Python 工程师 AI Agent 开发 15 天学习路线图

目标: 15 天后能独立开发 AI Agent
每日投入: 约 2 小时（总计约 30 小时）
学习方式: 理论 30% + 编码 50% + 项目实战 20%
环境要求: Python ≥ 3.11（教程用到 asyncio.timeout），依赖见 requirements.txt

总览：三阶段递进

阶段一（Day 1-5）  →  Python 高级技能 + LLM 基础
阶段二（Day 6-10） →  AI Agent 核心架构
阶段三（Day 11-15）→  完整 Agent 实战项目

阶段一：Python 高级技能 + LLM 基础（Day 1-5）

目标: 补齐 Python 异步/并发/类型系统等高级特性，掌握 LLM API 调用与 Prompt 工程

Day 1：异步编程核心

📖 打开 Day 1 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 异步批量调用多个 API（模拟 Agent 多工具并发调用）

📔 实战教程: 运行 tutorial_02_async.py 跟着 9 步实战教程学习（已包含在项目中）

⚠️ 黄金法则: 在 async 函数里永远不用 time.sleep()，用 await asyncio.sleep()！

免费资源:

• Real Python: Async IO in Python
• Python 官方 asyncio 文档

避坑:

• ❌ 不要在 async 函数里用 time.sleep()，用 asyncio.sleep()
• ❌ asyncio.run() 只能在主线程调用一次
• ✅ 优先用 asyncio.gather() 而非逐个 await

Day 2：类型系统与装饰器进阶

📖 打开 Day 2 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 用 Pydantic 定义 Agent 的 Tool 输入输出 Schema，并用装饰器实现工具注册机制

📗 实战教程: 运行 tutorial_01_decorators.py 跟着 8 步实战教程学习（已包含在项目中）

免费资源:

• mypy 官方文档
• Pydantic V2 文档

避坑:

• ❌ Pydantic v1 和 v2 API 不兼容，确认版本用 v2
• ✅ 类型提示不是运行时检查，配合 mypy 做静态检查

Day 3：生成器、迭代器与上下文管理器

📖 打开 Day 3 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 实现一个流式 LLM 响应的异步生成器包装器

免费资源:

• Python 官方 itertools 文档
• Real Python: Generators

避坑:

• ❌ 生成器只能遍历一次，需要重复使用转为 list
• ✅ 大文件/流式数据必须用生成器，否则内存爆

Day 4：LLM API 调用与 Prompt 工程

📖 打开 Day 4 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 实现一个支持 Function Calling 的 LLM 客户端，LLM 能调用你预先注册的 Python 函数

免费资源:

• OpenAI Function Calling 指南
• DeepSeek API 文档（免费额度）
• Prompt Engineering Guide

避坑:

• ❌ Function Calling 返回的 JSON 可能格式错误，必须加 try/except + 重试
• ✅ System Prompt 要精简，太长 LLM 容易忽略
• ✅ 国内用 DeepSeek / Qwen / Moonshot API 都有免费额度

🛠 进阶教程: 配好 DEEPSEEK_API_KEY 环境变量后运行 tutorial_03_real_api.py——真实调用、错误重试、Function Calling、流式输出、成本统计一站体验（见侧边栏"真实 API 教程"）

Day 5：阶段一实战——命令行 AI 助手

📖 打开 Day 5 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

项目需求:

• 用户输入自然语言，LLM 理解意图
• 支持工具调用：查天气（模拟）、计算器、文件搜索
• 异步并发处理多个工具调用
• 流式输出回复内容
• 用 Pydantic 定义所有数据结构

阶段二：AI Agent 核心架构（Day 6-10）

目标: 掌握 Agent 四大核心模块——规划(Planning)、工具(Tools)、记忆(Memory)、执行(Action)，能用 LangChain/LangGraph 构建多步推理 Agent

Day 6：Agent 架构原理

📖 打开 Day 6 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

核心 ReAct 循环伪代码:

async def react_agent(user_input: str, tools: list, max_steps: int = 10):
    messages = [{"role": "system", "content": SYSTEM_PROMPT}, ...]
    for step in range(max_steps):
        response = await llm.chat(messages)
        if response.has_tool_call():
            result = await execute_tool(response.tool_call)
            messages.append({"role": "tool", "content": result})
        else:
            return response.content  # 最终回答
    return "达到最大步数限制"

免费资源:

• ReAct 论文解读
• Lilian Weng: LLM Powered Autonomous Agents

避坑:

• ❌ 不设 max_steps 上限，Agent 可能无限循环
• ✅ 每步记录 token 消耗，防止成本失控

Day 7：LangChain + LangGraph 入门

📖 打开 Day 7 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 用 LangGraph 实现一个带条件分支的 ReAct Agent

免费资源:

• LangGraph 官方教程
• LangChain 文档

避坑:

• ❌ LangChain 版本更新频繁（0.1 → 0.2 → 0.3），注意看文档版本
• ❌ 不要过度依赖 LangChain 高层封装，理解底层原理后再用
• ✅ LangGraph 比 LangChain AgentExecutor 更灵活，优先学

Day 8：工具系统与 MCP 协议

📖 打开 Day 8 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 写一个简单的 MCP Server（提供文件操作工具），在 Agent 中调用

免费资源:

• MCP 官方文档
• MCP Python SDK

避坑:

• ❌ 工具描述（docstring）要清晰精确，这直接影响 LLM 选择工具的正确率
• ✅ 每个工具函数加超时装饰器，防止工具卡死整个 Agent
• ✅ 工具返回结果要结构化（JSON），方便 LLM 理解

Day 9：记忆系统与 RAG

📖 打开 Day 9 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

练习项目: 实现一个能记住对话历史、并能从文档库检索知识的 Agent

免费资源:

• ChromaDB 文档
• LangChain RAG 教程

避坑:

• ❌ 对话历史过长超出 token 限制 → 必须实现滑动窗口或摘要压缩
• ❌ Embedding 模型选错（中英文不匹配）→ 中文用 text-embedding-3-small 或 bge-large-zh
• ✅ 记忆不是越长越好，关键是相关性检索

Day 10：阶段二实战——多工具 Agent

📖 打开 Day 10 学习页：今天学什么、按什么顺序学、每一步做到什么程度，都在这一页里

项目需求:

• 至少集成 4 个工具（计算器、网页搜索、文件读写、代码执行）
• ReAct 循环 + 条件路由
• 对话记忆（短期 10 轮 + 长期向量存储）
• 流式输出
• 错误恢复（工具调用失败自动重试或降级）

阶段三：完整 Agent 实战项目（Day 11-15）

目标: 从零开发一个完整的、可部署的 AI Agent 应用
说明: 材料: Day 11 / 12 / 13 / 14 / 15 学习页 + 项目脚手架 project_day11_15/（分层 FastAPI 骨架 + TODO，Day 13/14 的前端与 Docker 文件已提供）

Day 11-12：项目设计与核心开发

📖 Day 11 学习页（架构 + FastAPI + 核心循环） ｜ Day 12 学习页（工具 / 记忆 / 错误处理） ｜ 🛠 项目脚手架

项目选题——「智能开发助手 Agent」:

• 理解用户自然语言需求
• 能搜索文档/代码
• 能读写文件
• 能执行 Shell 命令
• 多步推理完成任务

Day 13：Web UI + 流式交互

📖 Day 13 学习页：SSE 协议选型 + /chat/stream 实现指引（前端已提供）

• 用 FastAPI + SSE（Server-Sent Events）实现流式 API
• 简单 Web 前端（纯 HTML/JS 或 Streamlit/Gradio）
• Agent 思考过程可视化

Day 14：测试、优化与部署

📖 Day 14 学习页：Agent 测试策略（monkeypatch LLM）+ Docker 部署指引

• 单元测试（pytest + pytest-asyncio）
• Token 消耗统计与优化
• Docker 容器化
• 部署到云服务器（或本地）

Day 15：总结与延伸

📖 Day 15 学习页：知识地图自测 + 文档清单 + 进阶路线

• 回顾 15 天所学，整理知识体系
• 探索进阶方向：Multi-Agent（AutoGen / CrewAI）、Agent 评测、安全防护
• 完成项目文档和 README

每周目标汇总

推荐免费学习资源汇总

Python 高级

LLM / AI Agent

视频课程

常见问题与避坑建议

Python 高级

LLM 调用

Agent 开发

部署

每日检查清单

每天结束时自检：

• [ ] 完成今日编码练习并 push 到 GitHub
• [ ] 阅读材料有笔记（哪怕一句话总结）
• [ ] 遇到 1 个以上 bug 并解决了
• [ ] 代码有类型注解和基本测试
• [ ] 记录今日学到的 3 个关键点

进阶方向（Day 15 之后）

如果你的 AI Agent 已经能稳定运行，以下是继续深入的方向：

最后提醒: 15 天是启动时间，不是终点。AI Agent 领域发展极快（周级更新），保持每周阅读一篇新论文/博客的习惯。重点不是学完所有框架，而是理解 Agent 的核心原理：规划 → 工具调用 → 反思 → 迭代。把这个循环刻在脑子里，什么框架都不过是它的具象化。