---
url: /blog/nk0s1h90/index.md
---
# AI 领域全景地图 — Agent/应用开发求职视角

> \[!NOTE] 查询背景
> 求职导向（AI应用开发/Agent开发方向），用户已有 Claude Code/OpenCode 使用经验。目标是了解 AI 各领域全景 + 获得深入学习资源。

## 覆盖评估

* **Wiki 覆盖**：Agent 开发、上下文工程、评估、AI 驱动开发 — SUFFICIENT
* **Web 补充**：AI 全景分层、求职技能树 — 🟡 Partially Grounded

## AI 领域分层全景

```
┌─────────────────────────────────────────────────────┐
│                   应用层（解决什么问题）                  │
├──────────────┬──────────────┬────────────────────────┤
│  AI Agent    │  AI 应用开发   │  AI + 行业              │
│  自主决策/执行 │  嵌入业务流程   │  医疗/金融/教育/网安...   │
├──────────────┴──────────────┴────────────────────────┤
│                   技术方向层（核心能力）                  │
├──────────┬──────────┬──────────┬─────────────────────┤
│  NLP/LLM │   CV     │  多模态   │  强化学习              │
│  理解/生成 │  看懂图像  │ 跨模态融合 │  通过试错学习           │
├──────────┴──────────┴──────────┴─────────────────────┤
│                   方法层（怎么做到）                      │
├─────────────────────────────────────────────────────┤
│  机器学习 → 深度学习（CNN/RNN/Transformer）→ LLM        │
├─────────────────────────────────────────────────────┤
│                   基础层                                │
├─────────────────────────────────────────────────────┤
│  数学（线代/概率/优化）+ 编程（Python）+ 工程（系统设计）   │
└─────────────────────────────────────────────────────┘
```

## 各领域速查

| 领域           | 核心问题                  | 关键技术                  | 岗位方向          |
| :----------- | :-------------------- | :-------------------- | :------------ |
| **机器学习**     | 如何从数据中学习规律？           | 监督/无监督/强化学习           | ML Engineer   |
| **深度学习**     | 如何用神经网络处理复杂模式？        | CNN、RNN、Transformer   | DL Engineer   |
| **NLP/LLM**  | 如何让机器理解/生成人类语言？       | Transformer、SFT、RLHF  | LLM Engineer  |
| **计算机视觉**    | 如何让机器看懂图像/视频？         | 目标检测、图像分割、视觉生成        | CV Engineer   |
| **AI Agent** | 如何让 AI 自主完成复杂任务？      | ReAct、工具调用、MCP、多Agent | Agent 开发工程师   |
| **上下文工程**    | 如何在有限 token 内传递最相关信息？ | RAG、GSSC 管线、记忆系统      | AI 应用开发       |
| **AI 应用开发**  | 如何把 AI 能力嵌入产品？        | Prompt 设计、API 集成、评估   | AI 应用工程师      |
| **模型部署**     | 如何高效运行大模型？            | vLLM、量化、推理优化          | MLOps / 推理工程师 |

## Agent/应用开发技能树

基于 wiki 中 82 篇素材的编译结果：

```
第 4 层  工程化
         FastAPI / Docker / 评估体系（SWE-Bench）
         ↑
第 3 层  Agent 专项 ← 核心竞争力
         框架（LangGraph） / MCP 协议 / 多 Agent / 评估
         ↑
第 2 层  LLM 能力
         Prompt → Context Engineering / RAG / 记忆系统
         ↑
第 1 层  基础
         Python / Transformer 原理 / API 调用
```

**各层对应的 wiki 知识**：

| 层级                  | wiki 概念页                                                                                      | 核心要点                                                      |
| :------------------ | :-------------------------------------------------------------------------------------------- | :-------------------------------------------------------- |
| Agent 专项            | \[\[../../02\_AREAS/AI/wiki/concepts/Agent架构与编排]]、\[\[../../02\_AREAS/AI/wiki/concepts/Agent基础与训练]] | ReAct/Plan-and-Solve/Reflection 三范式、Harness 设计、MCP/A2A 协议 |
| Context Engineering | \[\[../../02\_AREAS/AI/wiki/concepts/上下文工程]]                                                     | GSSC 管线、Contextual Retrieval、记忆系统                         |
| 评估                  | \[\[../../02\_AREAS/AI/wiki/concepts/评估与基准]]                                                     | Eval 设计、SWE-Bench、基础设施噪声                                  |
| AI 驱动开发             | \[\[../../02\_AREAS/AI/wiki/concepts/AI驱动开发]]                                                    | Vibe Coding、多模型协作、SOP 设计                                  |
| 工具实践                | \[\[../../02\_AREAS/AI/wiki/concepts/AI工具实践]]                                                    | Claude Code、MCP 工具生态、GUI Agent                            |

## 学习路线（求职导向）

已有 Claude Code/OpenCode 使用经验，跳过入门阶段：

```
现在 ─────────────────────────────────────→ 目标岗位
│
├─ 阶段一（2-3周）：补齐 Agent 理论
│  ├── hello-agents 课程（Ch.1-7）→ Agent 范式 / 框架设计
│  ├── Anthropic "Building Effective Agents" → 设计模式
│  └── 产出：能讲清楚 ReAct/Plan-and-Solve/Reflection 的区别
│
├─ 阶段二（3-4周）：Agent 开发实战
│  ├── 学 LangGraph（当前最主流的 Agent 框架）
│  ├── 实现 MCP Server（Anthropic 的工具调用标准）
│  └── 产出：GitHub 上有 1-2 个 Agent 项目
│
├─ 阶段三（2-3周）：Context Engineering + 评估
│  ├── 搭建 RAG 系统（向量数据库 + Contextual Retrieval）
│  ├── 实现 Eval 流程（测试 Agent 在什么条件下失败）
│  └── 产出：项目中有完整的评估报告
│
└─ 阶段四（持续）：工程化 + 面试
   ├── Docker 部署、API 设计
   ├── 系统设计题准备（如何设计一个多 Agent 系统）
   └── 产出：可演示的端到端 Agent 应用
```

## 深入学习资源

### Wiki 内部素材

* \[\[../../02\_AREAS/AI/wiki/summaries/Summary - hello-agents课程]] — Datawhale 16 章完整课程
* \[\[../../02\_AREAS/AI/wiki/summaries/Summary - Anthropic Agent工程]] — Effective Agents + Harness 设计
* \[\[../../02\_AREAS/AI/wiki/summaries/Summary - 上下文工程]] — Context Engineering 完整方法论
* \[\[../../02\_AREAS/AI/wiki/summaries/Summary - Agent评估]] — Eval 方法论 + SWE-Bench
* \[\[../../02\_AREAS/AI/wiki/summaries/Summary - Agent协议与框架]] — ACP/A2A/MCP 通信协议

### 外部资源

> Web 补充

| 资源                                                       | 说明                       |
| :------------------------------------------------------- | :----------------------- |
| Andrew Ng - AI Agentic Design Patterns (Deeplearning.ai) | 免费短课，Agent 设计模式系统讲解      |
| Lilian Weng 博客 - LLM Powered Autonomous Agents           | OpenAI 技术经理，Agent 综述经典文章 |
| LangChain/LangGraph 官方文档                                 | 最主流 Agent 框架，必学          |
| MCP 协议官方文档 (modelcontextprotocol.io)                     | Anthropic 的工具调用标准        |
| 斯坦福 HAI 2025 AI 指数报告                                     | AI 全景权威年度报告              |

## 建议后续查询

1. "LangGraph 和 CrewAI 怎么选？各适合什么场景？" — 框架选型
2. "MCP 协议完整技术细节是什么？" — 工具调用标准深入
3. "Agent 面试常考的系统设计题有哪些？" — 面试准备