背景

基于../../02_AREAS/SOP/快速入行SOP四步法，面向 AI 应用开发/Agent 开发方向的求职行动清单。 用户背景：Java Web 开发经验，已有 Claude Code 和聊天 AI 使用经验，目标为 AI Agent/应用开发岗位求职。

覆盖评估

🟢 Wiki-Grounded — 直接证据来自 82 篇 wiki 素材，含 7 大概念域。

---

第一步：100 个关键词（Day 1-3）

"100个关键词建立词汇，专家提供经验，书籍构建体系，项目完成内化——四步缺一不可。" — ../../02_AREAS/SOP/wiki/summaries/Summary - 快速入行SOP

关键词清单（AI Agent/应用开发方向）

按概念域分组，来源为 wiki 素材中的高频术语：

LLM 基础（15词）[ ] Transformer [ ] 自注意力机制 [ ] Token [ ] Context Window [ ] Temperature [ ] Top-P [ ] Embedding [ ] Fine-tuning [ ] SFT（监督微调） [ ] RLHF [ ] GRPO [ ] 推理优化 [ ] 量化（Quantization） [ ] 幻觉（Hallucination） [ ] Few-shot / Zero-shot

Agent 核心（20词）[ ] ReAct 范式 [ ] Plan-and-Solve 范式 [ ] Reflection 范式 [ ] Tool Use（工具调用） [ ] Function Calling [ ] Agent Loop [ ] Harness Engineering [ ] Multi-Agent [ ] Agent 通信 [ ] 自主决策 [ ] 规划器（Planner） [ ] 观察循环（Observe-Orient-Decide-Act） [ ] 子代理（Sub-agent） [ ] 编排（Orchestration） [ ] 状态管理 [ ] 失败恢复 [ ] Guardrails [ ] Agentic Workflow [ ] Vibe Coding [ ] AI 驱动开发

上下文工程（12词）[ ] Context Engineering [ ] Prompt Engineering [ ] RAG（检索增强生成） [ ] 向量数据库 [ ] Contextual Retrieval [ ] GSSC 管线（Gather/Select/Structure/Compress） [ ] 记忆系统 [ ] Chunking [ ] BM25 [ ] Think Tool [ ] Context Window 管理 [ ] 检索失败率

协议与工具（13词）[ ] MCP（Model Context Protocol） [ ] A2A（Agent-to-Agent） [ ] ACP（Agent Communication Protocol） [ ] MCP Server [ ] MCP Client [ ] 工具发现 [ ] Code Execution [ ] Desktop Extensions [ ] .mcpb 扩展包 [ ] LangChain [ ] LangGraph [ ] Dify [ ] Coze

评估与质量（10词）[ ] Eval（评估） [ ] SWE-Bench [ ] BrowseComp [ ] 基准噪声 [ ] 评估污染 [ ] AI 抗性评估 [ ] 黄金数据集 [ ] Human Eval [ ] Agent 性能测试 [ ] 端到端评估

工程化（15词）[ ] API 设计 [ ] FastAPI [ ] Docker 容器化 [ ] 流式输出（Streaming） [ ] 异步调用 [ ] 负载均衡 [ ] 缓存策略 [ ] 监控与日志 [ ] 系统设计 [ ] CI/CD [ ] 沙箱（Sandboxing） [ ] 权限管理 [ ] 错误处理 [ ] 多模型协作 [ ] Prompt 管理

行业标准（10词）[ ] LLMs.txt [ ] robots.txt 演进 [ ] Agentic RL [ ] 超级个体 [ ] AI 应用工程师 [ ] Agent 开发工程师 [ ] LLM Engineer [ ] MLOps [ ] 推理工程师 [ ] AI 产品化

额外关键词（5词）[ ] 知识库 [ ] GUI Agent [ ] 低代码平台 [ ] NotebookLM [ ] Anthropic Claude

验收标准

• 能用这 100 个词组成描述 Agent 系统的段落
• 能听懂 JD 中出现的术语
• 能区分 ReAct / Plan-and-Solve / Reflection 三种范式

推荐来源

• wiki 中 AI领域全景地图 — Agent/应用开发求职视角 的各领域速查表
• 头部公司 AI Agent 岗位 JD（搜索"Agent 开发工程师"）
• hello-agents 教程术语表

---

第二步：3-5 位专家访谈（Day 4-8）

你的情况适配

"专家替代方案：行业社群、知乎、LinkedIn、付费咨询、播客访谈" — ../../02_AREAS/SOP/快速入行SOP

作为求职者，直接找到 AI 领域专家面谈有难度。采用替代方案：

访谈计划

#	专家来源	形式	聚焦问题
1	Anthropic 官方工程博客	深度阅读 + 笔记	Agent 构建的最佳实践是什么？
2	hello-agents 课程作者（Datawhale）	课程学习 + 社群交流	Agent 开发的学习路径怎么走？
3	LangChain/LangGraph 核心贡献者	播客/技术演讲	框架选型的核心考量是什么？
4	Linux.do 社区 AI 从业者	社区交流 + 帖子	国内 AI 应用开发的就业现状？
5	1-2 位真实从业者	LinkedIn/付费咨询/校友	面试看重什么？项目怎么准备？

Untitled 1

行业概况

• AI 应用开发目前主流的技术栈是什么？
• 企业落地最多的 Agent 场景有哪些？
• Agent 开发工程师和传统后端开发的核心区别？

入行门槛

• Java 背景 转 AI 应用开发，需要补什么？
• 新人最常见的误区？（比如过度依赖框架？）
• 哪些技能是面试的硬门槛？哪些可以入职后学？

技术选型

• LangGraph vs CrewAI vs 自研框架，企业怎么选？
• MCP 协议在生产环境的成熟度如何？
• Python 是硬性要求吗？Java 在 AI 领域有空间吗？

项目准备

• 面试官最想看到什么样的 Agent 项目？
• GitHub 项目需要做到什么程度才有竞争力？
• 系统设计面试中 Agent 相关的考点？

验收标准

• 整理出"行业共识"和"个人观点"两张清单
• 明确 Java 背景 的优势和需要补的短板
• 确定 1-2 个目标岗位方向（如 Agent 开发 vs AI 应用工程师）

---

第三步：精读专著/课程（Day 9-15）

课程/资料清单（按优先级排序）

"先目录后内容，先建立框架，再填充细节。" — ../../02_AREAS/SOP/快速入行SOP

#	资料	类型	优先级	预计耗时	Wiki 关联
1	hello-agents 课程（Datawhale）	系统课程	★★★	20-30h	../../02_AREAS/AI/wiki/summaries/Summary - hello-agents课程
2	Anthropic "Building Effective Agents"	官方博文	★★★	2h	../../02_AREAS/AI/wiki/summaries/Summary - Anthropic Agent工程
3	Anthropic "Effective Context Engineering"	官方博文	★★★	1.5h	../../02_AREAS/AI/wiki/summaries/Summary - 上下文工程
4	LangGraph 官方文档 + Tutorials	框架文档	★★☆	10-15h	../../02_AREAS/AI/wiki/summaries/Summary - Agent协议与框架
5	MCP 协议官方文档	协议规范	★★☆	3-5h	../../02_AREAS/AI/wiki/concepts/Agent架构与编排

精读路线

Day 9-10: hello-agents Ch.1-4（Agent 基础 + 三种范式）
  产出：能画出 Agent 的核心架构图，讲清 ReAct/Plan-and-Solve/Reflection

Day 11-12: hello-agents Ch.6-9（框架开发 + 上下文工程 + 记忆系统）
  产出：理解 GSSC 管线，能设计 Agent 的上下文策略

Day 13: Anthropic 三篇核心博文（Effective Agents + Context Engineering + Harness）
  产出：掌握 Anthropic 官方推荐的 Agent 构建模式

Day 14-15: LangGraph 官方教程 + MCP 协议文档
  产出：能写一个简单的 LangGraph Agent，理解 MCP 工具调用流程

验收标准

• 能画出完整的 Agent 系统架构图（从 LLM 到工具到编排）
• 能对比 LangChain/LangGraph/CrewAI 的设计哲学
• 能解释 Context Engineering 和 Prompt Engineering 的区别
• 能描述 MCP 协议的工作流程

---

第四步：项目实践（持续，Day 16 起）

"前三步知识吸收率约 50%，加项目实践可到 80%+。" — ../../02_AREAS/SOP/wiki/summaries/Summary - 快速入行SOP

项目清单（由易到难）

项目一：MCP Server + Agent 工具调用（1 周）

目标：理解 MCP 协议，实现工具调用闭环

• 用 Python 实现一个 MCP Server（如天气查询/文件搜索）
• 配合 Claude Desktop 或 Claude Code 调用该 Server
• 理解工具发现 → 参数解析 → 执行 → 返回的完整流程
• Java 背景 优势：API 接口设计经验直接复用

技术栈：Python + MCP SDK + Claude API

项目二：RAG 知识库 Agent（1-2 周）

目标：掌握上下文工程和检索系统

• 搭建向量数据库（Chroma/FAISS）
• 实现 Contextual Retrieval（Anthropic 推荐方法）
• 构建一个能回答特定领域问题的 RAG Agent
• 加入 GSSC 管线优化上下文质量

技术栈：Python + LangChain/LangGraph + 向量数据库 + Claude API

项目三：多 Agent 协作系统（2-3 周）

目标：展示系统设计能力，面试核心项目

• 基于 LangGraph 实现多 Agent 编排
• 设计 Agent 间通信机制（参考 MCP/A2A）
• 实现失败恢复和状态管理
• 加入 Eval 流程，评估 Agent 性能
• Docker 部署 + API 接口
• Java 背景 优势：系统设计、Docker、API 设计都是已有技能

技术栈：Python + LangGraph + Docker + FastAPI

项目四（可选）：端到端 AI 应用（持续）

目标：可演示的完整产品，展示工程化能力

• 前端界面（可用 AI 生成）
• 后端 API + Agent 服务
• 用户认证 / 权限管理
• 监控 + 日志
• 完整 README + 架构图

面试准备清单

技术面

• 能白板画出 Agent 系统架构（ReAct 循环 + 工具调用 + 状态管理）
• 能讲清 MCP/A2A/ACP 三种协议的区别和适用场景
• 能设计一个多 Agent 系统（面试官会问"如何设计 XX Agent"）
• 准备 3 个项目深挖点（为什么这样设计、遇到什么问题、怎么解决）

知识面

• LLM 基础：Transformer 原理（不用推公式，但要讲清自注意力）
• Agent 三范式的区别和适用场景
• Context Engineering vs Prompt Engineering
• Eval 方法论：如何评估 Agent 好不好

Java 背景 的叙事

• "Java Web 经验 → 系统设计能力强 → AI 应用开发需要工程化能力"
• "用 Claude Code 做 AI 驱动开发 → 理解 AI 工具链 → 能快速上手 Agent 开发"
• 弱项：Python 需要补，但语法不是障碍，生态需要熟悉

---

时间线总览

Week 1 (Day 1-7):   关键词 + 专家访谈（替代形式）
Week 2 (Day 8-15):  精读课程/资料
Week 3-4 (Day 16-30): 项目一 + 项目二
Week 5-8 (Day 31-60): 项目三 + 面试准备 + 项目四（可选）

压缩方案（时间紧张时）

"50词 + 2位专家 + 1本经典 + 行业报告" — ../../02_AREAS/SOP/快速入行SOP

步骤	压缩版	产出
关键词	50 个核心词（去掉工程化和行业标准两组）	能读懂 JD
专家	2 位：Anthropic 博文 + 1 位真实从业者	明确方向
专著	hello-agents 前 7 章 + LangGraph Quick Start	能写简单 Agent
项目	项目一（MCP Server）+ 项目二（RAG Agent）	2 个 GitHub 项目

---

Wiki 内部引用

• AI领域全景地图 — Agent/应用开发求职视角 — AI 全景分层 + 技能树
• ../../02_AREAS/AI/wiki/concepts/Agent架构与编排 — Agent 设计模式 + MCP 协议 + 框架对比
• ../../02_AREAS/AI/wiki/concepts/上下文工程 — GSSC 管线 + Contextual Retrieval + 记忆系统
• ../../02_AREAS/AI/wiki/concepts/Agent基础与训练 — LLM 基础 + 三种范式 + 实战项目
• ../../02_AREAS/AI/wiki/concepts/评估与基准 — Eval 方法论 + SWE-Bench
• ../../02_AREAS/AI/wiki/concepts/AI驱动开发 — Vibe Coding + AI 协作开发
• ../../02_AREAS/SOP/快速入行SOP — 麦肯锡四步法原始素材

上一页Claude Code 命令闪卡

下一页AI领域全景地图 — Agent/应用开发求职视角