三个月时间从后端开发崽逐渐转型为 agent 工程师想聊聊自己的三个小技巧。读官方文档。LangChain、Anthropic、Manus 等公司或组织的官方文档、博客质量很高特别是 LangChain文档简直手把手教读者怎么做一个 agent看大佬分享。Manus Peak Ji、LangChain CEO、Claude Code 之父 Boris 等等这几位都有很多公开的分享、博客、采访从一个 Agent 开发者的角度去思考、理解他们分享的内容多动手实践。告诉 Claude Code 自己要基于什么技术栈做一个什么样的 agent。实际做一个 agent 出来。分享一下我从零做完一个完整Coding Agent的过程。整个项目用了大概一周6500行代码能够自动探索代码库、调用工具执行操作、从执行结果中学习并持续迭代直到任务完成。把方法论整理出来需要的兄弟扫码添加微信发你~第一步: 搞清楚Agent有哪些类型做之前先想清楚要做哪一类不同类型的技术路线差很多。2025-2026年主流的Agent类型大概分四类:CodingAgent:自主完成编程任务(修bug、写代码、跑测试)。代表:Claude Code、CursorAgent、SWE-agent。技术核心是ReAct循环工具调用。BrowserAgent:操作浏览器完成网页任务。代表:Browser-use、Operator。技术核心是视觉理解DOM操作。DataAgent:分析数据、生成报告、操作数据库。代表:各类Text-to-SQL工具。Multi-Agent:多个Agent协同分工完成复杂任务。代表:AutoGen、CrewAl。技术核心是任务分解和Agent间通信。我选了CodingAgent原因是技术栈最清晰有高质量参考项目SWE-bench有标准评测最适合深度学习。第二步: 系统研究高质量开源项目确定方向后不要急着写代码先把领域内最好的项目研究透。我研究了四个:SWE-agent (Princeton)代码量最小最适合入门。核心贡献是ACI(Agent-ComputerInterface)概念:专门为LM设计工具接口而不是直接让LM用Linuxshell。每轮输出 thoughtcommand,接收执行反馈标准ReAct循环。SWE-bench约53%.ReAct主循环的标准实现方式工具接口如何为LM设计而不是为人类设计。Aider生产级CLI工具代码量大但工程质量高。最值得学的是repo-map技术:用tree-sitter提取代码符号按PageRank排序依赖关系把整个repo的结构压缩成几干token的摘要注入Systemprompt。解决了大型代码库塞不进上下文这个核心问题。上下文管理的工程实现tree-sitter多语言符号提取。OpenHands目前结构最完整的开源实现SWE-bench72%。核心是CodeAct(用Python代码作为action格式)和事件溯源状态管理:记录所有command/edit/result,跨 action 持久化上下文。最新版本用 Claude Sonnet 4.5extended thinking.事件溯源的状态管理Docker沙箱隔离大规模工程的组织方式。Open-SWE2026年的最新形态多Agent编排异步执行LangGraph状态机。了解当前最新技术方向明确v1不需要做到这个复杂度。第三步: 设计架构核心思路:以SWE-agent的ReAct架构为骨架加入Aider的repo-map上下文管理再叠加Reflection纠错循环。覆盖的技术点最全也是最能学到东西的路径。最终确定五层架构:入口层 CLl/Chat/GitHub Issue↓AgentCore ReAct主循环EventLog(事件溯源)↓LLM层 统一Backend接口(多模型路由)↓工具层 12个工具Runtime抽象(本地/Docker)↓上下文层 RepoMap TokenBudgetHistory关键设计原则:每层只依赖下一层的抽象接口不穿透。新增工具只需继承BaseTool新增模型只需实现LLMBackend不改核心代码。这是维持代码质量的关键。第四步:技术选型每个选型都要有明确理由不要因为大家都用就选。特别说一下 MockBackend:Agent测试最大的痛点是依赖真实API–慢、贵、不稳定。解决方案是实现一个MockBackend按预设脚本返回Action不调真实LLM。这样376个测试20秒跑完每个模块可以独立验证。最重要的一点研究参考项目时带着问题去读不是泛泛浏览:它的主循环在哪里?怎么组织的?工具接口怎么设计的?为什么这样设计?上下文超限时怎么处理的?测试文件在测什么?用了什么mock策略?带着这四个问题读完参考项目架构基本上就自己想清楚了。项目名forge-agent如果开源项目对您有用需要的兄弟观一下get~那么我们如何学习AI大模型呢这份精心整理的AI大模型学习资料我整理好了免费分享只希望它能用在正道上帮助真正想提升自己的朋友。让我们一起用技术做点酷事ps:微信扫描即可获取加上后我将逐一发送资料与志同道合者共勉真诚无偿分享适学人群我们的课程体系专为以下三类人群精心设计AI领域起航的应届毕业生提供系统化的学习路径与丰富的实战项目助你从零开始牢牢掌握大模型核心技术为职业生涯奠定坚实基础。跨界转型的零基础人群聚焦于AI应用场景通过低代码工具让你轻松实现“AI行业”的融合创新无需深奥的编程基础也能拥抱AI时代。寻求突破瓶颈的传统开发者如Java/前端等将带你深入Transformer架构与LangChain框架助你成功转型为备受市场青睐的AI全栈工程师实现职业价值的跃升。※大模型全套学习资料展示通过与MoPaaS魔泊云的强强联合我们的课程实现了质的飞跃。我们持续优化课程架构并新增了多项贴合产业需求的前沿技术实践确保你能获得更系统、更实战、更落地的大模型工程化能力从容应对真实业务挑战。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。01 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。希望这份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通微信扫描下方二维码即可~本教程比较珍贵仅限大家自行学习不要传播更严禁商用02 大模型学习书籍文档新手必备的权威大模型学习PDF书单来了全是一系列由领域内的顶尖专家撰写的大模型技术的书籍和学习文档电子版从基础理论到实战应用硬核到不行※真免费真有用错过这次拍大腿03 AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。04 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。05 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。06 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点由于篇幅有限只展示部分资料并且还在持续更新中…ps:微信扫描即可获取加上后我将逐一发送资料与志同道合者共勉真诚无偿分享最后祝大家学习顺利抓住机遇共创美好未来
 与 GROUP BY 去重统计：5 亿数据量下的性能实测与选型指南)
