從零到生產6～9個月,學到什麼,跳過什麼,為什麼大多數教程都失敗了。 從零到生產6～9個月,學到什麼,跳過什麼,為什麼大多數教程都失敗了。 我会对你诚实的。 大多数AI代理教程都是垃圾。 他们向你展示了如何复制和粘贴LangChain代码,构建一个演示,在你尝试任何真实的时刻打破,让你觉得你学到了什么。 我看过人们这样浪费多年,追逐框架,收集证书,构建玩具项目,没有人关心。 这个指南是不同的。 我会告诉你每个阶段需要多长时间,在继续前看起来“足够好”是什么样子.你需要的每一个资源都在这里。 你正在阅读的是很多试验和错误的结果,找出当学习代理人工智能时有什么重要 这是我的承诺:如果你认真地遵循这个路线图6至9个月,你将能够构建和部署在现实世界工作的人工智能代理,而不是演示系统解决问题。 你会得到什么: 
 
 
 
 
 
 从零到部署代理的8个阶段(具有现实的时间表) 哪些资源真的值得你的时间 导致真正就业的专业化道路 继续前看“足够好”是什么样子 我犯的错误,所以你不必 但是你必须去做这项工作,不要滑雪,不要为以后写书,不要告诉自己,你最终会得到数学。 如果是你,我们去吧。 为什么代理AI现在很重要 传统的AI是反应性的,输入,输出,你问一个问题,你得到一个答案。 代理AI追求目标. 它查看其环境,制定计划,采取行动,看到发生了什么,并调整它可以使用工具,调用API,搜索网络,编写代码,并与其他代理人一起完成事情。 这里有一个具体的例子。 请传统的人工智能帮助您研究竞争对手,它将总结它已经知道的内容。 询问一个代理系统,它将搜索网络,查找你的竞争对手最近的动作,提取他们的新闻稿和资助公告,分析他们的定位,与行业报告交叉参考,写一份战略简报,将其保存到你的驱动器,并在完成时向你发送电子邮件。 这就是为什么公司想要能够构建这些系统的人。到2026年,代理商将不再令人印象深刻 - 他们将被期待。 路线图 这里是完整的图片,在我们进入细节之前: 第一阶段:数学 4–6 weeks 你想跳过它,我知道。 但是,如果没有线性算法、计算和概率,你就不会明白你的代理人为什么会做他们所做的,你会复制运作的代码,直到它运作,然后你就不知道如何修复它。 你不需要成为一名数学家,你需要在三个领域工作流利。 
 
 
 
 线性算法:矢量,矩阵,eigenvalues,SVD。神经网络是矩阵数学。 计算衍生品,梯度,优化.这就是模型学习的方式。 概率和统计 - 贝耶斯的理论,分布,假设测试. 代理在不确定性下理性。 资源 Linear Algebra: 
 
 
 
 
 3Blue1Brown:线性算法的本质 线性算法的最佳视觉解释 格兰特·桑德森有使抽象概念感觉直观的天赋。 Khan Academy Linear Algebra. 更传统,更全面. 适合在3Blue1Brown之后填补空白。 机器学习基础:欢迎来到旅程. 专为ML设计,所以你正在学习数学有目的。 用于机器学习的数学. 另一个专注于ML的选项. 选择任何类型为您点击。 3Blue1Brown:线性算法的本质 哈恩学院线性算法 机器学习基础:欢迎来到旅程 机器学习的数学 Calculus: 
 
 
 
 计算机学习的计算器. 目标和实用. 跳过你不需要的东西。 漢學院計算 1. 經典. 徹底和可靠。 计算1完整的大学课程. 如果你想没有学费的完整的大学经验。 计算机学习 哈恩学院计算器 1 计算1 全校课程 Probability: 
 
 
 
 
 哈恩学院统计和概率. 涵盖你需要的一切在一个良好的速度。 StatQuest 统计基础 Josh Starmer 解释统计数据就像他正在和一个朋友说话一样。 StatQuest:Bayes的理论.Bayes在AI中到处都是。 MIT OpenCourseWare: 概率的介绍. 大学级的严谨性,如果你想深入。 哈恩学院统计和概率 基本统计数据 标签: 贝耶斯理论 MIT OpenCourseWare:概率的介绍 Textbook: 
 
 数学机器学习 — 免费PDF. 综合参考. 密集但完整. 当你需要寻找某些东西时,有好处。 免费PDF 何时移动 你可以解释矩阵倍增在地理上所做的事情,你可以用手计算梯度,你可以用一个例子来解释贝伊斯定理,你不需要掌握。 阶段二:编程 3–4 weeks Python,没有其他选择。 但是,知道Python语法并不等于舒适地写代码,你需要能够读取别人的代码而不挣扎,写自己的代码而不经常在谷歌中使用,并在事情发生错误时进行调试。 您还需要图书馆来处理数据。 核心 Python 功能,类,装饰,错误处理,async. 你需要所有这些。 
 
 
 
 学习Python:初学者的完整课程. 4+小时,涵盖一切. 如果你从零开始,很好。 Python Crash 课程初学者. 速度更快. 如果你已经编程了其他语言更好。 学习 Python the Hard Way (教科书) 老学校的方法:通过键入代码学习,直到它粘贴。 学习Python:初学者的完整课程 初学者的Python Crash课程 数据图书馆 
 
 
 
 NumPy 用于数组和数值计算,其他一切都建立在基础之上。 Pandas 用于数据操纵,您将每天使用此功能。 Matplotlib & Seaborn 用于可视化. 你不能调试你看不到的东西。 资源: 
 
 
 使用Python进行数据分析(NumPy,Pandas,Matplotlib,Seaborn)。 NumPy,Matplotlib和Pandas教程由伯恩德·克莱恩. 书面格式与良好的深度。 使用Python进行数据分析(NumPy、Pandas、Matplotlib、Seaborn) NumPy,Matplotlib和潘达教程由伯恩德·克莱恩 选项:R 如果你来自统计学或想要研究角色,R是有用的,否则跳过它。 
 
 
 R 在一个小时内编程. 正如它听起来一样。 R for Data Science (免费在线)。 最终的R书. 哈德利·威克汉姆知道他在做什么。 一个小时的R编程 免费在线 何时移动 您可以从头开始编写脚本,而不寻找基本语法. 您可以加载 CSV,清理数据,运行一些分析,并绘制结果. 当您看到NumPy代码时,您可以理解它正在做什么。 第三阶段:机器学习 6–8 weeks 这就是人们永远被困的地方。 他们随时观看课程,从不感到准备好继续前进,不要这样做,目标不是成为ML研究员,而是了解主要方法,足以知道哪个适合哪个问题。 三种类型 
 
 
 
 监督学习. 你展示了正确答案的模型示例,它学习了模式。 了解算法:线性回归,物流回归,决策树,SVM,k-最接近的邻居,神经网络。 何时使用它:分类,预测,任何你已经标记的数据。 未经监督的学习. 模型在数据中找到模式,而没有被告知要寻找什么。 了解算法: k-means 集群,层次性集群,DBSCAN,PCA. 何时使用它:组合相似的东西,减少尺寸,找到结构。 强化学习. 代理人采取行动,获得奖励或处罚,并从经验中学习。 认识的概念:状态,行动,奖励,政策,Q-learning。 使用时:序列决策,游戏,机器人,规划。 这对代理人来说非常重要。 资源 The main course: 
 
 
 机器学习专业化 由Andrew Ng. 这是一个. Ng是该领域最好的老师. 清晰的解释,良好的步伐,涵盖了重要的东西。 同样的课程在YouTube上,如果你只是想学习没有证书。 机器学习专业化 由Andrew Ng 同样的路径在YouTube上 Other options: 
 
 
 
 
 机器学习对于每个人来说都更容易获得,如果 Ng觉得太学术了。 Kaggle:引进机器学习. 短,实用,让你快速建造. 良好的补充。 Edureka:机器学习完整的课程. 如果 Ng 的风格不适合你,全面的替代方案。 Fast.ai 实用深度学习. 向上向下的方法:开始建设,根据需要学习理论。 机器学习为每个人 Kaggle:机器学习的介绍 爱德鲁卡:机器学习全程课程 Fast.ai 深度学习 For practice: 
 
 Scikit - 学习教程. 实施你正在学习的东西. 没有代码的理论是无用的。 学习教程 何时移动 您可以解释监督与未经监督的反对强化学习,并举例说明您何时使用每个模型,您已经训练了一个模型,并可以解释指标的含义。 第四阶段:代理人如何工作 4–6 weeks 代理人有记忆力,使用工具,并计划前进,这与聊天机器人不同。 了解这些部分是将能够粘贴API的人与能够设计支持系统的人分开的。 基本路径 每个代理人都会做一些版本: 
 
 
 
 
 
 获取信息(用户输入、搜索结果、API响应)。 原因?处理它,弄清楚什么是重要的。 计划:决定要做什么  Do it (call a tool, generate text, hit an API). Act. 看看发生了什么,调整一下。 您需要的概念 Memory: 
 
 
 
 短期:当前背景窗口中的内容 长期:矢量数据库,存储的知识 剧情:记录过去的互动 Reasoning patterns: 
 
 
 
 思维链:逐步思考 思维之树:探索多种途径 反应:在推理和行动之间交替 Tool use: 
 
 
 
 代理人如何调用外部工具 如何应对失败 编辑多种工具 Planning: 
 
 
 
 将目标分成步骤 搜索算法(A*等) 层次性规划 Multi-agent systems: 
 
 
 
 多名代理人合作 他们如何沟通 专业化 资源 Concepts: 
 
 
 
 . Good starting point. Covers the landscape without getting too technical. AI代理和代理AI的力量解释 AI 代理人在 5 个难度级别中。 开始简单,变得复杂. 每个级别的完整代码. 很棒地看到代理的复杂度如何。 建立你的第一个AI代理的完整指南. 手动路径. 很好,如果你想今天建立一些东西。 AI代理和代理AI的力量解释 AI Agents in 5 Levels of Difficulty 构建你的第一个AI代理的完整指南 Reinforcement learning (important for agents): 
 
 
 拥抱面部深度RL课程. 很棒和免费. 这就是代理人如何学会随着时间的推移做出决策。 在 GitHub 上编辑的 RL 资源. 如果你想深入,大规模收藏。 Hugging Face 深度 RL 课程 在GitHub上编辑的RL资源 何时移动 You can draw the agent loop on a whiteboard and explain each part. You can describe different memory architectures. You understand ReAct and why it works. 第五阶段:构建框架 6–8 weeks 现在你正在建设。 有一件事要记住:框架变化。LangChain现在占主导地位;两年后,谁知道?但是模式(ReAct,Plan-and-Execute,Multi-agent)仍然存在。 Patterns 
 
 
 
 代理人思考要做什么,做什么,观察结果,重新思考。 计划和执行 代理先制定一个完整的计划,然后逐步执行,更适合复杂的多步任务。 多代理商 多家专门代理商合作 一个研究,一个写作,一个评论。 框架 
 
 
 
 LangChain / LangGraph. 当前的标准。LangChain对于简单的东西,LangGraph当你需要复杂的状态管理时。 AutoGen. 微软的多代理框架. 当代理人需要进行反向讨论时非常好。 更高层次的多代理管弦乐队,更快的原型,更不灵活。 资源 Courses: 
 
 
 DeepLearning.AI:代理AI.Andrew Ng教学代理设计模式. 涵盖反思,工具使用,规划和多代理。 免费和值得你的时间。 Master ALL 20 代理 AI 设计模式. 涵盖您将不断使用的模式。 DeepLearning.AI:代理AI Master ALL 20 Agentic AI Design Patterns LangChain: 
 
 
 
 
 LangChain Crash Course. 快速开始. 让你在一个下午建造。 LangChain Mastery: 完整的5小时课程. 深潜水. 观看当你准备好认真的时候。 LangChain文件. 真理的源头. 你会住在这里。 LangGraph docs. 对于当你的代理人需要真正的国家管理时。 长链崩溃赛道 LangChain Mastery:完整的5小时课程 长链DOCS 长篇文本 Docs Multi-agent: 
 
 Simplilearn:如何构建一个多代理系统. 实用步骤. 适合您的第一个多代理项目。 Simplilearn:如何构建一个多代理系统 When to move on 你已经构建了至少三个代理:一个简单的ReAct代理,一些RAG和一个多步工作流。 第六步:选择专业化 8–12 weeks, then ongoing 在某个时候,你需要深入一个领域,一般人可以谈论代理人,专家被雇用来建造他们。 选择其中一个,并承诺至少3个月,然后决定它不适合你。 路径A:业务自动化 目前最大的市场. 处理研究、支持、运营的代理人. 实际预算,实际工作。 What to focus on: 
 
 
 
 
 RAG(Retrieval-Augmented Generation) - 教学代理人寻找和使用知识。 API 集成:将代理人连接到企业已经使用的工具。 多步工作流程. 复杂的流程,包括操作和错误处理。 人类在循环模式.知道何时升级到一个人。 Projects to build: 
 
 
 
 
 根据背景编写响应的电子邮件助理 竞争对手研究代理监控新闻并总结变化 客户支持机器人知道什么时候脱离其深度 来自多个数据源的报告生成器 方法B:机器人 更高的障碍,更少的竞争.在物理世界中运作的代理人。 What to focus on: 
 
 
 
 
 ROS (Robot Operating System). The standard for robotics software. 机器人怎么看?机器人怎么看? 机器人如何导航?机器人如何导航 模拟:测试而不破坏昂贵的硬件。 Resources: 
 
 
 
 引入自主机器人. 该领域的坚实起点。 机器人和自主系统杂志. 学术,但有用的是看到什么是尖端。 PyBullet用于物理模拟,Gazebo用于机器人环境,OpenAI Gym用于RL训练环节。 Introduction to Autonomous Robotics Robotics and Autonomous Systems journal 子 Gazebo 的 开设健身房 Path C: Research & Model Development Fewer jobs, higher ceiling. This is for people who want to work on the models themselves, not just use them. What to focus on: 
 
 
 
 
 精细调整LLM与LoRA和PEFT,在特定任务上更好地制作模型。 RLHF和奖励建模. 培训模型来自人类反馈。 评估和基准测量:测量什么实际上有效。 阅读和执行文件. 留在边境。 Projects to build: 
 
 
 
 
 Fine-tune 一个特定域的模型 构建代理输出的评估管道 从零执行最近的一篇论文 贡献一个开源模型 Resources: 
 
 
 
 . The reference for working with models. Hugging Face Transformers docs . How to train models from human preferences. RLHF 赛程 arXiv AI 论文和 ML 论文. 新的想法首先出现的地方。 Hugging Face 变形器 Docs RLHF 赛程 档案 论文 ML 文件 第七阶段:部署 3–4 weeks 你的代理人在笔记本中工作,然后用户会发送你没有预料到的输入,整个东西就会崩溃。 
 
 大多数自学的人跳过了这个部分,这就是为什么学习它使你脱颖而出的原因。 你需要什么 
 
 
 
 
 
 API. 将您的代理作为服务曝光. FastAPI 是标准。 容器. 包装一切,以便它在任何地方都运行相同。 选择 AWS、GCP 或 Azure,并学习一个。 监控. 跟踪你的代理人在生产中做什么. 你会惊讶于它有多频繁地表现不当。 成本管理. LLM调用快速增加. 缓存,模型选择,快速效率所有事项。 资源 Overview: 
 
 
 
 在生产中部署代理人工智能. 部署涉及什么的大图像。 为什么大多数AI代理人在生产中失败?从其他人的错误中学习 涵盖常见的失败模式以及如何避免它们。 超越原型:十五个难得的教训. 来自航运代理人的真实教训. 在部署之前阅读这篇文章。 在生产中部署代理AI 为什么大多数AI代理人在生产中失败 超越原型:十五个难以获取的教训 Hands-on: 
 
 
 
 使用Docker、FastAPI、LangChain构建和部署人工智能代理,从代码到部署服务。 FastAPI docs. 写得很好的 docs. 您可以从其中学习FastAPI。 Docker for Beginners. 容器不再是可选的。 Build and Deploy AI Agents with Docker, FastAPI, LangChain 快速的DOCS Docker 对于初学者 Cloud: 
 
 
 使用 Amazon Bedrock 部署 AI Agent. AWS 特定的但显示了管理服务方法。 . Reference for when you’re actually doing it. AWS Bedrock 代理文件 使用 Amazon Bedrock 部署 AI 代理 AWS Bedrock 代理文件 Monitoring: 
 
 
 LangSmith. 专门为 LangChain 设计,向您展示您的代理正在做什么。 重量和偏见. 更一般的ML跟踪. 如果你正在做定制培训,很好。 兰斯密斯 Weights & Biases 何时移动 You’ve deployed one agent end-to-end. Containerized, served via API, running in the cloud, with some monitoring. You can explain your setup and why you made the choices you did. 第8阶段:投资组合和保持现状 Ongoing 这个领域的变化很快,今天的新东西是六个月的标准,你需要习惯,而不是一次性学习,如果你不连续学习,你会落后。 你的钱包 Your portfolio is proof you can build. Not certificates. Proof. What makes it strong: 
 
 
 
 
 部署项目. 运行系统,不仅仅是 repos. 任何人都可以将代码推到 GitHub。 真正的問題解決了,不是教程的娛樂,你真正需要的東西或解決了真正的痛苦。 经典的决定,你为什么这样建造它,你做什么交易。 清洁代码. 显示你可以在团队中工作。 目标为2～3个固体项目,至少一个部署和可访问。 (一)贡献 没有什么能像合并的公关公司那样表现出竞争力。对LangChain、AutoGen或较小的项目做出贡献。 (二)保持现状 Set aside a few hours a week for this. Where to look: 
 
 
 趋势论文. 看看研究界目前正在关注什么。 OpenAI:深度RL中的关键论文. 编制的基础论文列表. 良好的深度建设。 趋势论文 OpenAI:深度RL中的关键论文 Who to follow: 
 
 
 
 
 
 
 Andrej Karpathy.他的YouTube教程清楚地解释了复杂的事情。 Jim Fan. 關於體現的 AI 和代理人的文章。 Lilian Weng. 她的博客文章比大多数课程更好。 西蒙·威利森. 不断与LLM建立,分享什么工作。 Swyx. 追踪人工智能工程中实际有用的内容。 Anthropic的研究博客:边界模型实际上是如何工作的。 安德烈·卡帕蒂 吉姆·法恩 莉莉安·温 西蒙·威利森 斯维克斯 Anthropic的研究博客 这就是它 这是你所需要的一切。 不是所有的存在,总是有更多的,但你需要的一切从零到构建生产代理。 有一些事情要记住当你去: 
 
 
 
 
 
 每一个阶段都应该包括项目,观看和阅读不是学习,建设就是学习。 混乱是正常的,如果你从来没有感到困惑,你就没有足够的努力,不适意味着你正在学习。 教你学习的东西. 博客帖子,视频,向他人解释. 这就是你如何发现你真正理解的。 寻找人. Discord 服务器,会议,LinkedIn. 单独学习更难和更孤独。 耐心!6～9個月是現實的,有些星期你會覺得很棒,有些星期你會感到困擾,兩者都是正常的,繼續前進。 那些“想学习AI代理人”和实际构建它们的人之间存在的差距只有一件事:开始。 没有完美的开始,没有完美的设置,刚刚开始。 六个月后,你可能有一个部署的代理人组合,公司支付的真正技能,以及实际构建事物的信心,或者你仍然可以收集标记,等待合适的时刻。 现在是合适的时刻,这个领域是年轻的,机会是真实的,你在这里拥有你所需要的一切。 滚动到第 1 阶段: 打开第 1 个资源,今天开始。 问题?问题?留下评论

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This story will praise and/or roast a product, company, service, game, or anything else people like to review on the Internet.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

2026年掌握AI代理人的现实指南

About Author

註釋

標籤

这篇文章刊登在

Related Stories

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Claude Sonnet 3.5 系统提示泄漏：法医分析

如何将您的工作流程提高 10 倍：17 个必备应用程序

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Claude Sonnet 3.5 系统提示泄漏：法医分析

如何将您的工作流程提高 10 倍：17 个必备应用程序

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps