企业官网建设流程全解析

本文通过分析一份真实的AI Agent工程师岗位需求，将复杂的技术名词拆解为实际项目中的能力地图，帮助读者了解应该学习的内容。文章详细介绍了AI Agent岗位的核心职责，即组合大模型、知识库、记忆、工具、业务系统及监控评估，形成完成真实任务的智能系统。同时，文章还梳理了Agent工程师需要掌握的8层能力，包括Python/TypeScript后端基础、LLM应用开发、RAG、Agent、Memory、数据与存储、权限与工程化以及可观测与评估。通过这份指南，小白或程序员可以清晰地了解AI Agent开发所需的技术栈和核心能力，为进入这一领域打下坚实的基础。

从一份真实的 Agent 岗位需求和一个 Agent 项目方案出发，把“看起来很散”的技术名词，拆成一套能真正落到项目里的能力地图，更重要的是，让你知道应该学什么。

一、先看结论：AI Agent 岗位，本质上在做什么？

这类岗位并不是简单地“调用一个大模型 API”。

真正的核心，是把 大模型 + 知识库 + 记忆 + 工具 + 业务系统 + 监控评估 组合成一个可以完成真实任务的智能系统。

可以把完整 Agent 简化成这条链路：

用户问题 → 意图理解 → 检索知识 → 规划/推理 → 调用工具 → 执行动作 → 生成结果 → 记忆沉淀 → 监控评估

因此，一个 Agent 工程师需要掌握的能力，大致可以分成 8 层：

1. 1. Python / TypeScript / 后端基础：把模型能力真正做成服务。

2. 2. LLM 应用开发：理解模型、Prompt、Context、流式输出等基本能力。

3. 3. RAG：让模型能够基于企业自己的数据回答问题。

4. 4. Agent：让模型从“回答问题”升级到“自己规划并执行任务”。

5. 5. Memory：让 Agent 拥有短期上下文和长期记忆。

6. 6. 数据与存储：为文档、向量、搜索、知识图谱、对象文件提供基础设施。

7. 7. 权限与工程化：处理 RBAC、服务化、稳定性、安全性。

8. 8. 可观测与评估：知道 Agent 为什么答错、检索为什么失败、效果有没有变好。

二、岗位技术栈地图

三、逐个拆解：这些技术到底是干什么的？

1. Python + TypeScript + FastAPI：Agent 的后端基础

目前市场上 Agent 相关 JD，后端语言主流就是两种：Python 和 TypeScript。其中 Python 更多。LangChain 官网的主要更新和示例，也是以 Python 为主。

Python

Python 是当前 LLM / Agent 开发里更常见的主力语言。

它的优势不只是“写起来快”，更重要的是 AI 生态成熟：模型 SDK、RAG、Agent、Embedding、向量数据库、评估框架等都有大量 Python 支持。LangChain 这类框架，官网的主要更新也优先落在 Python 上，跟进新能力时通常更直接。

TypeScript

TypeScript 是另一条主流选型，常见于本身就是 Node / Nest 技术栈、或者需要把 Agent 接进现有 Web 业务系统的团队。

它同样可以把 Agent 封装成服务，也有 LangChain.js 这类对应生态。但和 Python 相比，JD 里出现得少一些，框架文档和示例的更新也往往跟在 Python 后面。

选型可以简单记成：

• 新做 Agent、跟 LangChain 生态：优先 Python
• 已有 TypeScript / Node 服务，要把 Agent 接进现有系统：用 TypeScript 也很合理

FastAPI

FastAPI 负责把 Agent 能力封装成真正的后端 API，例如：

POST /chat POST /agent/run POST /knowledge/upload GET /conversation/history

核心能力：模型能力 → 可调用的业务服务。

四、LLM：Agent 的“大脑”

岗位中提到 GPT、Gemini、Qwen、DeepSeek 等，本质上是在要求开发者具备 多模型接入与应用能力。

需要掌握的不是“记住某个模型的 API”，而是理解：

• Chat / Completion 类接口怎么调用
• System / User / Tool 消息分别是什么
• Token 是什么
• Context Window 是什么
• Streaming 流式输出怎么做
• Function Calling / Tool Calling 怎么工作
• 不同模型的能力、速度、成本如何取舍

流式输出

用户输入问题后，不必等模型把完整答案生成完再返回，而是边生成边返回。

用户提问 ↓ Agent ↓ LLM ↓ “正在” → “分析” → “问题” → “……”

在聊天机器人、语音助手等场景中，这是非常重要的交互能力。

五、Prompt Engineering + Context Engineering

这是很多人容易混淆的一组概念。

Prompt Engineering

解决的是：“应该怎么告诉模型做事？”

例如：

你是一名企业知识库助手。 回答问题时必须基于检索结果。 如果知识库没有答案，不要编造。

重点在于任务说明、角色、约束、输出格式、Few-shot 等。

Context Engineering

解决的是：“到底给模型什么上下文？”

例如用户问：

“这个客户上个月为什么被拒？”

Agent 不只是把问题原样丢给模型，还要组织：

用户信息 + 当前会话 + 历史对话 + 检索到的客户资料 + 业务规则 + 工具返回结果

可以理解为：

Prompt 决定“怎么说”，Context 决定“给它什么”。

六、RAG：让大模型“知道企业自己的数据”

=====================

RAG（Retrieval-Augmented Generation）是企业 Agent 中非常核心的一条技术链路。

项目中的文档处理流程可以抽象成：

用户上传文档 ↓ 原始文件 → MinIO ↓ 文档解析 ↓ Markdown ↓ 文本清洗 / Chunk 切分 ↓ Embedding ↓ 向量库 + Elasticsearch

这样，用户提问时就可以先检索企业知识，再把相关内容交给 LLM。

七、为什么要“向量 + 关键词”混合检索？

=====================

单纯向量检索擅长理解“语义相似”。

例如：

“怎么修改员工银行卡？”

即使知识库写的是：

“员工银行账户变更流程”

向量检索也可能把它们匹配起来。

但企业场景中还有大量 编号、合同号、产品编码、专业术语、固定名称，这些内容有时候关键词匹配反而更可靠。

所以实际项目常见：

向量检索 + 关键词检索（ES） ↓ 融合召回 ↓ Rerank 重排 ↓ Top K 文档 ↓ LLM 生成答案

核心价值：同时兼顾语义理解能力和精确匹配能力。

八、Agentic RAG：从“检索一次”升级到“智能检索”

==============================

传统 RAG 往往是：

问题 → 检索 → 回答

但复杂问题可能需要多次搜索、改写问题、判断结果是否足够。

Agentic RAG 更像：

问题 ↓ Agent 判断问题类型 ↓ 决定检索策略 ↓ 第一次检索 ↓ 判断信息是否足够 ↓ 不够 → 改写问题 → 再检索 ↓ 整理证据 ↓ 最终回答

这也是为什么 RAG 和 Agent 会越来越紧密地结合。

九、Neo4j + 知识图谱：解决“关系型复杂问题”

==========================

向量检索适合“找相似内容”，但不一定擅长复杂关系推理。

例如：

A 公司旗下有哪些项目？这些项目分别由谁负责？负责人所在部门又是什么？

这类问题天然适合图谱：

公司 A ↓ 项目 B ↓ 负责人 C ↓ 部门 D

Neo4j 的核心价值，就是把实体和实体之间的关系结构化。

当问题需要跨多个实体和关系进行推理时，可以做多跳检索 / 多跳推理。

十、多模态文档解析：RAG 不只是“读文本”

======================

企业文档经常不是纯文本，而是：

• PDF
• Word
• Excel
• PPT
• 图片
• 扫描件
• 表格
• 图表

因此知识库建设不能只考虑“文本切块”，还需要处理图片、表格和版面结构。

这就是 多模态文档解析 的价值：

复杂文档 ↓ 解析文字 / 图片 / 表格 / 结构 ↓ 统一内容表示 ↓ 进入知识库

它直接决定后续 RAG 能不能真正“读懂企业资料”。

十一、Redis + Mem0：Agent 为什么需要 Memory？

===================================

Agent 的“记忆”通常可以拆成两层。

Redis：短期记忆

Redis 很适合保存当前会话中的临时状态，例如：

最近几轮对话 当前任务状态 Agent 当前步骤 临时缓存

特点是快，适合高频读写。

Mem0：长期记忆

长期记忆解决的是：

“这个用户过去告诉过我什么？”

例如：

用户偏好中文 用户负责某个项目 用户之前选择过某种方案

之后再次对话，Agent 可以利用这些信息。

所以可以简单理解为：

Redis 管当前，Mem0 管长期。

十二、PostgreSQL：业务数据的“主数据库”

=========================

Agent 系统并不是所有数据都应该塞进向量库。

业务数据依然需要传统数据库，例如：

用户 角色 部门 订单 项目 权限 会话记录 Agent 任务

PostgreSQL 更适合保存结构化、事务型数据。

一个典型 Agent 系统往往是：

PostgreSQL → 业务数据 ES → 关键词搜索 Vector DB → 语义搜索 Neo4j → 关系推理 Redis → 缓存 / 短期状态 MinIO → 原始文件 Mem0 → 长期记忆

重点不是“数据库越多越好”，而是不同数据使用不同存储模型。

十三、Elasticsearch：让企业知识“搜得准”

===========================

Elasticsearch 在这个项目中主要承担全文检索、关键词搜索等职责。

特别适合：

• 精确关键词
• 编号 / ID
• 专业术语
• 全文搜索
• 高亮与过滤

当它和向量检索结合时，就形成了常见的 Hybrid Search（混合检索）。

十四、MinIO：文件到底放在哪里？

==================

用户上传 PDF、Word、图片等原始资料后，一般不会直接把整个文件塞进 PostgreSQL 或向量库。

更合理的方式是：

原始文件 ↓ MinIO ↓ 文档解析 ↓ Markdown / Chunk ↓ 向量索引 + ES 索引

所以 MinIO 解决的是：

“原始文件怎么保存？”

而向量库 / ES 解决的是：

“文件内容怎么被检索？”

十五、MCP：Agent 连接外部世界的“接口规范”

==========================

MCP 可以理解成一套让模型 / Agent 更方便连接外部工具和数据源的协议机制。

例如 Agent 可以通过统一方式访问：

数据库 文件系统 搜索 业务 API 第三方服务 内部工具

它的价值不是“替代所有工具”，而是让 模型、Agent 和外部能力之间的连接更加标准化。

对于 Agent 工程师来说，需要理解：

• MCP Server
• MCP Client
• Tool
• Resource
• Prompt

以及它们在 Agent 架构中的位置。

十六、LangChain / LangGraph / AutoGen / Qwen-Agent / ADK：这些框架有什么区别？

================================================================

岗位要求“熟悉任意一种”其实释放了一个重要信号：

招聘方更看重 Agent 原理和工程能力，而不是要求你死记某个框架。

LangChain

提供 LLM、Prompt、Tool、Retriever 等基础组件，适合快速搭建 LLM 应用。

LangGraph

更强调 Agent 的状态、节点、边和工作流，适合复杂、多步骤、可控的 Agent。

AutoGen

强调多 Agent 协作，让不同角色的 Agent 分工完成任务。

Qwen-Agent

围绕 Qwen 生态提供 Agent 能力和工具调用能力。

ADK

更偏向 Agent 应用开发框架，帮助开发者组织 Agent、工具与运行流程。

真正需要掌握的是这些共同概念：

Agent ↓ State ↓ Memory ↓ Tool ↓ Plan ↓ Action ↓ Observation ↓ Final Answer

十七、ReAct + CoT：Agent 为什么会“先想再做”？

================================

岗位中提到 ReAct 和 CoT，核心是理解模型如何完成复杂任务。

CoT（Chain of Thought）

强调分步骤进行推理，把复杂问题拆成多个中间步骤。

ReAct

更关注：

Reason → Act → Observe → Reason → Act

也就是：

思考 ↓ 决定调用搜索工具 ↓ 获得结果 ↓ 再次判断 ↓ 调用另一个工具 ↓ 最终回答

这就是 Agent 和普通 Chatbot 的一个关键区别：

Agent 不只是生成文本，还会根据中间结果决定下一步行动。

十八、RBAC：企业 Agent 必须解决“谁能看什么”

============================

企业知识库和普通聊天机器人最大的区别之一，是权限。

例如：

员工 A → 只能访问部门资料 员工 B → 可以访问项目资料 管理员 → 可以访问全部资料

因此 RAG 检索前就需要做权限控制：

用户身份 ↓ 角色 / 部门 / 权限 ↓ 过滤可访问的数据 ↓ 检索 ↓ 生成答案

这意味着 企业 Agent ≠ 一个简单的聊天窗口，而是一个具备身份、权限和业务规则的系统。

十九、LangSmith + LangFuse：为什么 Agent 一定要“可观测”？

===========================================

Agent 出问题时，单看最终答案通常不够。

你还需要知道：

用户问了什么？ ↓ Agent 怎么规划？ ↓ 调用了哪个 Tool？ ↓ 检索了哪些文档？ ↓ 用了多少 Token？ ↓ LLM 返回了什么？ ↓ 最终答案是什么？

LangSmith、LangFuse 这类工具，就是为了记录和分析完整链路。
可以关注：

• Trace / 调用链路
• Prompt
• Token 消耗
• Latency
• Tool 调用
• 检索结果
• 最终输出
• 失败原因
• 评估指标

没有可观测性，Agent 很难真正进入生产环境。

二十、Claude Code / Codex / Cursor：AI Agent 工程师也要会“用 AI 写代码”

=========================================================

岗位里特别提到 Vibe Coding，以及 Claude Code、Codex、Cursor 等工具。

这说明现在的 Agent 工程师，不只是“开发 Agent”，本身也需要具备 AI Coding 能力。

典型工作方式已经从：

需求 → 手写代码

逐渐变成：

需求分析 ↓ AI 辅助设计 ↓ AI 生成代码 ↓ 开发者 Review ↓ 运行测试 ↓ AI 辅助定位问题 ↓ 人工最终确认

但真正重要的能力依然是工程基本功：架构、代码质量、调试、测试和安全。

二十一、把这些技术串起来：一个完整 Agent 项目是什么样？

===============================

结合截图中的项目思路，可以抽象成下面这套架构：

┌──────────────┐ │ 用户 │ └──────┬───────┘ ↓ ┌──────────────┐ │ Agent API │ │ FastAPI │ └──────┬───────┘ ↓ ┌────────────────────┐ │ Agent / LangGraph │ │ Plan / Memory / │ │ Tools / Action │ └───────┬────────────┘ ↓ ┌────────────────┼────────────────┐ ↓ ↓ ↓ RAG 检索 Memory Tools / MCP ↓ ↓ ↓ 向量 + ES + Rerank Redis + Mem0 业务 API / DB ↓ Neo4j 多跳推理 ↓ └──────────────┬─────────────────┘ ↓ LLM GPT / Gemini / Qwen / DeepSeek 等 ↓ 最终回答 ↓ LangSmith / LangFuse Trace + Eval + Monitor

二十二、从这份岗位要求，可以看出招聘方真正想要什么？

==========================

把所有技术名词剥掉以后，实际上就是 6 项核心能力：

① 会把大模型接进业务

不是只会调 API，而是知道模型如何进入真实业务流程。

② 会做 RAG

知道文档怎么进知识库、怎么切块、怎么 Embedding、怎么检索、怎么重排。

③ 会做 Agent

能设计 Plan、Memory、Tool、Action，并处理多步骤任务。

④ 会处理复杂企业数据

知道什么时候用 PostgreSQL、什么时候用 ES、什么时候用向量检索、什么时候使用 Neo4j。

⑤ 会做企业级工程化

包括权限、异步、高并发、服务化、稳定性、安全和监控。

⑥ 会借助 AI 提升研发效率

熟悉 Claude Code、Codex、Cursor 等 AI Coding 工具，同时保持开发者自己的架构、调试和代码审查能力。

学习重点不是“背技术名词”，而是最终能够独立回答这几个问题：

数据从哪里来？

模型为什么能找到正确知识？

模型为什么会调用这个工具？

Agent 为什么会记住用户？

权限怎么控制？

答错以后，怎么定位问题并持续优化？

如果这 5 个问题都能讲清楚，你对 Agent 的理解就已经从“会调用模型”，进入到了“会设计智能系统”。

结语

这份岗位描述背后的技术栈看起来很复杂，但其实可以浓缩成一句话：

LLM 负责理解与生成，RAG 负责补充知识，Memory 负责记忆，Agent 负责规划和行动，数据库负责存储，MCP 负责连接工具，Observability（可观测性） 负责让整个系统可控、可调、可优化。

真正的 AI Agent 开发，核心不是某一个框架，而是把这些能力组合起来，形成一套能够解决真实业务问题的系统。

对于想从前端、后端或者传统开发转向 AI Agent 的工程师来说，理解这套“能力地图”，比单独记住几十个框架名词更重要。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

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。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。