1
阶段1：基础语法与数据结构
2
 ├─ 变量/类型/控制流/函数
3
 ├─ 列表/字典/集合/元组推导式
4
 ├─ 文件读写与异常处理
5
 └─ 标准库：os, sys, json, re, datetime
6

7
阶段2：进阶核心
8
 ├─ 面向对象编程（类/继承/魔术方法）
9
 ├─ 装饰器/生成器/上下文管理器
10
 ├─ 迭代器/协程基础（yield）
11
 ├─ 类型提示（Type Hints）
12
 └─ 包管理与虚拟环境（pip/poetry/conda）
13

14
阶段3：工程化与异步
15
 ├─ 异步编程（asyncio / async/await）
16
 ├─ aiohttp / httpx 异步HTTP
17
 ├─ 日志系统（logging模块/结构化日志）
18
 ├─ 单元测试（pytest / unittest mock）
19
 ├─ 代码规范（black / ruff / pre-commit）
20
 └─ Git协作（分支/PR/Code Review）
21

22
阶段4：后端框架（FastAPI优先）
23
 ├─ FastAPI基础（路由/依赖注入/请求校验）
24
 ├─ Pydantic模型与序列化
25
 ├─ SQLAlchemy / Tortoise ORM
26
 ├─ 中间件/异常处理/CORS
27
 ├─ 异步任务（Celery / Background Tasks）
28
 └─ 部署（uvicorn / gunicorn + Nginx）

1
阶段1：理解Agent基础概念
2
 ├─ 什么是AI Agent：感知→思考→行动的循环
3
 ├─ Agent vs LLM直接调用的区别
4
 ├─ 核心能力拆解：规划(Planning) + 记忆(Memory) + 工具(Tools) + 执行(Action)
5
 ├─ ReAct模式（Reasoning + Acting）
6
 └─ CoT（Chain of Thought）推理范式
7

8
阶段2：动手实现一个简单Agent
9
 ├─ 手动实现ReAct循环（通过LLM API + while循环）
10
 ├─ 定义工具（Tool）：计算器/搜索/日期/文件读写
11
 ├─ 设计工具Schema（Function Calling格式）
12
 ├─ 管理多轮对话上下文（Message History）
13
 └─ 记录执行日志与中间步骤
14

15
阶段3：使用框架开发
16
 ├─ LangChain Agent基础（AgentExecutor / Tool / Memory）
17
 ├─ LangGraph：状态图与工作流（StateGraph / Node / Edge）
18
 ├─ 条件分支与循环（Graph循环、递归）
19
 ├─ 多步推理与子任务分解
20
 └─ 异常处理与回退机制
21

22
阶段4：进阶能力
23
 ├─ 多Agent协作（CrewAI / AutoGen）
24
 ├─ A2A通讯机制设计与实现
25
 ├─ Agent评测体系（任务集/自动化评估/LLM-as-Judge）
26
 ├─ 记忆持久化（向量存储/长期记忆/短期记忆）
27
 ├─ 自我反思与自我修正（Reflection Agent）
28
 └─ Agent安全（指令注入/权限控制/输出过滤）

1
阶段1：API调用基础
2
 ├─ OpenAI API（Chat Completions / Responses API）
3
 ├─ Claude API（Messages API）
4
 ├─ 国产模型（DeepSeek / 千问 / 智谱GLM / 豆包）
5
 ├─ 流式输出（Streaming）与实时展示
6
 ├─ 系统提示（System Prompt）与多轮消息结构
7
 └─ 参数调优（temperature / top_p / max_tokens）
8

9
阶段2：进阶集成
10
 ├─ 多模型适配层设计（统一的调用接口）
11
 ├─ 回退与重试策略（Rate Limit / 超时 / 模型切换）
12
 ├─ 函数调用（Function Calling）的Schema定义
13
 ├─ 结构化输出（JSON mode / 响应格式化）
14
 └─ Token用量统计与成本监控
15

16
阶段3：高级主题
17
 ├─ 模型能力评估（选型对比 / 基准测试）
18
 ├─ 缓存策略（相同请求结果的复用）
19
 ├─ 并行调用与请求调度
20
 ├─ 模型上下文长度管理与滑动窗口
21
 └─ Prompt注入防护与内容安全

1
阶段1：理解基本原理
2
 ├─ RAG是什么：解决LLM知识滞后与幻觉
3
 ├─ RAG流程：Query → Embedding → 检索 → 重排序 → 生成
4
 ├─ Embedding模型（text-embedding-3-small / bge / m3e）
5
 ├─ 向量数据库的概念（Chroma / Milvus / FAISS）
6
 └─ 简单实现：用Chroma构建一个基于文档的问答
7

8
阶段2：管道优化（决定了RAG好不好用）
9
 ├─ 文档分块策略（chunk_size / overlap / 语义分块）
10
 ├─ 检索方法（稠密检索 / 稀疏检索 / 混合检索）
11
 ├─ 重排序（Cross-Encoder / Cohere Rerank）
12
 ├─ Query改写（HyDE / 多轮查询扩展）
13
 └─ 过滤与元数据筛选
14

15
阶段3：工程化落地
16
 ├─ 索引管理（增量更新 / 删除 / 版本）
17
 ├─ 多数据源接入（PDF / HTML / 数据库 / 非结构化）
18
 ├─ LangChain RAG集成（Document Loaders / Text Splitters / VectorStores）
19
 ├─ LlamaIndex数据索引（Index / Node / Retriever）
20
 └─ RAG评估（准确率 / 召回率 / 幻觉率 / 端到端效果）
21

22
阶段4：高级RAG
23
 ├─ Agentic RAG（Agent自主决定何时检索）
24
 ├─ GraphRAG（知识图谱+向量检索结合）
25
 ├─ 多模态RAG（图片+文字联合检索）
26
 └─ 流式检索与低延迟优化

1
LangChain：
2
 ├─ 核心组件：ChatModel / PromptTemplate / OutputParser / Tool / Memory
3
 ├─ Chain（LLMChain / SequentialChain / RouterChain）
4
 ├─ Agent（AgentExecutor / Toolkits / AgentType）
5
 ├─ 文档处理（Document Loaders / Text Splitters / VectorStores）
6
 └─ LCEL（LangChain Expression Language）声明式组合
7

8
LangGraph（重点，2026年趋势）：
9
 ├─ StateGraph / MessageGraph
10
 ├─ 节点（Node）与边（Edge）定义
11
 ├─ 条件边（Conditional Edge）与循环
12
 ├─ 持久化（MemorySaver / Checkpointer）
13
 ├─ 人机交互（Human-in-the-loop / Interrupt）
14
 ├─ 子图（Subgraph）与分层Agent
15
 └─ 流式输出（Stream events / 自定义回调）
16

17
LlamaIndex：
18
 ├─ 文档读取器（SimpleDirectoryReader / 各种Loader）
19
 ├─ 索引类型（VectorIndex / SummaryIndex / TreeIndex / KeywordTableIndex）
20
 ├─ 检索器与后处理器
21
 ├─ QueryEngine（路由查询/子问题查询）
22
 └─ 与LangChain集成使用

1
基础：
2
 ├─ Prompt的基本原则（清晰/具体/角色设定/示例）
3
 ├─ Few-shot / Zero-shot / Chain-of-Thought
4
 ├─ 角色Prompt与系统Prompt设计
5
 ├─ 结构化输出（JSON/表格/XML格式约束）
6
 └─ 常见陷阱（长度控制/指令冲突/过度拒绝）
7

8
进阶：
9
 ├─ Prompt版本管理（Git管理Prompt文件 + 变更记录）
10
 ├─ 自动化Prompt评估（预设测试集 + 评分指标）
11
 ├─ 动态Prompt（根据上下文/用户输入组装Prompt片段）
12
 ├─ 多语言/多模型Prompt适配
13
 └─ Prompt注入防御（用户输入与系统指令分离）
14

15
工具：
16
 ├─ 使用LangSmith / Weights & Biases进行Prompt跟踪
17
 ├─ 结构化Prompt框架（如Guidance / LMQL / Outlines）
18
 └─ Prompt模板引擎（Jinja2/自定义Template）

1
基础：
2
 ├─ Function Calling的原理（模型输出结构化参数）
3
 ├─ Tool Schema定义（name / description / parameters）
4
 ├─ 多工具并行调用（Parallel Tool Calls）
5
 └─ 工具调用结果的回传与整合
6

7
进阶：
8
 ├─ 工具链编排（多个工具的组合调用顺序）
9
 ├─ 工具调用的错误处理（超时/异常/降级）
10
 ├─ 动态工具注册（根据上下文决定暴露哪些工具）
11
 ├─ 工具权限控制（哪些工具可以给Agent调用）
12
 └─ MCP简介：工具调用的标准化协议
13

14
实践：
15
 ├─ 实现5个以上的自定义工具（搜索/计算/数据库/邮件/日历）
16
 ├─ 构建一个工具调用异常处理框架
17
 └─ 用MCP协议封装一个外部API作为工具

1
工具掌握：
2
 ├─ Cursor（主流，推荐深入掌握）
3
 │   ├─ 多文件编辑 / Composer / 上下文管理
4
 │   ├─ 规则设定（.cursorrules）与项目规范
5
 │   └─ Agent模式 / 自动运行命令
6
 ├─ Claude Code（终端CLI，适合后端/脚本）
7
 ├─ GitHub Copilot（补全+聊天）
8
 ├─ Windsurf / Codex（按需选择）
9
 └─ 各工具的适用场景对比
10

11
核心方法论：
12
 ├─ 任务拆解：把大需求拆成AI能理解的小步骤
13
 ├─ TDD（先写测试，让AI实现通过测试的代码）
14
 ├─ 上下文管理：如何给AI提供足够的背景信息
15
 ├─ 代码审查：如何判断AI生成代码的正确性
16
 ├─ 迭代优化：一次不要生成太多代码，逐步验证
17
 └─ Prompt技巧：针对编程场景的Prompt工程
18

19
进阶：
20
 ├─ 用AI重构遗留代码
21
 ├─ AI辅助编写测试用例
22
 ├─ 自动生成API文档与注释
23
 ├─ 多语言/多框架代码生成
24
 └─ 自建AI Coding工作流（结合项目构建/CI）

1
传统数据库：
2
 ├─ MySQL：表设计/索引/查询优化/联表/事务
3
 ├─ Redis：缓存/数据结构/过期策略/与LLM结合（会话缓存）
4
 ├─ SQLite：轻量原型开发
5
 └─ 数据库建模基础（ER图/范式/迁移）
6

7
向量数据库：
8
 ├─ Chroma：轻量/嵌入使用/适合原型
9
 ├─ Milvus / Zilliz：生产级/分布式/高性能
10
 ├─ Pinecone：云托管/免运维
11
 ├─ FAISS：本地高性能库/适合离线
12
 └─ 核心概念：向量索引算法（IVF/HNSW）、相似度度量（cosine/L2/IP）
13

14
实践：
15
 ├─ 设计一个包含向量库的RAG数据流
16
 ├─ 对比不同向量数据库的检索速度与准确率
17
 └─ 实现向量+标量的混合过滤

1
FastAPI（推荐，AI项目首选）：
2
 ├─ 路由与依赖注入（Depends）
3
 ├─ 请求校验（Pydantic模型）
4
 ├─ 异步支持（async def routes）
5
 ├─ WebSocket（流式输出接口）
6
 ├─ 中间件/异常处理/日志
7
 ├── 文件上传/下载
8
 ├─ SQLAlchemy + Alembic（ORM与迁移）
9
 ├─ 后台任务（BackgroundTasks / Celery / ARQ）
10
 └─ 部署（Docker + Uvicorn + Nginx）
11

12
Flask（了解即可，部分老项目使用）：
13
 ├─ 路由与蓝图
14
 ├─ 请求上下文
15
 ├─ Flask-RESTful扩展
16
 └─ 与Gunicorn部署