课程总结：Agent 知识地图

本节目标：回顾 12 课覆盖的知识版图、看清各模块之间的关联、了解尚未覆盖的 Agent 核心话题和业界前沿方向，形成自己的 Agent 知识体系。

12 课学完，你已经构建了一个功能完整、有权限、可观测、能流式输出、能被外部 AI 调用的 RAG Knowledge Agent。现在用一张地图把学过的知识串起来，同时标出进阶方向。

1. 已覆盖：12 课知识版图

Code

                         ┌─────────────────────┐
                         │    Agent 层 (03/12)  │
                         │  ReAct · HITL 审批   │
                         │  MCP 协议集成        │
                         └──────────┬──────────┘
                                    │
        ┌───────────────────────────┼───────────────────────────┐
        │                           │                           │
  ┌─────┴─────┐             ┌──────┴──────┐            ┌───────┴───────┐
  │  编排层    │             │   安全层     │            │   工程层       │
  │ LangGraph  │             │ RBAC + ACL  │            │ 测试·评测·部署 │
  │ Verifier   │             │ 风险三级    │            │ Metrics·Trace  │
  │ 引用绑定   │             │ 纵深防御    │            │ SSE 流式输出   │
  └─────┬─────┘             └──────┬──────┘            └───────┬───────┘
        │                           │                           │
        └───────────────────────────┼───────────────────────────┘
                                    │
                          ┌─────────┴─────────┐
                          │     知识层         │
                          │ Embedding·ChromaDB │
                          │ RAG·Hybrid·RRF     │
                          │ Chunk·Query Rewrite│
                          └─────────┬─────────┘
                                    │
                          ┌─────────┴─────────┐
                          │     输入层         │
                          │ Chat·Prompt·JSON   │
                          │ 多轮对话·压缩      │
                          └───────────────────┘

按模块分类

模块	课次	核心内容	掌握程度
输入层	01 · 02 · 04	ToolRegistry · FastAPI 分层 · Prompt 工程	已覆盖
知识层	04 · 05 · 06	Embedding + ChromaDB · Hybrid + RRF · RAG 生成 + Verifier	已覆盖
编排层	07	LangGraph 图编排 · 10 节点拓扑 · 修正循环	已覆盖
对话层	06	多轮对话 · 上下文压缩	已覆盖
Agent 层	03 · 12	ReAct 循环 · HITL 审批 · MCP 协议	已覆盖
安全层	08	RBAC + ACL · 风险三级 · 纵深防御	已覆盖
工程层	09 · 10 · 11	可观测性 · 测试+评测+部署 · SSE 流式	已覆盖

课程能力矩阵

code

课 01 ─ ToolRegistry     "LLM 学会用工具"
课 02 ─ FastAPI 分层      "工程项目的脊椎骨"
课 03 ─ Agent 循环+审批   "把对话升级成行动者"
课 04 ─ RAG 第一波        "Embedding + 向量检索 + Chunk"
课 05 ─ Hybrid Retrieval  "从 60 分到 90 分的检索"
课 06 ─ RAG 生成侧        "拼 Prompt + 引用绑定 + Verifier"
课 07 ─ LangGraph 编排    "把零件装成机器"
课 08 ─ 多租户 + RBAC     "企业级 RAG 的围墙"
课 09 ─ 可观测性          "系统上线后的第三只眼"
课 10 ─ 测试+评测+部署     "从能跑到能上线"
课 11 ─ SSE 流式输出      "让用户看到系统在思考"     ← 进阶
课 12 ─ MCP 协议集成      "让 Agent 被外部 AI 调用"  ← 进阶

2. 进阶话题：已覆盖

主题	课次	价值
流式输出 SSE	11	LangGraph astream → Service → API 三层流式架构
MCP 协议	12	ToolRegistry 对内对外两种策略，被 Cursor/Claude 调用
风险三级模型	03 · 12	LOW / MEDIUM / HIGH，出厂固定，随时审计
纵深防御	08 · 12	MCP 过滤 + Agent 审批 = 双重安全边界
评测框架	10	Golden Dataset + 确定性打分，不用 LLM 判分
Mock 体系	10	测试不花钱、不联网，6 个子系统全部隔离

3. Agent 核心：值得单独深讲的话题

这些话题主线有所涉及，但值得更深入：

主题	现状	缺什么
ReAct Loop 详解	Ch3 用到了	thought→action→observation 循环边界、最大步数、停止判断策略
Memory 系统	Ch6 只讲了 conversation	长期记忆、向量记忆、Summary Memory、Entity Memory
Planning / 任务分解	Agent 是单步反应式	Plan-and-Execute、Tree of Thoughts、子任务拆解
多 Agent 协作	完全没讲	Agent-to-Agent 通信、专家分工、协调者模式
成本控制	没讲	Token 预算、模型路由（便宜 vs 贵）、Prompt 压缩
Cache 策略	Ch9 metrics 提了一句	Prompt Cache、Embedding Cache、Semantic Cache
Rate Limiting	Ch9 提了	用户限流、模型限流、滑动窗口算法
Prompt Injection 防御	完全没讲	提示注入识别、间接注入（RAG 文档藏指令）、沙箱

4. 业界前沿：生产系统常用

这些不是 Knowledge Agent 必备，但生产实践中很实用：

主题	价值	难度
Rerank（Cross-Encoder）	RAG 检索质量提升一档（BGE-Reranker / Cohere Rerank）	推荐
Graph RAG	实体关系网络，复杂多跳问题	推荐
Self-Querying	LLM 自己构造检索 filter	推荐
Agentic RAG	Agent 自己决定要不要检索、检索几次	推荐
Trajectory Eval	评估 Agent 路径（不只看最终答案，看每一步）	推荐
Conversation Summarization	长对话压缩成 summary，节省 token	推荐
LLM Gateway / 多模型路由	LiteLLM、OpenRouter、按任务选模型	推荐
Agent 框架对比	LangGraph vs AutoGen vs CrewAI vs Pydantic AI	推荐

5. 完整性评估

Knowledge Agent 项目本身：覆盖 90%

12 课主线全部讲完（输入 → 知识 → 编排 → Agent → 安全 → 工程）
流式输出（SSE）- MCP 协议集成剩余的是 polish 层面：Cache 策略、Rate Limiting、Prompt Injection 防御。

Agent 通用能力：注意：覆盖 65%

能力	状态
单 Agent + 工具调用 + RAG	完整
安全（RBAC + ACL + 风险分级）	完整
工程化（测试 + 评测 + 部署 + 可观测）	完整
Memory 系统	注意：浅
Planning / 任务分解	注意：浅
多 Agent 协作	禁止：没讲

业界前沿话题：注意：覆盖 40%

话题	状态
LangGraph / SSE / MCP	已讲
测试 Mock 体系 / 评测框架	已讲
Rerank / Graph RAG / Agentic RAG	禁止：没讲
Trajectory Eval / LLM Gateway	禁止：没讲

6. 推荐学习路径

如果你刚学完这 12 课

Code

第一阶段（巩固基础）
  → 把 12 课的练习重做一遍
  → 自己从头搭建一个简化版 Knowledge Agent

第二阶段（补齐短板）
  → Memory 系统：给 Agent 加长期记忆
  → Cache 策略：Prompt Cache + Semantic Cache
  → Prompt Injection 防御：至少了解攻击向量

第三阶段（拓宽视野）
  → Rerank：检索质量提升一档
  → Agentic RAG：Agent 自己决定检索策略
  → 多 Agent 协作：试试 CrewAI 或 AutoGen

第四阶段（生产实战）
  → LLM Gateway：用 LiteLLM 统一多模型接入
  → Trajectory Eval：评估 Agent 每一步的决策
  → 成本控制：按任务难度路由到不同模型

如果想深入某个方向

方向	起点	下一步
RAG 专家	课 04-07	Rerank → Graph RAG → Agentic RAG
Agent 架构师	课 03 · 07 · 12	Planning → 多 Agent → Trajectory Eval
平台工程师	课 02 · 09 · 10	LLM Gateway → Cache → Rate Limiting
安全工程师	课 08 · 12	Prompt Injection → 沙箱 → 审计日志

最后三句话

12 课构建了一个完整的 Knowledge Agent：从 ToolRegistry 到 LangGraph 编排，从 RBAC 到 MCP，从测试到部署——麻雀虽小，五脏俱全。
不要试图一次学完所有东西：先把手上的 12 课吃透，然后按需深入——Agent 领域太广，追热点追不完；有扎实的基础，学什么都快。
最好的学习方法是用起来：给 Agent 接上你自己的知识库，让它回答你真正关心的问题。真正的理解来自"这个东西在我手上跑起来了"的瞬间。

下篇预告：RAG 方法论深度与底层原理

上篇你动手搭建了一个完整的 Knowledge Agent——你知道怎么做。

下篇我们深入为什么这样做以及还有哪些做法：

课号	标题	核心问题
14	宏观认知 + 技术选型	为什么 RAG？LLM/框架/向量库/Embedding 怎么选？
15	进阶检索范式	Self-RAG 怎么反思？HyDE 怎么桥接语义空间？
16	记忆系统 + 多智能体	Agent 怎么记住用户？多个 Agent 怎么协作？
17	GraphRAG	知识图谱怎么增强 RAG？多跳问题怎么解？
18	微调方法论	LoRA 为什么能减少 100 倍参数？DPO 怎么替代 PPO？
19	Transformer 底层	Self-Attention 公式怎么推导？RoPE/KV Cache 原理？
20	多模态 LLM	CLIP 怎么对齐图文？VLM 三模块架构是什么？
21	面试通关手册	高频 10 问 + 项目话术 + 系统设计框架

上篇让你能做出东西，下篇让你能讲出深度。 面试官问的不只是"你做了什么"，更是"你为什么这样做、还有哪些做法、底层原理是什么"——下篇全部覆盖。

准备好了就开始下篇吧，从课14"宏观认知与技术选型"出发！