从零开始学习ai agent开发

从 FastGPT 到 Agent：我的 AI 工程学习路线图

写这篇文章的目的，是提醒自己持续输出，也记录自己在 AI Agent 方向上的学习过程。

最近越来越明显地感觉到：

AI Agent 正在从"概念"变成"工程"。

如果只是停留在 Prompt、RAG、聊天机器人层面，很快就会遇到瓶颈。

相比追逐每天更新的大模型新闻，我更希望把时间花在理解 Agent 的底层架构和工程实现上。

经过一段时间的学习和源码分析后，我给自己定下了一条路线图。

---

我的学习路线图

第一阶段：Dify

目标：

理解 AI 应用平台是如何搭建的。

重点关注：

• Workflow
• RAG
• Tool Calling
• Model Provider

学习结果：

能够理解一个 AI 应用从用户请求到模型返回的完整链路。

---

第二阶段：LangGraph

目标：

理解 Agent 的运行机制。

重点关注：

• StateGraph
• Agent Loop
• Memory
• Checkpoint

学习结果：

能够实现带状态、带循环、带分支的 Agent。

---

第三阶段：OpenHands

目标：

理解 Agent 如何真正执行任务。

重点关注：

• Agent 如何操作真实世界
• Agent 如何写代码
• Agent 如何调用 Shell
• Agent 如何自我修复

学习结果：

理解 Coding Agent 的完整执行闭环。

---

如果只选一个项目啃源码

很多人会问：

FastGPT、Dify、LangGraph 应该先看哪个？

如果让我选最值得花一个月深入研究的项目，我不会选 FastGPT。

我会选：

• Dify
• LangGraph
• OpenHands

因为这三个项目分别代表了 Agent 系统的三个核心部分。

Dify：产品架构

负责：

• 应用管理
• Workflow
• RAG
• Tool
• 模型管理
• 插件系统

它更像一个 AI 应用操作系统。

---

LangGraph：Agent 内核

负责：

• 状态管理
• 节点执行
• 分支控制
• Agent Loop

它解决的是：

Agent 如何思考。

---

OpenHands：执行器

负责：

• Shell 操作
• 文件修改
• 编码任务
• 环境交互

它解决的是：

Agent 如何行动。

---

再看 FastGPT

当理解了上面三个项目后，再回头看 FastGPT，会发现它本质上是：

Dify 的应用平台思想
+
LangGraph 的工作流思想
+
RAG 知识库能力
=
企业 AI 应用系统

FastGPT 更偏向：

• 企业知识库
• RAG
• 流程编排
• 应用发布

而 Dify 的抽象层级更高。

---

Dify 架构理解

Dify 官方定位：

开源 LLM 应用开发平台。

包含：

• AI Workflow
• RAG Pipeline
• Agent
• Model Provider
• Observability

整体架构如下：

用户
 ↓
Web Console
 ↓
API Service
 ↓
Application Layer
 ├─ Chat App
 ├─ Workflow App
 ├─ Agent App
 └─ Completion App
 ↓
Capability Layer
 ├─ LLM
 ├─ RAG
 ├─ Tools
 ├─ Workflow Engine
 └─ Plugin System
 ↓
Infrastructure
 ├─ PostgreSQL
 ├─ Redis
 ├─ Weaviate
 ├─ Celery
 ├─ Sandbox
 └─ Plugin Daemon

---

一次聊天请求如何执行

例如：

用户：

帮我总结这个产品说明书

执行链路：

Chat Request
 ↓
Load App Config
 ↓
Load Conversation
 ↓
Dataset Retrieval
 ↓
Prompt Assemble
 ↓
LLM Invoke
 ↓
Response Stream
 ↓
Log Save

核心思想：

模型并不直接知道知识库内容，而是在回答前动态检索相关内容。

---

Dify 的 RAG 架构

文档入库

上传文档
 ↓
Worker
 ↓
解析
 ↓
切片
 ↓
Embedding
 ↓
向量库

问答检索

用户问题
 ↓
Embedding
 ↓
向量召回
 ↓
Rerank
 ↓
上下文组装
 ↓
LLM
 ↓
回答

RAG 的本质不是：

让模型记住文档

而是：

回答前先找资料
再让模型回答

---

Workflow 的本质

很多人第一次接触 Workflow 会觉得神秘。

实际上它本质上就是：

图执行引擎

例如：

开始
 ↓
LLM
 ↓
条件判断
 ↓
HTTP请求
 ↓
代码执行
 ↓
结束

运行时：

读取配置
 ↓
执行节点
 ↓
保存结果
 ↓
找到下一节点
 ↓
直到结束

本质类似：

• LangGraph
• n8n
• Airflow

只是面向 AI 场景进行了封装。

---

LangChain 和 LangGraph

这是很多人最容易混淆的地方。

LangChain

更像：

组件工具箱

负责：

• Prompt
• Model
• Tool
• Parser
• RAG

例如：

prompt | model | parser

---

LangGraph

更像：

流程引擎

负责：

• 状态管理
• 分支
• 循环
• Agent

例如：

用户问题
 ↓
意图识别
 ↓
工具调用
 ↓
结果检查
 ↓
是否重试
 ↓
最终回答

---

为什么不建议跳过 LangChain Core

很多人会问：

我能直接学 LangGraph 吗？

答案：

可以。

但不要跳过 LangChain Core。

因为 LangGraph 底层大量依赖：

langchain_core

常见组件：

• Prompt
• Message
• Runnable
• Tool
• Structured Output

实际上现在主流写法已经不是：

LLMChain
ConversationChain

而是：

prompt
 |
model
 |
parser

即 Runnable 架构。

---

我推荐的学习顺序

如果你已经有后端开发经验：

第一阶段：

• Prompt
• Chat Model
• Tool Calling
• Structured Output
• RAG

第二阶段：

• LangChain Core
• Runnable
• Tool
• Message
• State

第三阶段：

• LangGraph
• StateGraph
• Conditional Edge
• Memory
• Checkpoint
• Human In The Loop

第四阶段：

• OpenHands
• Coding Agent
• MCP
• 多 Agent

---

最后

对于后端开发者来说，理解 Agent 最快的方法，不是看教程，而是亲手做一个项目。

例如：

ERP Agent

用户：

帮我查询前100条工单

Agent：

意图识别
 ↓
选择 Tool
 ↓
调用 ERP 接口
 ↓
格式化结果
 ↓
返回

这个项目会同时让你理解：

• Tool Calling
• Agent Loop
• 状态管理
• MCP
• LangGraph

当你真正把这样的项目跑通之后，再回头看 Dify、FastGPT、OpenHands，会发现它们解决的其实是同一个问题：

如何让大模型从"会聊天"，变成"会工作"。