以面试求职为出口，从「会调模型」到「能设计、实现、评测、部署 Agent 系统」。
传统前端、后端、全栈、测试、DevOps 或平台研发工程师，计划向 AI / Agent 工程方向转型，希望补齐项目经验并用于求职面试；也包括在大厂任职、想借 AI 提升产出、冲刺高绩效的在职工程师。
从 AI 基础认知进入 Agent 工程实践，完成从「会调模型」到「能设计、实现、评测、部署 Agent 系统」的能力升级；覆盖 Agent 工程师面试高频考点与日常最高频技能。
Python、中国大陆可用模型（千问等）、LangChain v1、LangGraph、OpenAI Agents SDK、Pi 与 Python Mini Harness。
AI 基础 + 框架篇 8 模块 + 五大生产级实战项目（含智能 BI Agent 实战）。
5 位主讲老师均来自字节、支付宝等一线大厂核心业务部门，掌握 AI 最新核心技术；且都是 AI 方向面试官，会站在面试官的视角来设计题目与讲解 —— 你练的，正是面试官会考的；你讲的，正是面试官想听的。
整门课分三大并列板块，循序渐进、不断层：先把认知与工程基础打牢，再深入框架源码级实战，最后用生产级项目把「做过的」变成「讲得清的工程经验」。
说明：选修课融入各模块末尾，标注为【选修】，用于扩展知识面与应对进阶面试追问。模块顺序按必修编号重排，确保认知递进不断层。
注：AI 基础与 AI 框架篇共同构成完整的 Agent 工程能力地图；本期主体为 AI 基础 + 框架篇 + 五大项目，下期规划含框架源码、五大项目深化、数字员工、面试特训与职业路径。
课程不从框架 API 开始背，而是围绕一个持续演进的「生产事故调查与修复建议 Agent」，先让学员亲手看到最小 Agent Loop 会怎样失控，再逐步引入 LangChain、LangGraph、OpenAI Agents SDK、Pi、Deep Agents 与 Python Mini Harness，理解每一层框架在什么背景下出现、解决什么问题、又留下了哪些工程责任。最终让学员具备三种能力：能把 Agent 跑起来、能把长流程做可靠、能把项目讲清楚并交付出去。
一次模型调用为什么不是 Agent；手写最小 Agent Loop；最大轮次 / 超时 / 完成标准 / 无进展检测；Provider Adapter 与 Trace。
多 Provider / 多消息 / 多工具带来的重复接线；模型 / 消息 / 工具 / 输出抽象；Tool Schema 契约；用 create_agent 重写手写 Loop。
create_agent 与 LangGraph Runtime 分层；Middleware 实现日志 / 策略 / 上下文处理；动态 Prompt 与敏感信息遮蔽；分层 Trace 定位泄漏。
State 与 Prompt / History 区别；Node 局部更新 + Reducer 合并；条件 Edge；并行分支与状态聚合；节点 / 路由 / 快照测试。
Checkpoint / Thread / Store 职责；跨进程恢复；Interrupt / Resume / 审批；节点重放与幂等；Streaming 与预算控制；故障注入验证。
开源 SDK / 远端模型服务 / 完整 Harness 区别；Agent / Runner / Function Tool；指向千问兼容端点；Guardrail / Tracing；Handoff 选择。
从 Pi 真实轨迹拆解成熟 Harness；Workspace / Shell / Plan / Session / Compaction / Permission / Sandbox / Subagent；组合为 Mini Harness。
交付证据清单；固定 Fixture（正常 / 歧义 / 工具失败 / 审批）；同时评价结果与过程；Trace / 回归门；框架选型比较；简历与三分钟介绍。
从一条线上告警开始，在同一项目上逐步加入工具调用、状态管理、流程恢复、安全隔离和评测能力——八大模块共用一个真实场景，避免「学完框架却没写过项目」。
每个项目难点均按「背景 → 方案 → 后端 → 前端 → 面试话术 → 量化效果 → 追问」七段式组织，你学到的不是「跑通一个 Demo」，而是「能把这套系统讲得清清楚楚，扛住任何追问」。下方列出各项目技术栈、难点规模与完整难点清单。其中智能 BI Agent 实战为大厂必备项目，其余四个为面试导向的通用生产级项目。
monorepo · Compose · FastAPI · uv/pytest · React · LangChain/LangGraph · pydantic · MySQL/CSV不让 LLM 直接写 SQL——用 QuerySpec 双执行器 + 指标目录（口径唯一事实源）+ 报表块（存「语义 + 配置」而非渲染图）+ LangGraph 编排意图识别 / 图表推荐 / 分析规划 / 受限 ReAct 执行。
贯穿：Prompt 集中管理（prompts/*.md）、错误降级矩阵、run records 可审计可算成本、注入拦截与只读 SQL 沙箱、golden set 回归。
Python · 千问 · Deep Agents · LangGraph · Git Worktree · SQLite · 飞书接收告警和同事消息，结合日志、Trace 和代码定位问题，在安全边界内修改代码、运行测试，经过人工确认后完成提交、部署和验收，并通过记忆、反馈和 Skill 自进化持续提高准确率和处理速度。
课程定位：接着「AI 框架篇」继续推进，从研发工作中真实、重复的事故处理流程出发，逐步做出一个可运行、可讲解、可写进简历、可接受面试追问的 AI Agent 实战项目。
Spring Boot（Java 17）· 前端 React 18 · Agent/工具调用 Python背景：上下文有上限，多轮对话历史越拼越长，顶到窗口天花板后早期消息被静默截掉，模型像「失忆」。
方案：三层处理——滑动窗口（只留最近 N 轮）+ 历史摘要（小模型压成摘要挂 prompt 前）+ 长期记忆（用户画像/偏好结构化字段每轮带）。最终结构：系统提示 + 长期记忆 + 历史摘要 + 最近 N 轮 + 当前问题。
→ 后端 Spring Boot 实现 ChatContextService，前端无需感知分层。
Spring Boot · 前端 React 18 · 编排 Python（LangGraph + Pydantic）· 进程隔离背景：工作流是多节点链路，前一节点产出要给后面多节点消费；朴素做法各存各的、靠参数层层递，链路一长就乱。
方案：统一 State 对象贯穿全流程；节点即纯函数（只返回要更新的字段，由框架按 reducer 合并）；显式合并策略（覆盖 / 追加）；状态快照便于调试恢复。Java 主服务经 HTTP 调独立 Python 编排服务，进程隔离——编排异常不影响主链路。
→ Python 用 TypedDict + Annotated 定义带 reducer 的 State，React 按字段渲染各阶段产物。
Python（FastAPI + LangGraph 同进程）· 前端 React 18背景：接到「做一份竞品分析并写成报告」这类大目标，模型一次性端到端生成必漏环节、文件没存、引用编造——因为缺可逐步执行、可校验的计划。
方案：结构化规划节点输出 Pydantic 校验的 Plan（每子任务带 id / 描述 / 依赖 / 产物要求 / 验收条件）；独立校验节点查依赖成环、产物为空、漏「汇总」步；校验失败带错误重拆而非放行；计划作 LangGraph 编排骨架，产物落库可续读。
→ 前端把结构化计划渲染成可勾选任务卡片，执行前可审阅改计划，而非黑盒。
五阶递进的 AI 基础 + 源码级框架实战 + 五大生产级项目，带你把「做过的」变成「讲得清的工程经验」。