbox
- RAG 与知识系统：文档解析、Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Multimodal RAG 与引用溯源
- Eval、Observability 与 Safety：评测集、Trace / Replay、LLM-as-a-Judge、红队、HITL 与生产可靠性
- Post-training 与 Agentic RL：SFT、DPO / GRPO、轨迹数据、Reward / Verifier、长程信用分配与环境构建
- 项目、研究与求职：可复现实战、开源项目、前沿论文、实验设计、简历表达、系统设计与面试题库
🗺️ AgentGuide 在 LLM 生态中的定位
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（2026 版）：
🤖 Agent 应用层
- ✅ Agent / Workflow
- LangGraph、OpenAI Agents SDK
- AutoGen、CrewAI、Pydantic AI
- Dify、n8n、Flowise
- ✅ 任务形态
- Research / Coding / Web Agent
- Multi-Agent / Supervisor / Handoff
- Computer Use / Browser Automation
🧩 Agent Harness 层（核心）
- ✅ Context Engineering
- System / Memory / Retrieval / Trace
- Context Compression、Prompt Cache
- ✅ Tools & Protocols
- Tool Schema、MCP、Skills
- A2A / ACP、权限分级
- ✅ Reliability
- Sandbox、HITL、Retry、Cost Guard
- Trace、Replay、Observability
📊 Data / Eval / Training 层
- ✅ RAG & Data
- Docling、MinerU、Unstructured
- Milvus、Qdrant、Chroma、FAISS
- GraphRAG、Agentic RAG、Multimodal RAG
- ✅ Eval & Safety
- Promptfoo、DeepEval、Inspect、RAGAS
- WebArena、OSWorld、SWE-bench
- ✅ Post-training
- SFT、LoRA / QLoRA、DPO / GRPO
- Tool-use / Trajectory 数据合成
💡 AgentGuide 的完整覆盖：
🔬 算法工程师路径：
- Agent 推理与规划：ReAct、Reflexion、Tree/Graph Search、Tool-use 策略
- RAG 与记忆算法：Hybrid Retrieval、Rerank、GraphRAG、Agentic RAG、Memory 压缩与召回
- Post-training：SFT、LoRA/QLoRA、DPO/GRPO、工具调用/轨迹数据合成与评测
🛠️ 开发工程师路径：
- Agent Harness：状态管理、工具注册、权限确认、sandbox、trace、replay、成本控制
- 工具与协议：MCP、Skills、A2A/ACP、API adapter、Browser / Computer-use 工具封装
- 生产级 RAG：文档解析、向量库、rerank、引用、观测、CI eval 与安全红队
🔀 通吃型路径：用算法能力提升 Agent 决策质量，用工程能力把 Agent 做成可运行、可评测、可复盘、可写进简历的系统。
🎯 适合人群
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：
- ✅ Agent Loop | LangGraph | OpenAI Agents SDK | MCP / Skills
- ✅ RAG / Multimodal RAG | 向量数据库 | Agent Memory | Eval Harness
- ✅ 大模型面试 | 算法岗面试 | 开发岗面试 | HR面试 | 谈薪技巧
🌟 AgentGuide 的 6 大核心价值
- ✅ 从零基础到面试通过的完整路线
- ✅ 理论 → 工具 → 实战 → 求职，环环相扣
- ✅ 不用再到处找资料，一个仓库学完全部
- ✅ 每个知识点都标注"面试怎么考"
- ✅ 提供真实大厂面试题
- ✅ 手把手教你如何将项目写进简历
- ✅ 同一项目，可投算法岗或开发岗
- ✅ 算法线：原理、创新、实验设计
- ✅ 开发线：架构、优化、系统设计
- ✅ 所有内容永久免费
- ✅ 作者一线大模型算法工程师
- ✅ 社区驱动，欢迎贡献
- ✅ 10 分钟跑通第一个 Agent
- ✅ 2-3 周完成简历级项目
- ✅ 8-10 周系统掌握，准备面试
以上为 README 的开头部分。其余内容请阅读原文。 查看完整 README ↗
