[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-75970":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":15,"stars7d":16,"stars30d":17,"stars90d":15,"forks30d":15,"starsTrendScore":18,"compositeScore":19,"rankGlobal":10,"rankLanguage":10,"license":20,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":23,"hasPages":23,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":25,"readmeContent":26,"aiSummary":27,"trendingCount":15,"starSnapshotCount":15,"syncStatus":28,"lastSyncTime":29,"discoverSource":30},75970,"agent-study","Callous-0923\u002Fagent-study","Callous-0923","36章AI Agent全栈课程：从ReAct循环到Claude Code逆向、MCP\u002FA2A协议、RAG、DSPy、生产可观测性——全部为可运行Python文件，面试导向。","",null,"HTML",381,31,228,0,38,120,1,73.52,"MIT License",false,"main",true,[],"2026-06-12 04:01:19","\u003Cp align=\"center\">\n  \u003Ch1 align=\"center\">🤖 AI Agent 全栈学习课程\u003C\u002Fh1>\n  \u003Cp align=\"center\">\n    从零到一，系统掌握 AI Agent 核心理论与工程实践\u003Cbr>\n    36 章节 · 22000+ 行代码 · 60+ 可运行示例 · 面试全覆盖\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-blue?logo=python&logoColor=white\" alt=\"Python\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F章节-36-green\" alt=\"Chapters\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F许可-MIT-yellow\" alt=\"License\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F更新-2026.05-brightgreen\" alt=\"Update\">\n\u003C\u002Fp>\n\n---\n\n## 📖 项目简介\n\n这是一套**面向求职**的 AI Agent 全栈学习课程，从 Agent 基础理论到 Claude Code 逆向工程、从 RAG 到 MCP\u002FA2A 协议、从 DSPy 到生产可观测性，覆盖 **28 个主题、7 个层次**。每个章节都是 **可独立运行的 `.py` 文件**，既是完整讲义，又是可执行代码。\n\n> **适合人群**：应届毕业生、转行工程师、任何想系统学习 AI Agent 的开发者。\n\n---\n\n## 🗺️ 课程路线图（36 章 · 7 层递进）\n\n```\n第1层：理论基础 ── 第2层：工程实践 ── 第3层：深度技术 ── 第4层：工程化与前沿\n   Ch1-3               Ch4-7              Ch8-12              Ch13-18\n\n第5层：高级架构 ── 第6层：基础补强 ── 第7层：专家级进阶\n  Ch19-24            Ch25-28            Ch29-36\n```\n\n### 第1层：Agent 理论基础\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch0](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_00_overview\u002F00_course_overview.html)** | 课程概览与环境搭建 | 学习路线图、依赖安装、API Key 配置 |\n| **[Ch1](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_01_fundamentals\u002F01_hello_agent.html)** | 第一个 Agent | 裸写 ReAct 循环、Function Calling 原理 |\n| **[Ch2](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_02_components\u002F02_agent_components.html)** | Agent 核心组件 | 规划器、记忆系统（短期\u002F长期\u002F工作）、工具设计黄金法则 |\n| **[Ch3](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_03_types\u002F03_agent_types.html)** | Agent 类型分类 | ReAct \u002F Plan-Execute \u002F Reflexion 对比 |\n\n### 第2层：工程实践与框架\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch4](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_04_frameworks\u002F04_frameworks.html)** | 主流框架实战 | LangChain Agent + LangGraph 状态机 |\n| **[Ch5](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_05_multi_agent\u002F05_multi_agent.html)** | 多智能体系统 | Writer+Reviewer 协作、crewAI 风格 |\n| **[Ch6](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_06_evaluation\u002F06_evaluation.html)** | 评估与测试 | 评测框架、LLM-as-Judge、生产 Checklist |\n| **[Ch7](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_07_interview\u002F07_interview_prep.html)** | 求职面试准备 | 20 道高频面试题 + 项目指南 + 面试流程 |\n\n### 第3层：深度技术剖析\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch8](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_08_claude_code\u002F08_claude_code_architecture.html)** | Claude Code 架构 | nO 主循环、h2A Steering、上下文压缩、SubAgent |\n| **[Ch9](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_09_rag_deepdive\u002F09_rag_deepdive.html)** | RAG 深度解析 | Chunk策略·Embedding选型·RRF·Cross-Encoder·生产模式 |\n| **[Ch10](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_10_mcp\u002F10_mcp_deepdive.html)** | MCP 协议详解 | JSON-RPC、原语（Tools\u002FResources\u002FPrompts）、能力协商 |\n| **[Ch11](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_11_tool_calling\u002F11_tool_calling_deepdive.html)** | Tool Calling 底层 | OpenAI vs Anthropic、Streaming 组装、Strict 模式 |\n| **[Ch12](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_12_infrastructure\u002F12_infrastructure.html)** | Agent 生产基础设施 | OpenClaw 架构、Harness、MultiAgentEval、生产化 Checklist |\n\n### 第4层：工程化与前沿\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch13](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_13_fastapi\u002F13_fastapi_agent_service.html)** | FastAPI 服务化 | REST API、SSE 流式、WebSocket、生产部署架构 |\n| **[Ch14](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_14_sqlite\u002F14_sqlite_agent_storage.html)** | SQLite 持久化 | 5 表 Schema、WAL 模式、会话\u002F任务\u002F用户管理 |\n| **[Ch15](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_15_a2a\u002F15_a2a_protocol.html)** | Google A2A 协议 | AgentCard、Task、Artifact、Multi-Agent 协作 |\n| **[Ch16](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_16_memgpt\u002F16_memgpt_letta.html)** | MemGPT\u002FLetta 记忆 | Core Memory、Heartbeat、Sleep-Time、Filesystem Memory |\n| **[Ch17](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_17_computer_use\u002F17_computer_use.html)** | Computer Use | Screenshot-Action Loop、坐标计算、安全沙箱 |\n| **[Ch18](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_18_security\u002F18_agent_security.html)** | Agent 安全与护栏 | Prompt Injection 攻防、权限分级、输入消毒、审计 |\n\n### 第5层：高级架构与优化\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch19](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_19_workflow_patterns\u002F19_workflow_patterns.html)** | Agentic Workflow 设计模式 | Reflection \u002F Routing \u002F Orchestrator-Worker \u002F Evaluator-Optimizer 等 7 种模式 |\n| **[Ch20](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_20_context_engineering\u002F20_context_engineering.html)** | Context Engineering | Context Rot 原理、预算管理、XML 结构化 Prompt、Skill.md |\n| **[Ch21](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_21_streaming\u002F21_streaming_architecture.html)** | Streaming & 实时架构 | EventBus、动态中断、背压控制、StateManager Reducer |\n| **[Ch22](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_22_dspy\u002F22_dspy.html)** | DSPy 自动优化 | Signature→Module→Optimizer、自动 few-shot、与 LangChain 互补 |\n| **[Ch23](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_23_code_agents\u002F23_code_agents.html)** | 代码 Agent 架构横评 | CodeAct \u002F ACI \u002F Plan-Execute、SWE-bench、Agentless 发现 |\n| **[Ch24](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_24_observability\u002F24_observability.html)** | Agent 可观测性 | Tracing Span 树、Dashboard、LangSmith vs LangFuse、告警规则 |\n\n### 第6层：基础能力补强\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch25](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_25_vectordb\u002F25_vectordb.html)** | 向量数据库选型 | Chroma\u002FPinecone\u002FMilvus\u002FQdrant 对比、Embedding 维度权衡 |\n| **[Ch26](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_26_model_routing\u002F26_model_routing.html)** | 模型路由策略 | Threshold \u002F Cascade \u002F Semantic \u002F Cost-Aware 四种路由 |\n| **[Ch27](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_27_prompt_eng\u002F27_prompt_engineering.html)** | Agent Prompt 工程 | System Prompt 6 模块模板、工具描述评分卡 |\n| **[Ch28](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_28_cache\u002F28_cache.html)** | 语义缓存与 Token 优化 | Exact→Semantic→LLM 三级缓存、Token 预算管理 |\n\n### 第7层：专家级进阶\n\n| 章节 | 内容 | 关键技术 |\n|------|------|----------|\n| **[Ch29](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_29_multimodal\u002F29_multimodal.html)** | Multi-Modal Agent | 视觉+文本联合推理、多模态 Tool Calling |\n| **[Ch30](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_30_reliability\u002F30_reliability.html)** | Agent 可靠性工程 | 熔断器、指数退避重试、幂等性、降级策略 |\n| **[Ch31](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_31_benchmarks\u002F31_benchmarks.html)** | Agent 评测体系深度 | GAIA \u002F AgentBench \u002F WebArena \u002F tau-bench 五大评测 |\n| **[Ch32](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_32_self_improving\u002F32_self_improving.html)** | Self-Improving Agent | Bad Case 收集→自动改 Prompt→评测验证 |\n| **[Ch33](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_33_prompt_cache\u002F33_prompt_cache.html)** | Prompt Caching & 推理优化 | Anthropic Cache、KV共享、推测解码 |\n| **[Ch34](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_34_finetune\u002F34_finetune.html)** | 模型微调 for Function Calling | LoRA、微调数据准备、成本收益对比 |\n| **[Ch35](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_35_data_flywheel\u002F35_data_flywheel.html)** | 数据飞轮 | 交互采集→Bad Case识别→自动触发改进 |\n| **[Ch36](https:\u002F\u002Fcallous-0923.github.io\u002Fagent-study\u002Fchapter_36_defense\u002F36_defense.html)** | Agent 纵深安全 | Canary Token、分层隔离、行为沙箱 |\n\n---\n\n## 🚀 快速开始\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FCallous-0923\u002Fagent-study.git\ncd agent-study\n```\n\n### 2. 环境检查\n\n```bash\npython chapter_00_overview\u002F00_course_overview.py\n```\n\n### 3. 安装依赖\n\n打开 `chapter_00_overview\u002F00_course_overview.py`，将 `install = False` 改为 `install = True`，然后运行：\n\n```bash\npython chapter_00_overview\u002F00_course_overview.py\n```\n\n### 4. 配置 API Key（仅 Ch1-5 需要）\n\n在项目根目录创建 `.env` 文件：\n\n```env\nOPENAI_API_KEY=sk-your-api-key-here\nOPENAI_BASE_URL=https:\u002F\u002Fapi.openai.com\u002Fv1\nLLM_MODEL=gpt-4o-mini\n```\n\n> 也可使用国产模型（DeepSeek \u002F 通义千问），修改 `OPENAI_BASE_URL` 和 `LLM_MODEL` 即可。\n\n### 5. 开始学习（大部分章节无需 API Key！）\n\n```bash\n# 无需 API Key，直接运行\npython chapter_08_claude_code\u002F08_claude_code_architecture.py\npython chapter_10_mcp\u002F10_mcp_deepdive.py\npython chapter_14_sqlite\u002F14_sqlite_agent_storage.py\npython chapter_19_workflow_patterns\u002F19_workflow_patterns.py\npython chapter_21_streaming\u002F21_streaming_architecture.py\npython chapter_24_observability\u002F24_observability.py\npython chapter_26_model_routing\u002F26_model_routing.py\npython chapter_28_cache\u002F28_cache.py\n```\n\n---\n\n## 📦 依赖说明\n\n| 依赖 | 使用章节 | 说明 |\n|------|----------|------|\n| `openai` | Ch1-3 | OpenAI API 调用 |\n| `langchain` + `langgraph` | Ch4-5 | Agent 框架实战 |\n| `fastapi` + `uvicorn` | Ch13 | Agent 服务化部署 |\n| `pydantic` | Ch13 | 数据模型校验 |\n| `python-dotenv` | Ch0 | 环境变量管理 |\n\n> **注**：Ch8-12、Ch14-28 绝大部分章节仅依赖 Python 标准库（`sqlite3`、`asyncio`、`hashlib` 等），无需额外安装即可运行。\n\n---\n\n## 🎯 学习建议\n\n### 路径 1：从零开始（推荐新手）\n按 Ch1 → Ch28 顺序学习，每章 1-2 小时。\n\n### 路径 2：面试突击（重点章节）\n- **Ch7**：20 道高频面试题 + 面试流程\n- **Ch8**：Claude Code 架构（工业级 Agent 设计）\n- **Ch10 + Ch15**：MCP & A2A 双协议\n- **Ch11**：Tool Calling 底层机制\n- **Ch18**：Agent 安全（区分 Demo vs 生产工程师）\n- **Ch19**：Workflow 设计模式（系统设计万能框架）\n- **Ch26**：模型路由（降本 50-80%）\n\n### 路径 3：构建产品\n- **Ch13**：FastAPI 服务化\n- **Ch14**：SQLite 持久化\n- **Ch12 + Ch24**：生产化 Checklist + 可观测性\n- **Ch26 + Ch28**：成本优化（路由 + 缓存）\n\n---\n\n## 🧠 核心技术覆盖\n\n```\nTool Calling 底层     ★★★★★  OpenAI\u002FAnthropic 两套实现完整对比 + Streaming 组装\nMCP 协议              ★★★★★  完整生命周期模拟（Initialize→tools\u002Fcall）\nA2A 协议              ★★★★★  AgentCard\u002FTask\u002FArtifact + Multi-Agent 协作\nClaude Code 架构      ★★★★★  nO\u002Fh2A\u002FCompaction\u002FSubAgent 逆向分析\nRAG 全栈              ★★★★   Chunk策略\u002FEmbedding选型\u002FRRF\u002FCross-Encoder\u002F生产\n模型路由              ★★★★   4 种策略 + 成本对比实验（节省 94%）\n语义缓存              ★★★★   三级缓存 + Token 预算管理\nAgent 安全            ★★★★   Prompt Injection + 权限分级 + 4 层防御\nDSPy 自动优化         ★★★★   Signature\u002FModule\u002FOptimizer + LangChain 互补\nAgentic Workflow      ★★★★   7 种设计模式 + 系统设计答题框架\nContext Engineering   ★★★★   Context Rot 原理 + XML Prompt + 预算管理\nStreaming 实时架构    ★★★★   EventBus + 动态中断 + 背压控制\n可观测性              ★★★★   Tracing Span 树 + LangSmith vs LangFuse\nMemGPT 记忆           ★★★★   Core Memory\u002FHeartbeat\u002FSleep-Time\u002FFilesystem\n代码 Agent            ★★★    CodeAct\u002FACI\u002FPlan-Execute + SWE-bench\n向量数据库            ★★★    Chroma\u002FPinecone\u002FMilvus\u002FQdrant + Embedding 策略\nFastAPI 服务化        ★★★    REST\u002FSSE\u002FWebSocket + 生产部署架构\nSQLite 持久化         ★★★    5 表 Schema + WAL + 审计查询\nComputer Use          ★★★    Screenshot-Action Loop + 安全沙箱\n```\n\n---\n\n## 📁 项目结构\n\n```\nagent-study\u002F\n├── README.md\n├── .gitignore\n├── chapter_00_overview\u002F              🚀 课程概览 + 环境搭建\n├── chapter_01_fundamentals\u002F          📖 第一个 Agent（裸写 ReAct）\n├── chapter_02_components\u002F            🧩 规划器 + 记忆 + 工具设计\n├── chapter_03_types\u002F                 🎯 ReAct \u002F Plan-Execute \u002F Reflexion\n├── chapter_04_frameworks\u002F            🔧 LangChain + LangGraph\n├── chapter_05_multi_agent\u002F           🤝 多智能体协作\n├── chapter_06_evaluation\u002F            📊 评测 + 测试策略\n├── chapter_07_interview\u002F             🎓 20道面试题 + 求职指南\n├── chapter_08_claude_code\u002F           🏗️ Claude Code 架构逆向\n├── chapter_09_rag_deepdive\u002F          🔍 RAG 深度解析（Chunk·Embedding·生产）\n├── chapter_10_mcp\u002F                   🔌 MCP 协议完整实现\n├── chapter_11_tool_calling\u002F          ⚙️ Tool Calling 底层原理\n├── chapter_12_infrastructure\u002F        🏭 OpenClaw\u002FHarness\u002F生产基础设施\n├── chapter_13_fastapi\u002F               🌐 FastAPI Agent 服务化\n├── chapter_14_sqlite\u002F                💾 SQLite 持久化存储\n├── chapter_15_a2a\u002F                   🤖 Google A2A 协议\n├── chapter_16_memgpt\u002F                🧠 MemGPT\u002FLetta 记忆架构\n├── chapter_17_computer_use\u002F          🖥️ Computer Use + GUI\n├── chapter_18_security\u002F              🛡️ Agent 安全与护栏\n├── chapter_19_workflow_patterns\u002F     🏷️ Agentic Workflow 设计模式\n├── chapter_20_context_engineering\u002F   📐 Context Engineering\n├── chapter_21_streaming\u002F             📡 EventBus 实时架构\n├── chapter_22_dspy\u002F                  🔬 DSPy 自动优化\n├── chapter_23_code_agents\u002F           📊 代码 Agent 架构横评\n├── chapter_24_observability\u002F         📈 可观测性（LangSmith\u002FLangFuse）\n├── chapter_25_vectordb\u002F              🗄️ 向量数据库选型\n├── chapter_26_model_routing\u002F         🔀 模型路由与成本优化\n├── chapter_27_prompt_eng\u002F            ✍️ Agent Prompt 工程\n├── chapter_28_cache\u002F                 ⚡ 语义缓存与 Token 优化\n├── chapter_29_multimodal\u002F            👁️ Multi-Modal Agent\n├── chapter_30_reliability\u002F           🛡️ Agent 可靠性工程\n├── chapter_31_benchmarks\u002F            📊 Agent 评测体系深度\n├── chapter_32_self_improving\u002F        🔄 Self-Improving Agent\n├── chapter_33_prompt_cache\u002F          💾 Prompt Caching & 推理优化\n├── chapter_34_finetune\u002F              🎯 模型微调 for Function Calling\n├── chapter_35_data_flywheel\u002F         🔁 数据飞轮\n└── chapter_36_defense\u002F               🏰 Agent 纵深安全\n```\n\n---\n\n## ✨ 特点\n\n- **📝 讲义即代码**：每个 `.py` 文件既是完整讲义（模块级 docstring），又是可运行代码\n- **🤖 无需 API Key**：Ch8-28 绝大部分章节仅依赖标准库，可直接运行\n- **🎤 面试导向**：每章标注面试高频考点 + 回答框架 + 得分点\n- **🔗 前后关联**：章节间通过引用形成完整知识网络\n- **📊 可运行演示**：每个章节都包含完整的演示输出\n- **🇨🇳 中文优先**：全中文讲义 + 代码注释\n\n---\n\n## 🌟 参考资料\n\n- [ReAct: Synergizing Reasoning and Acting in Language Models](https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.03629) (Yao et al., ICLR 2023)\n- [MemGPT: Towards LLMs as Operating Systems](https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.08560) (Packer et al., 2023)\n- [Reflexion: Language Agents with Verbal Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.11366) (Shinn et al., 2023)\n- [DSPy: Compiling Declarative LM Calls into Self-Improving Pipelines](https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.03714) (Khattab et al., 2023)\n- [SWE-bench: Can Language Models Resolve Real-World GitHub Issues?](https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06770) (Jimenez et al., 2024)\n- [Agentless: Demystifying LLM-Based Software Engineering Agents](https:\u002F\u002Farxiv.org\u002Fabs\u002F2407.01489) (Xia et al., 2024)\n- [MCP 官方规范](https:\u002F\u002Fmodelcontextprotocol.io) (Anthropic, 2024-2025)\n- [A2A 协议规范](https:\u002F\u002Fa2a-protocol.org) (Google, 2025)\n- [Building effective agents](https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents) (Anthropic, 2024)\n- [Effective context engineering for AI agents](https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents) (Anthropic, 2025)\n- [Claude Code 逆向分析](https:\u002F\u002Fgithub.com\u002FshareAI-lab\u002Fanalysis_claude_code) (Community, 2025)\n\n---\n\n## 📄 许可\n\nMIT License — 自由使用、修改、分发。\n\n---\n\n\u003Cp align=\"center\">\n  \u003Cb>如果这个项目对你有帮助，请给一个 ⭐ Star！\u003C\u002Fb>\u003Cbr>\n  \u003Csub>36 章 · 7 层递进 · 持续更新中 · 欢迎提交 Issue 和 PR\u003C\u002Fsub>\n\u003C\u002Fp>\n","这是一套面向求职的AI Agent全栈学习课程，从基础理论到工程实践，覆盖了包括ReAct循环、Claude Code逆向工程、MCP\u002FA2A协议、RAG以及DSPy等在内的28个主题。项目以Python语言编写，提供了超过22000行代码和60多个可独立运行的示例文件，每个章节都是一个完整的`.py`文件，同时作为讲义和可执行代码存在。适合应届毕业生、转行工程师及任何希望系统性掌握AI Agent技术的开发者，在准备面试或实际工作中应用这些知识时尤为有用。",2,"2026-06-11 03:54:05","CREATED_QUERY"]