---
url: /blog/nlhiwj1q/index.md
---
# 快速入行 SOP — AI 应用开发/Agent 开发行动清单

> \[!NOTE] 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
* \[x] 能听懂 JD 中出现的术语
* \[x] 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？    |

### \[\[访谈提问清单（AI Agent 开发方向）]]

**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