一、先看岗位要什么
翻一遍各大平台的 Agent 工程师 JD，高频要求基本收敛在这几组关键词：
- 工程底座：TypeScript / Node.js / Python，至少一门扎实；
- LLM 应用层：Function Calling / 工具调用、结构化输出、流式响应（SSE）；
- Agent 核心：工具循环、记忆与上下文管理、RAG、多 Agent 编排；
- 生态协议：MCP（Model Context Protocol）；
- 质量工程：评估（Evals）、护栏（Guardrails）、安全；
- 交付能力：Docker、CI/CD、可观测性、成本控制。
注意一个反直觉的事实：JD 里"会用某个框架"反而很少单独出现，出现的是上面这些底层能力。因为框架三个月一换，而这些概念是稳定的。这也决定了转型的正确姿势：以能力和原理为主线，框架只当"语法糖"学。
二、能力地图：六个阶段
把上面 JD 关键词整理成递进的学习阶段：
| 阶段 | 目标 | 关键内容 |
|---|---|---|
| ① 工程底座 | 能写工程化的 TS/Node | TS 进阶、Monorepo、测试、Next.js / NestJS、PostgreSQL |
| ② 生产基建 | 服务能上线 | 认证与安全、Redis、Docker + CI/CD、云部署、可观测性 |
| ③ LLM 应用入门 | 会调模型 | LLM API、结构化输出、SSE 流式 |
| ④ Agent 核心 | 懂原理 | 手写工具循环、记忆与上下文压缩、RAG（含引用溯源）、工具加固与幂等 |
| ⑤ 进阶专项 | 上强度 | 护栏与安全红队、MCP、评估框架、多 Agent 编排 |
| ⑥ 综合交付 | 能讲故事 | 客服系统等产品线整合、生产化与成本控制、系统设计与面试 |
三、一份现成的 23 周路线
如果不想自己排计划，可以直接跟一套开源的《AI Agent 全栈工程师 · 23 周通关教程》（文末附获取方式）。它的结构非常"工程味"：
- 第 1~8 周 · 底座与基建：TypeScript 进阶、Monorepo、测试门禁、Next.js / NestJS、PostgreSQL + Prisma、认证安全、Redis、Docker + CI/CD、云部署；
- 第 9~13 周 · Python 线与 LLM 入门：Python 核心、FastAPI + SSE、LLM API 与结构化输出、LangGraph 与 ReAct、多 Agent 协作；
- 第 14~19 周 · Agent 专项：RAG 基础、RAG 进阶 + 引用溯源、评估工程、记忆架构与上下文工程、MCP、Agent 安全；
- 第 20~23 周 · 整合交付：全栈整合、生产化 + 可观测性 + 成本控制、系统设计 + 简历、面试冲刺。
它不只是书单式的路线：配套的开源仓库里有一个 pnpm Monorepo 工程（TS Agent 引擎、Next.js 前端、NestJS API），教程按"概念讲解 + 可运行代码 + 踩坑实录 + 自测题"逐日展开，学到哪一章就能翻到对应源码，还有知识库问答、智能客服、文档智能三条产品线级项目可以写进简历。
四、面试高频题自查清单
按这个路线学完，拿这份清单自查，能答上来七成以上就有的聊：
- Agent 的工具循环是怎么转起来的？模型和代码各自负责什么？
- 工具执行怎么做到幂等？高危操作怎么挂人工审批？
- 上下文窗口不够用了怎么办？记忆分层怎么设计？
- RAG 的引用怎么防模型造假？分块和 top-k 怎么定？
- 你怎么证明你的 Agent 变好了？评估集怎么建、指标有哪些？
- MCP 是什么，解决了什么问题？
- 多 Agent 怎么拆任务、怎么派发、结果怎么汇总？什么场景不值得上多 Agent？
- 从 demo 到生产，你的 Agent 还差哪几步？（护栏、评估、可观测、成本......）
第 1、4、5、8 题答不利索的，恰恰是最多人的短板------因为大多数教程根本不教这些。这份清单的参考答案，上述教程的主线第 13 章《面试实战：带着问题通关》里有系统梳理，参考库里"成熟度矩阵"一篇则是第 8 题的答题框架。
五、获取方式（无跳转）
按平台规范不贴外链：GitHub 搜索仓库名 zrayjay/ai-agent-blog，教程站入口在仓库 README 里，全部免费开源。
转型期最贵的不是资料，是"不知道学的全不全"的焦虑。这份路线至少让你知道终点长什么样。觉得有用点个赞 + 收藏，评论区可以聊你的转型进度。