04 · 如何系统学习和研究 Agent 技术？ - Learning Roadmap

所属知识库：Agent 全栈技术地图
所属领域：00 · Agent 技术体系是什么？ - Overview
文档类型：学习路径与研究方法
版本：v1.0
更新日期：2026 年 10 月 26 日
核心问题：如何建立完整的 Agent 技术认知，并逐步具备 Agent、Agent System 和 Agent Platform 的设计与开发能力？

一、研究概述

Agent 技术涉及人工智能、软件工程、系统架构、数据管理、任务编排、开发框架和平台产品等多个领域。不同技术之间存在知识依赖，也具有不同的学习深度与实践要求。

如果只按照技术术语逐项学习，容易形成分散的知识积累，却难以理解这些技术如何共同构成完整的软件系统。

如果直接从复杂的 Agent Framework 或 Agent Platform 入手，又可能因为缺乏模型原理、Agent 执行机制和软件工程基础，而难以理解框架内部的设计逻辑。

因此，本知识库采用以技术地图为研究范围、以知识依赖为学习顺序、以实际项目为验证手段的学习方法。

整体研究路径为：

AI → Agent → Agent System → Agent Platform

但这条路径并不要求完成一个领域的所有研究后，才能进入下一个领域。实际学习应当采用分阶段推进、跨领域关联和实践反馈相结合的方式。

本研究路线最终希望建立三类能力：

能力类型	核心目标	具体表现
技术理解能力	理解技术概念、原理与边界	能解释技术如何工作，区分相近概念
架构设计能力	将技术组织为合理的软件结构	能分析需求、设计组件、定义接口和数据流
工程实现能力	将设计转化为实际运行的软件	能开发、测试、部署、监控和维护系统

这三类能力需要在整个学习过程中同步发展，而不是分别在三个独立阶段完成。

二、学习 Agent 技术需要哪些基础知识？

Agent 开发不仅涉及人工智能，还依赖通用的软件开发与系统工程知识。

因此，在正式研究 Agent 技术体系之前，需要具备一定的基础能力。

2.1 编程与软件开发基础

需要理解至少一种常用编程语言，并能够使用它构建简单的软件应用。

对于 Agent 开发，Python 和 TypeScript 是两种值得优先考虑的语言。

Python 常用于 AI 模型调用、数据处理、Agent Framework 和后端服务开发。

TypeScript 常用于 Web 应用、Node.js 后端、平台界面及部分 Agent SDK 开发。

不要求同时精通两种语言，但应当能够理解基本的数据结构、函数、模块、异步执行、异常处理和依赖管理。

2.2 API 与网络通信基础

Agent 需要频繁调用模型服务和外部工具，因此需要理解 HTTP、REST API、JSON、身份认证、请求与响应、超时和错误处理等基本概念。

对于需要实时展示执行过程的应用，还应逐步理解 Streaming、Server-Sent Events 和 WebSocket 等通信机制。

2.3 数据与存储基础

Agent System 通常需要保存任务、配置、执行记录和中间结果。

因此，需要理解数据库、文件存储、缓存和基本的数据建模方法。

随着研究深入，还需要学习向量检索、对象存储和任务状态持久化等技术。

2.4 软件架构与工程基础

需要理解前端与后端、客户端与服务器、同步与异步、进程与线程、服务与模块等基本概念。

在进入 Agent System 和 Agent Platform 阶段后，还需要进一步学习任务队列、容器化部署、权限控制、日志、监控和软件测试。

这些知识并不全部属于 Agent 专有技术，但它们是构建完整 Agent 软件系统的重要基础。

2.5 基础知识的学习原则

对于尚未掌握的通用软件工程知识，可以根据实际开发需求补充，不必在开始 Agent 研究之前完成一套独立的软件工程课程。

例如，在学习 Model API 时掌握 HTTP 请求；在开发 Agent Runtime 时理解异步执行；在研究 State Management 时学习数据库；在部署 Agent System 时学习 Docker。

这种方式能够将基础知识与具体技术问题建立联系。

三、整体学习路线

根据已经建立的技术地图，可以将学习过程划分为五个阶段。

其中，前四个阶段对应四个核心技术领域，第五阶段负责综合实践和持续研究。

阶段	研究领域	核心目标	主要成果
阶段一	AI	理解模型能力与使用方法	能独立构建模型调用和知识检索应用
阶段二	Agent	理解智能体结构与执行机制	能独立设计、开发和测试 Agent
阶段三	Agent System	理解完整系统架构与工程要求	能构建可靠的 Agent 软件系统
阶段四	Agent Platform	理解平台架构与产品能力	能设计和实现基础 Agent Platform
阶段五	综合研究与实践	建立完整技术判断与开发能力	形成可持续迭代的项目和知识体系

各阶段的学习顺序主要由知识依赖决定，而不是按照技术复杂度简单排列。

例如，理解模型 API 是开发 Agent 的前提之一；理解 Agent Runtime 是研究多 Agent 编排的重要基础；理解任务状态和运行实例管理，则有助于进一步设计 Agent Platform。

四、阶段一：AI 基础与模型工程

4.1 学习目标

这一阶段的目标是理解现代 Agent 所依赖的 AI 技术，掌握模型调用与知识检索的基本方法。

研究重点不是自主训练基础模型，而是理解模型的能力来源、运行机制和工程使用方式。

完成这一阶段后，应当能够解释模型如何处理输入、生成输出，以及如何通过 API 将模型能力集成到软件应用中。

4.2 研究内容

对应知识库中的 01 · AI。

第一部分：AI Fundamentals

理解人工智能、机器学习、深度学习和生成式 AI 的基本概念，以及它们之间的关系。

第二部分：Model Architecture（M1–M8）

重点研究神经网络、Transformer、大语言模型、多模态模型、训练与推理。

这一部分需要建立对模型内部工作机制的基本理解，尤其是 Token、Attention、上下文窗口和模型推理等概念。

第三部分：Model Engineering（E1–E8）

这是本阶段最重要的工程实践部分。

需要重点掌握 Model API、Prompt Engineering、Context Window、Structured Outputs、Function Calling 和 Model Routing。

模型部署与推理优化可以先建立基础认知，在实际需要本地模型或性能优化时进一步深入。

第四部分：Knowledge & Retrieval（K1–K7）

理解 Embedding、向量数据库、信息检索、RAG 和知识库的基本架构。

重点掌握如何让模型获取和利用外部资料，并理解检索质量对最终回答的影响。

4.3 实践项目

建议完成三个逐步递进的小项目。

项目 A：模型 API 调用程序

开发一个能够接收用户输入、调用模型并返回结果的简单应用。

通过该项目理解模型请求、响应、Token 使用、流式输出和错误处理。

项目 B：结构化信息处理工具

开发一个能够读取文本、提取指定字段并输出 JSON 的工具。

通过该项目研究 Prompt Engineering、Structured Outputs 和结果验证。

项目 C：文档问答应用

构建一个能够读取文档、建立检索索引，并基于检索结果回答问题的应用。

通过该项目理解 Embedding、Retrieval、RAG 和 Knowledge Base 的基本机制。

4.4 阶段验收

完成这一阶段后，应当能够：

• 解释大语言模型的基本运行机制及主要局限。
• 独立通过 API 调用模型。
• 设计和管理模型输入。
• 获取并验证结构化输出。
• 理解 Function Calling 的接口机制。
• 构建简单的外部知识检索应用。
• 分析模型调用的成本、延迟与基本性能问题。

阶段成果：具备将 AI 模型能力集成到普通软件应用中的能力。

五、阶段二：Agent 结构与开发

5.1 学习目标

这一阶段的目标是从模型调用进入 Agent 开发，理解如何围绕目标组织模型、指令、工具、上下文和执行控制。

需要重点理解 Agent 与普通 LLM 应用、AI Workflow 的区别，以及 Agent 的逻辑定义与实际运行机制之间的关系。

完成这一阶段后，应当能够独立设计一个具有实际任务执行能力的 Agent，并理解其核心运行过程。

5.2 研究内容

对应知识库中的 02 · Agent。

第一部分：Agent Fundamentals

研究 Agent 的定义、组成、核心能力、执行机制、类型和生命周期。

重点理解 Agent 如何围绕目标获取信息、决定行动和利用执行反馈。

第二部分：Internal Architecture（A1–A10）

研究 Agent 的十个能力主题：

编号	技术主题	学习重点
A1	Identity & Role	角色、目标与职责定义
A2	Model	Agent 如何选择和使用模型
A3	Instructions	指令、规则与行为约束
A4	Context	当前任务信息与上下文组织
A5	Memory	历史信息、记忆存储与检索
A6	Knowledge	外部知识接入与使用
A7	Tools	工具定义、选择与调用
A8	Skills	专业技能封装与复用
A9	Planning & Reasoning	任务规划、推理与行动选择
A10	Permissions & Constraints	权限与执行边界

学习时不需要将十个主题全部实现为独立模块，而应理解每个主题解决的问题，以及它们如何共同支持 Agent 执行任务。

第三部分：Development & Practice

研究 Agent 设计、配置、开发、测试和实际案例。

重点理解如何根据任务需求选择 Agent 的复杂度，而不是默认使用功能最多的架构。

5.3 实践项目

项目 D：单 Agent 工具执行程序

开发一个能够根据用户任务选择并调用外部工具的 Agent。

例如，用户要求收集某个主题的公开资料，Agent 可以选择搜索工具，获取结果并整理信息。

项目需要包含基本的执行循环、工具调用、执行结果处理和终止条件。

项目 E：具备上下文与记忆能力的 Agent

在前一个项目基础上，增加任务历史、上下文管理和必要的记忆机制。

研究 Agent 如何利用已有信息继续执行任务，以及如何避免上下文无限增长。

项目 F：专业任务 Agent

选择一个具体场景，例如研究、编程或数据分析，设计具有明确职责和工具能力的 Agent。

重点验证 Agent 能否在有限的自主决策范围内稳定完成目标任务。

5.4 阶段验收

完成这一阶段后，应当能够：

• 准确区分 Agent、模型调用和固定工作流。
• 解释 Agent 的核心组成和执行机制。
• 独立定义 Agent 的目标、角色、指令与工具。
• 理解上下文、记忆和外部知识之间的区别。
• 实现基本的 Agent 执行循环。
• 设置合理的权限、执行限制和终止条件。
• 设计任务测试，评估 Agent 的实际完成效果。

阶段成果：具备独立设计、开发和测试单个 Agent 的能力。

六、阶段三：Agent System 架构与工程

6.1 学习目标

这一阶段的目标是从单个 Agent 扩展到完整的软件系统。

需要理解 Agent 如何在实际软件环境中运行，系统如何组织模型、工具、任务、数据和执行资源，以及如何保障任务的可靠完成。

这一阶段是从 Agent 开发进入系统工程的关键阶段。

6.2 研究内容

对应知识库中的 03 · Agent System。

第一部分：Agent System Fundamentals

理解 Agent System 的定义、组成、运行机制、系统类型和架构原则。

重点区分 Agent、Agent Runtime、Agent Harness、Agent Framework 与完整 Agent System。

第二部分：Technical Architecture（L1–L6）

研究六层纵向技术架构：

层级	技术领域	学习重点
L1	Infrastructure	计算、网络、存储与运行环境
L2	Platform Services	数据库、缓存、消息队列与基础服务
L3	Model Services	模型接入、统一接口、路由与调用管理
L4	Agent Engine	Runtime、Harness、执行循环与工具执行
L5	Orchestration & Collaboration	工作流、任务编排与多 Agent 协作
L6	Application	API、前端应用与外部系统集成

其中，L4 和 L5 是本阶段需要重点研究的 Agent 专有技术领域。

L1、L2 和 L6 则与传统软件工程联系更紧密，应当结合实际项目学习。

第三部分：Engineering & Governance（H1–H12）

研究十二个横向工程能力域。

编号	技术领域	学习重点
H1	Observability	日志、追踪、指标与运行诊断
H2	Security	身份认证、权限、隔离与安全防护
H3	Evaluation	任务质量、执行效果与系统评估
H4	State Management	任务状态、持久化与恢复
H5	Configuration	配置、环境与版本管理
H6	Human-in-the-Loop	人工审核、确认与干预
H7	Reliability	超时、重试、故障恢复与幂等性
H8	Resource Management	并发、资源、成本与预算
H9	Data Governance	数据存储、访问与生命周期
H10	Testing & Validation	单元、集成与端到端测试
H11	Deployment & Operations	部署、发布与运维
H12	Policy & Governance	策略定义、执行与治理

这些能力不需要在第一个 Agent System 中全部实现，但需要理解它们分别解决什么工程问题。

6.3 实践项目

项目 G：完整的单 Agent System

将阶段二的 Agent 扩展为具有后端服务、数据库、任务管理和用户接口的完整应用。

系统需要能够接收任务、执行 Agent、保存结果并展示执行状态。

项目 H：异步任务与状态恢复系统

在项目 G 基础上，增加长任务执行、状态持久化、失败处理和恢复机制。

重点研究任务队列、状态管理、可靠性和可观测性。

项目 I：多 Agent 协作系统

设计一个包含多个专业 Agent 的任务系统。

例如，研究 Agent 负责资料收集，分析 Agent 负责信息分析，写作 Agent 负责报告生成，审核 Agent 负责结果检查。

重点研究任务分配、协作方式、执行依赖、结果传递和失败处理。

多 Agent 并不一定优于单 Agent，因此还应设计对照实验，比较两种方案的质量、成本、延迟和复杂度。

6.4 阶段验收

完成这一阶段后，应当能够：

• 解释 Agent System 的主要组成和系统边界。
• 理解六层纵向架构与十二个横向工程能力域。
• 设计 Agent Runtime 与工具执行机制。
• 构建支持异步执行的任务系统。
• 保存、查询和恢复任务状态。
• 组织工作流和多 Agent 协作。
• 处理基本的超时、失败、重试和权限问题。
• 通过日志、追踪和测试分析系统运行情况。
• 部署并维护一个可实际使用的 Agent System。

阶段成果：具备设计和开发完整 Agent 软件系统的能力。

七、阶段四：Agent Platform 架构与产品开发

7.1 学习目标

这一阶段的目标是从具体 Agent System 扩展到通用平台建设。

需要理解如何将不同 Agent 应用重复需要的能力抽象为共享服务，以及如何通过产品界面和管理机制让用户创建、配置、运行和管理 Agent。

完成这一阶段后，应当能够设计 Agent Platform 的整体架构，并实现一个具备核心功能的平台原型。

7.2 研究内容

对应知识库中的 04 · Agent Platform。

第一部分：Agent Platform Fundamentals

理解 Agent Platform 的定义、组成、类型、生命周期管理和架构原则。

重点研究 Agent System 与 Agent Platform 的区别，以及平台化建设的适用条件。

第二部分：Technical Architecture（P1–P12）

研究十二个平台技术主题：

编号	技术领域	学习重点
P1	Control Plane	平台控制、配置与管理
P2	Execution Plane	Agent 任务的实际执行
P3	Agent Registry	Agent 定义、注册与版本
P4	Agent Development Services	Agent 构建与开发服务
P5	Deployment & Runtime Management	部署、实例、运行状态与生命周期
P6	Workflow Management	工作流定义与执行管理
P7	Resource & Integration	模型、工具和外部资源集成
P8	Platform API & SDK	统一 API 与 SDK
P9	Extensibility & Ecosystem	插件、扩展与第三方集成
P10	Platform Data & Assets	平台数据、产物与共享资产
P11	Multi-tenancy & Isolation	多租户、组织与工作空间隔离
P12	Platform Governance	权限、配额与治理

第三部分：Product Architecture（F1–F12）

研究十二个平台产品功能：

编号	产品功能	学习重点
F1	Agent Creation	Agent 创建流程
F2	Agent Configuration	能力与资源配置
F3	Agent Development & Testing	开发、调试与测试
F4	Agent Publishing & Sharing	发布、共享与复用
F5	Workspace & Project Management	工作空间与项目组织
F6	Agent Execution	任务启动、暂停与控制
F7	Agent Collaboration	多 Agent 协作交互
F8	Agent Monitoring	运行状态与结果展示
F9	Agent Management	版本与生命周期管理
F10	Artifact & Delivery Management	任务产物与交付成果
F11	Developer Experience	API 与 SDK 集成
F12	Platform Administration	用户、权限与资源管理

第四部分：Engineering & Practice

研究平台案例、技术选型、系统设计、分阶段开发、部署运维和持续优化。

7.3 实践项目

项目 J：Agent 管理平台原型

构建一个能够创建、配置、查看和管理 Agent 的基础平台。

至少需要包含 Agent 定义管理、模型与工具配置、任务启动和运行结果展示。

项目 K：Agent Runtime 管理平台

在前一个项目基础上，增加 Agent 运行实例管理、任务状态查询、执行记录、错误处理和基本的资源管理。

重点研究 Control Plane 与 Execution Plane 的职责划分。

项目 L：多 Agent 工作空间

进一步支持多个 Agent、多个任务和不同工作空间。

允许用户组织 Agent 协作、管理工作流，并查看执行过程和结果。

重点研究平台技术架构与产品功能之间的映射关系。

7.4 阶段验收

完成这一阶段后，应当能够：

• 解释 Agent Platform 的核心职责和适用场景。
• 区分 Control Plane 与 Execution Plane。
• 设计 Agent Registry 和 Agent Builder。
• 管理 Agent 定义、版本和运行实例。
• 设计平台的任务执行与工作流管理能力。
• 实现基本的用户、工作空间与权限管理。
• 将平台技术服务映射为具体产品功能。
• 制定合理的平台开发与部署方案。

阶段成果：具备设计和开发基础 Agent Platform 的能力。

八、阶段五：综合研究与持续实践

完成前四个阶段后，需要进一步建立跨领域的技术判断能力。

这一阶段不再以学习单个技术模块为主要目标，而是通过完整项目验证技术体系的实际应用价值。

8.1 综合架构设计

选择一个具有真实使用需求的 Agent 产品，从零完成需求分析、Agent 设计、系统架构和平台功能规划。

明确哪些能力属于 AI、Agent、Agent System 和 Agent Platform，以及它们之间如何交互。

8.2 技术方案比较

针对同一个任务，比较不同技术方案。

例如：

• 直接模型调用与 Agent 执行；
• 固定工作流与动态规划；
• 单 Agent 与多 Agent；
• 自行实现 Runtime 与使用 Agent Framework；
• 独立 Agent System 与基于 Agent Platform 的实现。

比较时应当关注任务质量、可靠性、开发复杂度、成本、延迟和维护要求。

8.3 实际系统验证

将设计方案转化为可以持续运行的软件。

通过真实任务测试系统表现，记录失败案例，并根据实际结果调整架构。

8.4 知识体系更新

将实践中发现的新技术、新问题和新方案反馈到知识库。

对于跨领域问题，可以先记录到 FAQ，再关联到对应的技术专题。

对于技术目录中尚未覆盖的重要主题，可以根据其职责和研究边界进行补充。

九、如何研究一个具体技术专题？

整个学习路线由多个技术专题构成。为了保证研究质量，需要采用统一的研究方法。

建议将每个专题分为六个步骤。

9.1 第一步：明确研究问题

首先确定当前技术专题需要回答什么问题。

例如，研究 Agent Runtime 时，核心问题是：

Agent 如何被驱动并持续执行任务？

进一步拆分为：

• Runtime 的职责是什么？
• 它如何调用模型？
• 它如何处理工具调用？
• 它如何维护执行状态？
• 它如何判断任务完成？
• 它如何处理失败和中断？

研究问题应当围绕技术机制展开，而不是仅仅罗列相关术语。

9.2 第二步：建立概念与边界

明确技术定义、核心职责，以及它与相近技术之间的区别。

例如，研究 Agent Runtime 时，需要区分 Agent Definition、Agent Runtime、Agent Harness 和 Agent Framework。

对于不同框架采用的术语，应当记录具体语境，避免将某个项目的定义直接视为行业统一标准。

9.3 第三步：理解内部机制

研究技术如何工作。

重点关注：

• 核心组成；
• 关键接口；
• 输入与输出；
• 数据流；
• 执行流程；
• 状态变化；
• 异常处理。

对于复杂技术，应当绘制架构图、流程图或时序图。

9.4 第四步：研究具体实现

选择具有代表性的官方文档、开源项目或技术框架，研究其实际实现方式。

例如，研究 Agent Runtime 时，可以进一步阅读框架的运行机制、核心代码和执行流程。

需要区分技术原理与具体框架的实现选择。

9.5 第五步：进行最小实践

通过一个规模尽可能小的实验验证关键技术。

例如，研究工具调用时，可以先实现一个包含模型调用、工具执行和结果反馈的最小程序。

实践重点是验证研究结论，而不是立即开发完整产品。

9.6 第六步：总结与关联

完成研究后，需要整理：

• 核心概念与结论；
• 关键技术机制；
• 适用场景与限制；
• 实践结果；
• 尚未解决的问题；
• 相关技术专题。

通过关联文档将单个知识点连接到完整技术体系中。

十、如何判断一个技术专题已经掌握？

阅读完一篇文档，并不意味着真正掌握了对应技术。

建议采用四个层次判断学习成果。

层次	能力要求	验证方式
L1 · 认识	知道技术是什么、解决什么问题	能准确解释概念
L2 · 理解	理解技术机制与架构关系	能绘制流程或解释组件交互
L3 · 应用	能使用技术解决具体问题	能完成最小可运行实验
L4 · 设计	能根据需求选择和组合技术	能提出方案、分析取舍并验证效果

这四个层次属于本知识库采用的学习评价标准，与 Agent System 的 L1–L6 技术架构编号没有关系。

并非所有技术专题都必须达到 L4。

例如，对于 Transformer 的内部架构，理解其核心机制可能已经足以支持一般 Agent 开发；对于 Agent Runtime、State Management 和 Workflow Management 等直接影响系统设计的技术，则更值得深入到实际应用与架构设计层次。

十一、如何安排学习优先级？

Agent 技术体系涉及的知识范围较广，因此不适合对所有技术投入相同的学习时间。

建议根据技术对实际开发的影响，将研究内容划分为三个优先级。

11.1 P0：核心必备知识

这类技术直接决定能否构建基本 Agent 应用。

主要包括：

• Model API 与 Prompt Engineering；
• Context Window 与 Structured Outputs；
• Function Calling；
• Agent 的基本组成与执行机制；
• Agent Tools 与 Context；
• Agent Runtime 与执行循环；
• 基本的任务状态与错误处理；
• API、数据库和基础软件开发。

建议优先掌握，并尽早通过实际项目验证。

11.2 P1：系统开发核心知识

这类技术决定 Agent System 能否处理复杂任务，并具备较好的可靠性和可维护性。

主要包括：

• Agent Memory 与 Knowledge；
• RAG 与外部检索；
• Planning & Reasoning；
• Orchestration & Collaboration；
• State Management；
• Observability；
• Security；
• Reliability；
• Evaluation；
• Testing & Validation。

建议在完成基本 Agent 开发后，结合完整系统项目逐步深入。

11.3 P2：平台化与进阶知识

这类技术主要服务于复杂系统、规模化运行或平台化建设。

主要包括：

• Model Deployment 与 Inference Optimization；
• 分布式任务调度与资源管理；
• Agent Registry；
• Agent Builder；
• Control Plane 与 Execution Plane；
• Runtime Management；
• Platform Governance；
• 多用户、多工作空间与平台管理。

这些技术的重要程度取决于实际项目需求。

例如，如果目标是开发本地个人 Agent 工具，可能不需要立即研究完整的平台治理；如果目标是开发多用户 Agent Platform，则需要提前考虑权限、运行隔离和资源管理。

因此，P0、P1、P2 是建议的学习优先级，而不是技术本身的重要性等级。

十二、如何将学习与实际项目结合？

建议采用研究—实验—开发—复盘的循环方式，而不是先完成全部理论学习，再统一进入开发阶段。

具体过程如下：

确定研究问题
      │
      ▼
学习技术原理
      │
      ▼
研究现有实现
      │
      ▼
设计最小实验
      │
      ▼
验证技术机制
      │
      ▼
应用到实际项目
      │
      ▼
测试与评估结果
      │
      ▼
总结经验并更新知识库
      │
      └────────→ 进入下一轮研究

这种方式有两个优势。

首先，可以通过实践及时验证对技术的理解，避免只停留在概念层面。

其次，实际开发过程中遇到的问题可以反过来推动知识研究，使知识库逐渐形成能够支持技术决策的参考体系。

例如，在开发 Agent System 时发现任务执行容易中断，就可以回到 H4 State Management 和 H7 Reliability，进一步研究状态恢复与故障处理机制。

十三、建议的学习成果与研究资产

随着学习深入，除了完成具体项目，还应逐步积累以下研究资产。

研究资产	主要内容	作用
概念文档	技术定义、边界与相关概念	建立统一术语体系
技术研究文档	原理、架构、机制与实现	积累系统知识
架构图与流程图	组件关系、数据流与执行过程	支持技术理解与系统设计
最小实验	独立验证某项技术机制	验证理论与实现
技术对比	框架、工具和方案比较	支持技术选型
项目实践	完整应用或系统开发记录	积累工程经验
FAQ	具体疑问与研究结论	解决跨领域问题
研究索引	关联文档、资料与案例	建立知识网络

这些成果应当能够相互引用，而不是成为互不关联的独立记录。

十四、核心结论

系统学习 Agent 技术，需要同时建立人工智能基础、智能体设计能力、软件系统架构能力和平台开发能力。

本知识库采用以下研究路线：

AI → Agent → Agent System → Agent Platform → 综合实践

其中：

AI 阶段解决模型如何工作以及如何使用智能能力的问题。

Agent 阶段解决如何围绕目标组织智能决策与行动的问题。

Agent System 阶段解决如何构建完整、可靠的软件系统的问题。

Agent Platform 阶段解决如何将 Agent 的创建、运行与管理能力通用化的问题。

综合实践阶段通过真实项目、技术比较和持续迭代，将分散的知识转化为完整的系统设计与工程实现能力。

学习过程中，应当以技术地图确定研究范围，以知识依赖安排学习顺序，以实际项目验证研究结论，并通过持续复盘更新知识体系。

最终目标并不是记住所有技术术语或掌握所有框架，而是能够理解技术、判断需求、设计架构、选择方案，并独立构建符合实际需求的 Agent 软件系统与平台。

十五、关联研究

关联文档	研究内容
01 · AI、Agent、Agent System、Agent Platform 有什么区别？ - Definitions	核心概念与研究边界
02 · 四者之间是什么关系？ - Architecture Relationships	技术依赖与架构关系
03 · 整个 Agent 技术体系由什么构成？ - Technology Landscape	完整技术地图与研究范围
01 · AI	人工智能基础与模型工程
02 · Agent	Agent 结构、能力与开发
03 · Agent System	系统架构与工程治理
04 · Agent Platform	平台架构与产品开发
05 · 常见问题 - FAQ	具体技术问题与跨领域研究