阶段三：AI Agent

目标不是训练基础模型，而是建设可靠的 AI 应用系统：

用户目标
→ 确定性 Workflow
→ 局部 Agent 决策
→ 受控 Tool
→ 业务服务与数据
→ 状态、评测、审计

学习顺序

1. LLM 应用基础
2. 结构化输出
3. Tool Calling 可靠性
4. RAG 检索链路
5. Workflow 与 Agent 边界
6. 状态、记忆与恢复
7. Agent Eval
8. 可观测性、成本与模型路由
9. MCP 的位置与边界
10. Agent 安全
11. 从 Demo 到生产系统

第二遍：理解 Agent 为什么会失败

第一遍建立术语和整体轮廓，第二遍按故障链阅读：

1. 模型、结构化输出与工具循环：上下文、四层校验、重试分类、副作用和完整诊断案例；
2. 工作流、恢复与副作用：Checkpoint、节点边界、人工暂停、Lease、取消和版本升级；
3. RAG、Eval 与线上治理：混合检索、权限过滤、失败定位、评测集、发布门禁和线上 Trace。

不要只记框架 API。每学一个机制，都问：它解决哪一种失败？它不能解决什么？

第三遍：用可重复实验验证

1. 完成 Tool 幂等实验；
2. 完成 Agent Eval 实验；
3. 完成 可恢复 Agent Workflow；
4. 主动制造模型超时、结构错误、进程重启和重复恢复，并保存证据。

学习原则

• 先不用框架实现一次模型调用和工具循环；
• 确定性流程优先，不把所有步骤交给模型；
• 模型负责建议，后端负责权限、校验和执行；
• 先建立评测集，再频繁改 Prompt；
• 把失败、成本和人工接管当作正常系统状态。

阶段完成标准

• 能解释 LLM 为什么不确定
• 能实现结构化输出与 Tool Calling
• 能判断 RAG、Workflow 和 Agent 的边界
• 能设计 checkpoint、审批和恢复
• 能建立最小 Eval 和失败案例库
• 能解释 Prompt Injection 与过度授权
• 完成 可恢复 Agent Workflow