![]()
🔥8大模块 · 37篇论文/资源 · 3阶段递进—— 一份写给工程师的AI Agent & RAG系统化学习指南
前言
AI Agent 和 RAG（检索增强生成）是2025-2026年最热门的AI工程方向。但网上的资料要么太学术，要么太浅尝辄止。我花了一周时间，从DeepSeek的深度对话中梳理出一条可执行的12周学习路线，覆盖从LLM基础到Agent架构、RAG工程、AI产品思维和商业化的全链路。
这篇文章不只是书单——每个模块都有明确的产出目标和优先级标注，让你学完就能用。
📋 全局地图
AI Agent & RAG 学习计划 │ ├── 🟢 第一阶段：基础夯实（W1-W4） │ ├── 03-LLM基础：Transformer / Token / RLHF / DPO │ └── 01-Agent架构：ReAct / Plan-then-Execute / Multi-Agent │ ├── 🟡 第二阶段：工程实战（W5-W8） │ ├── 02-RAG：GraphRAG / HiRAG / 工程实践 │ └── 01-Agent：框架实操 / 评测体系 │ └── 🔴 第三阶段：产品与商业（W9-W12） ├── 04-AI Native：产品思维 / 推荐书籍 ├── 05-商业化：定价策略 / 产品定位 ├── 06-行业：ITSM / 迁移工具 / Agent平台 └── 08-资源：信息源 / 知识图谱
🟢 第一阶段：基础夯实（第1-4周）
目标：建立LLM和Agent的核心认知，能看懂主流论文
W1-W2：LLM基础
| 周 | 学习内容 | 产出 |
|---|
| W1 | Transformer原理、Token机制、RLHF/DPO | 笔记：LLM核心概念速查 |
| W2 | 幻觉问题、模型评测 | 完成Andrew Ng课程 |
核心资源：
| 资源 | 说明 |
|---|
| Attention Is All You Need (Vaswani et al., 2017) | Transformer开山之作，必读 |
| Illustrated Transformer (Jay Alammar) | 可视化讲解，入门首选 |
| RLHF / DPO 对齐 (Hugging Face Blog) | RLHF vs DPO原理对比 |
| Stanford CS224n: NLP with Deep Learning | B站有全集，NLP入门必看 |
| DeepLearning.AI - LangChain for LLM Application Development | Andrew Ng出品 |
幻觉专题（面试高频）：
| 论文 | 核心观点 |
|---|
| A Comprehensive Survey of Hallucination in LLMs (2025) | 幻觉问题全景综述 |
| Survey and Analysis of Hallucinations in LLMs (Frontiers, 2025) | Prompt层面缓解策略 |
模型评测：
| 平台 | 用途 |
|---|
| LMSYS Chatbot Arena | 众包盲评排行 |
| Artificial Analysis | API性能/价格/延迟对比 |
当前Top模型：GPT-4o / Claude 3.5 Sonnet / Gemini 2.0 / DeepSeek-V3 / Qwen
W3-W4：Agent架构与范式
| 周 | 学习内容 | 产出 |
|---|
| W3 | ReAct / Plan-then-Execute范式 | 笔记：Agent推理范式对比 |
| W4 | Multi-Agent架构 + Anthropic Agent设计 | 笔记：Agent架构选型指南 |
单Agent推理范式
| # | 论文 | 年份 | 核心观点 | 优先级 |
|---|
| 1 | ReAct: Synergizing Reasoning and Acting (Yao et al.) | 2022 | Thought-Action-Observation循环 | ⭐⭐⭐ 必读 |
| 2 | Plan-then-Execute (Del Rosario et al.) | 2025 | Planner/Executor分离，先规划后执行 | ⭐⭐⭐ 必读 |
| 3 | Web Agents Should Adopt Plan-Then-Execute | 2026 | Web Agent场景P-t-E优于ReAct 80% | ⭐⭐ 推荐 |
| 4 | Reason-Plan-ReAct (RP-ReAct) | 2025 | 融合推理+规划 | ⭐⭐ 推荐 |
💡费曼检验：能否用一句话讲清楚ReAct vs P-t-E的区别？
ReAct是"边想边做"，P-t-E是"先想好再做"——前者灵活但易走偏，后者可控但需 upfront规划。
Multi-Agent架构
| # | 论文 | 核心观点 | 优先级 |
|---|
| 5 | MPAC: Multi-Principal Agent Coordination | 五层协调：Session/Intent/Operation/Conflict/Governance | ⭐⭐ 推荐 |
| 6 | COLLAB-LLM | 角色分工 + 通信协议 + 冲突解决 | ⭐⭐ 推荐 |
| 7 | Federation of Agents (FoA) | Versioned Capability Vectors实现跨域互操作 | ⭐ 选读 |
Anthropic Agent设计理念
| 资源 | 说明 |
|---|
| Building effective agents (Anthropic, 2024.12) | Agent定义、Workflow vs自主Agent区分——业界标杆文章 |
这篇文章的含金量极高。Anthropic把Agent分为两类：Workflow Agent（流程编排，人定义路径）和Autonomous Agent（自主决策，AI定义路径）。选型前必读。
🟡 第二阶段：工程实战（第5-8周）
目标：跑通RAG和Agent的Demo，掌握评测体系
W5-W6：RAG检索增强生成
| 周 | 学习内容 | 产出 |
|---|
| W5 | GraphRAG / HiRAG / ParetoRAG前沿方案 | 笔记：RAG方案对比矩阵 |
| W6 | RAG工程实践（LangChain/LlamaIndex/RAGAS） | 跑通一个RAG Demo |
前沿RAG方案
| # | 论文 | 年份 | 核心观点 | 优先级 |
|---|
| 12 | GraphRAG (Microsoft) | 2024 | LLM提取实体关系→社区检测→MapReduce全局摘要 | ⭐⭐⭐ 必读 |
| 13 | GeAR: Graph-enhanced Agent for RAG | 2025 | 图增强Agent RAG | ⭐⭐ 推荐 |
| 14 | HiRAG: Hierarchical Knowledge RAG | 2025 | 层次化知识索引 | ⭐⭐ 推荐 |
| 15 | ParetoRAG | 2025 | 帕累托最优检索 | ⭐ 选读 |
| 16 | Zero-RAG | 2025 | 零样本RAG，30% Wikipedia索引降22% | ⭐ 选读 |
| 17 | OG-RAG: Ontology-grounded RAG | 2025 | 本体论接地RAG | ⭐ 选读 |
💡RAG演进路线：Naive RAG → Advanced RAG → Graph RAG → Agentic RAG。当前业界主流正在从Advanced RAG向Graph RAG和Agentic RAG迁移。
RAG工程实践
| 主题 | 内容 |
|---|
| LangChain RAG教程 | Naive RAG → Advanced RAG完整路径 |
| LlamaIndex RAG教程 | Ingestion → Indexing → Retrieval → Generation pipeline |
| RAGAS评测框架 | Faithfulness / Answer Relevancy / Context Precision/Recall |
| Chunking策略 | 固定大小 vs 语义切分 vs 递归切分 |
W7-W8：Agent框架与评测
| 周 | 学习内容 | 产出 |
|---|
| W7 | LangChain / LangGraph / CrewAI / AutoGen实操 | 跑通一个Agent Demo |
| W8 | Agent评测体系 | 笔记：评测框架选型 |
Agent开发框架选型
| 框架 | 定位 | 特点 | 适合场景 |
|---|
| LangChain | LLM应用开发框架 | 生态最全+插件最多 | 通用LLM应用 |
| LangGraph | 有状态Agent框架 | StateGraph+Checkpoint | 复杂状态机Agent |
| LlamaIndex | 数据索引框架 | RAG能力最强 | 知识密集型应用 |
| CrewAI | 多Agent协作框架 | 角色化协作 | 多角色任务 |
| AutoGen (Microsoft) | 多Agent对话框架 | 对话驱动+代码执行 | 研究/实验 |
🎯选型建议：LangChain通用入门 → LlamaIndex做RAG → LangGraph做复杂Agent
Agent评测
| # | 论文 | 核心观点 |
|---|
| 8 | Evaluation and Benchmarking of LLM Agents | Agent评测全景综述 |
| 9 | Agent-as-a-Judge (2025) | 用Agent评测Agent，超越LLM-as-a-Judge |
| 10 | Beyond Accuracy (2025) | 企业级Agent多维评测 |
| 11 | Holistic Agent Leaderboard (2025) | 9大Benchmark，21,730个Agent rollout |
🛠工具链：LangSmith（trace）+ Braintrust（评测）+ RAGAS（RAG评测）
🔴 第三阶段：产品与商业（第9-12周）
目标：从技术到产品，理解AI的商业闭环
W9：AI Native产品思维
| 资源 | 核心观点 |
|---|
| AI Native产品定义 (2025) | AI Native ≠ AI Wrapper，从0开始设计而非套壳 |
| Claude Code = AI-Native开发范例 | AI不是辅助，是核心交互方式 |
| AI Native产品10大原则 (InfoQ) | PRD也需要AI-Native化 |
推荐书籍：
| 书名 | 作者 | 核心价值 |
|---|
| The Design of Everyday AI Things | Don Norman风格 | AI时代交互设计 |
| Co-Intelligence: Living and Working with AI | Ethan Mollick | AI协作生活工作指南 |
| The Coming Wave | Mustafa Suleyman | DeepMind联创谈AI未来 |
W10：AI商业化与定价
| 资源 | 核心观点 |
|---|
| API计费/Tiered/按量 (2025) | Token计费是AI商业化起点 |
| AI定价策略综述 (36氪, 2025) | 中国市场定价实践 |
| AI商业化定价 (Stripe, 2025) | Stripe视角的AI支付 |
| BGV AI Advisory: Pricing for Agentic AI | Agent AI定价策略 |
产品定位参考：
| 资源 | 核心价值 |
|---|
| Obviously Awesome (April Dunford) | B2B定位方法论 |
| Monetizing Innovation | 定价驱动创新 |
| a16z AI Canon | AI投资图谱+LLM技术栈 |
W11：行业应用
ITSM / IT服务管理
| 厂商 | 产品 | AI能力 |
|---|
| ServiceNow | AI Experience | AI Agent驱动，Gartner MQ领导者 |
| Salesforce | Agentforce IT Service | 2025.09发布，Slack深度集成 |
| Zendesk | AI Agent | 自动化客服 |
| BMC | 25.2/25.3 | AI Agent进入ITSM+ITOM |
迁移工具
| 厂商 | 产品 |
|---|
| AWS | Application Migration Service + Migration Hub |
| Azure | Migrate + Arc |
| Google | Migrate for Compute Engine + Anthos |
Agent开发平台
| 平台 | 定位 |
|---|
| Coze | 字节旗下，低代码Agent |
| Dify | 开源LLMOps平台 |
| n8n | Workflow自动化+AI节点 |
| 扣子AI | IM驱动AI Agent |
W12：信息源与知识体系
核心信息源
| 信息源 | 频率 | 链接 | 说明 |
|---|
| Lilian Weng博客 | 不定期 | lilianweng.github.io | OpenAI研究负责人，质量极高 |
| Anthropic Research Blog | 不定期 | anthropic.com/research | Agent/对齐/安全 |
| The Batch (Andrew Ng) | 每周 | deeplearning.ai/the-batch | AI趋势周报 |
| a16z AI Canon | 不定期 | a16z.com/ai-canon | AI投资全景 |
| LangChain Blog | 不定期 | blog.langchain.dev | Agent/RAG工程 |
| LlamaIndex Blog | 不定期 | llamaindex.ai/blog | RAG前沿 |
中文资源
| 资源 | 说明 |
|---|
| AIGC研究院19赛道全景 (2025) | 50+公司覆盖 |
| AI Agent产业链全景图 (ProcessOn) | 产业链可视化 |
| 36氪AI频道 | 商业化/定价 |
| 2025全球AI产品榜 | 产品排行 |
知识图谱速查
| 领域 | 核心概念 |
|---|
| LLM | Transformer / Token / Pre-training / SFT / RLHF / DPO / Temperature / Top-p |
| Agent | ReAct / Plan-then-Execute / Multi-Agent / Function Calling / MCP / A2A |
| RAG | 向量检索 / 稀疏检索 / 混合检索 / Chunking / HyDE / RAPTOR / GraphRAG / Agentic RAG / RAGAS |
| AI产品 | AI Native vs AI Wrapper / Prompt Engineering / AI定价 / Agent计费 |
📝 论文下载清单（按优先级）
⭐⭐⭐ 必读（先下这4篇）
⭐⭐ 推荐
⭐ 选读
基础论文
🎯 学习方法
- 论文阅读：先读Abstract + Conclusion，再决定是否精读全文
- 框架实操：每个框架至少跑一个官方Demo，再改造成自己的场景
- 笔记输出：每学完一个模块，写一篇500字总结
- 费曼检验：能否用一句话讲清楚核心概念？
- 节奏控制：每周10小时，不贪多，求扎实
总结
这份学习路线的核心逻辑是三层递进：
- 基础层（W1-4）：搞懂LLM怎么工作、Agent怎么推理
- 工程层（W5-8）：能跑RAG和Agent的Demo，懂评测
- 产品层（W9-12）：理解AI产品怎么设计、怎么赚钱
12周只是起点，真正的深度需要持续实践。但有了这份路线，你至少不会在信息海洋里迷路。
如果觉得有用，欢迎点赞收藏，也欢迎在评论区交流你的学习进度和心得 👇
路易乔布斯 © 2026 | 本文学习计划源自DeepSeek对话整理，经系统化重构而成
