现在很多人说自己会做 AI Agent，其实就是接了个大模型 API，调用几个工具，再套上一层 LangGraph。 跑通一个 Demo，就觉得自己已经掌握 Agent 开发了，但真把这套东西放到企业里，让它每天处理真实业务，你才会发现，原来还有一大堆问题根本没解决。 最近看到这张 AI Agent 工程师 12 步学习路线图，我觉得挺值得推荐的，尤其是想往 AI Engineer、FDE、企业 AI 落地方向发展的朋友。 因为它讲的不是怎么快速搭一个 Agent，而是一个 Agent 真正进入生产环境，需要补齐哪些工程能力。 我自己这段时间也在做企业 AI 项目，接触过 GEO、自动剪辑、Agent 工作流，最近还在研究企业 RAG。 感受越来越明显：现在用 AI 把功能做出来，真的不算特别难。真正难的是让它稳定运行、安全执行、出现问题还能恢复，最后能够交付给客户。 如果按照这张图的学习路线，我觉得可以分成四个阶段来理解。 第一个阶段，先搞明白 Agent 到底是怎么工作的。 这里需要掌握 Python、HTTP、JSON、API、Structured Output、Tool Calling，然后再去理解工作流、状态机、LangGraph、MCP。 很多人一上来就研究多 Agent，研究各种复杂框架，我觉得其实没必要。 先做一个最简单的单 Agent，让它能够理解用户需求，正确调用工具，根据工具返回的结果继续执行，最后给出答案。重点不是让它跑起来一次，而是每一步都能看清楚。 比如为什么选择这个工具，传入了什么参数，工具调用失败后怎么办，什么时候应该结束任务。 这些基础没掌握，后面接再多框架也只是把复杂度往上堆。 第二个阶段，让 Agent 真正拥有执行能力。 Agent 不应该只是回答问题，它得能操作软件、访问数据库、调用接口、处理文件，甚至通过浏览器完成任务。 这里就涉及 MCP、Playwright、浏览器自动化、上下文管理、记忆系统和沙箱执行。尤其是记忆和上下文，我觉得很容易被低估。 一个 Agent 聊几轮没问题，但如果让它连续执行几十个步骤，前面发生了什么、现在进行到哪里、哪些任务已经完成、哪些事情还没做，它必须能够正确管理。 而且不能让大模型随便在你的电脑或者服务器上执行命令。 权限怎么控制，代码怎么隔离，工具能访问哪些资源，这些东西都要考虑。 第三个阶段，也是我觉得企业落地特别重要的部分：安全、多 Agent 协作和人工审批。 现在很多人特别喜欢展示多个 Agent 互相讨论、互相协作，看起来非常智能，但 Agent 数量变多，并不代表系统就会变得更好。 三个 Agent 之间如何传递信息？如果其中一个输出错误，另外两个会不会继续放大这个错误？如果它们互相调用，怎么避免无限循环？这些都需要设计。 再比如让 Agent 帮你处理一笔财务数据，自动发送邮件，或者修改客户数据库。 这些操作能不能完全交给 AI 自己决定？显然不能。 一些高风险操作必须设置权限边界和人工审批。外部文档、网页内容里可能存在恶意指令，也不能让 Agent 直接当成系统命令执行。 一个真正能交付的 Agent，不仅要知道自己能做什么，还得知道自己不能做什么。 第四个阶段，我觉得才是真正区分 Demo 和生产系统的地方。 错误处理、执行轨迹、自动化评测、降级兜底，以及最后的工程复盘。 这张图里我特别关注第 10 步，也就是 Agent 执行轨迹评测。因为这恰恰是很多人最容易跳过的部分。 我们平时测试 Agent，可能就输入几个问题，发现它回答得不错、工具也调用成功了，就觉得这个系统没问题。 但如果同样的业务场景运行 100 次呢？ 其中多少次真正完成了任务？ 多少次调用了错误的工具？ 多少次虽然给出了正确答案，但中间执行了不必要的步骤？ 修改一次 Prompt 以后，系统的成功率到底提高了还是降低了？ 没有这些评测数据，你根本不知道自己的 Agent 是真的变好了，还是只不过这次运气比较好。而且系统上线以后，模型可能超时，接口可能返回 404，第三方服务可能突然不可用。 这时候怎么办？是一直重试，还是切换备用方案？什么时候停止任务？什么时候交给人工处理？ 这些问题不解决，Demo 做得再漂亮，也很难真正进入企业业务。 最后一步是公开复盘。 我觉得这一点也特别重要，尤其是想找 AI 工程师、FDE 工作的人。 与其在简历上写自己熟悉十几个 AI 框架，不如真正做一个完整项目，把需求、技术方案、架构设计、测试结果、失败原因、运行成本都整理出来。让别人知道你到底解决过什么问题。 当然，这张图的 12 个步骤也不意味着必须按顺序把所有技术都学完，才能开始做项目。 我更认可的方式是先掌握 Python、API 和模型基础，然后动手做一个简单的 Agent，再围绕实际需求，把状态管理、工具调用、安全、评测、部署这些能力一点点补上。 遇到问题再学，学完继续做，直到把整个系统真正跑通。 我以前也特别喜欢研究新框架，看到什么技术火了，就想赶紧用 Codex 做一个项目出来。 但现在越来越觉得，与其再做十个没有完成交付的 Demo，不如真正把手上的一个项目从需求到上线完整做一遍。 因为在真实项目里遇到的那些部署失败、接口异常、权限问题、评测不达标，可能才是最值得学习的东西。 AI 时代，写代码的门槛正在下降，但工程能力的门槛并没有因此消失。 以后真正有竞争力的 AI 工程师，不能只是让大模型把代码写出来。 还得知道整个系统为什么这么设计，出了问题怎么定位，如何保证安全和稳定，以及最终怎么证明它确实给客户创造了价值。 这张 12 步学习路线图，我建议想从事 Agent 开发和 FDE 的朋友认真看看。 尤其是后面几个关于安全、评测、降级和工程复盘的部分，可能比学会再多一个 Agent 框架更值得花时间。 能做出 Agent 的人会越来越多，但能把 Agent 真正交付给客户、让它稳定运行的人，依然有很大的价值。