AI Agent 路线
AI Agent 工程实战
从 Tool Calling、State 状态机、Memory 记忆到多 Agent 协作工作流，真正构建可执行、可审批的企业级 AI 智能体。
返回实战中心
学习进度
— / 12节
履约学法：进入课节后先看「本课任务」→ 复制 Prompt 到 AI 编程工具 / AI 大模型改项目 → 跑验收 → 点「标记本课完成」→ 再展开概念卡。 履约 12 课完成后，长文请走 Agent 工程深潜；MCP 主线见 L4。
最终作品 · Capstone Project
企业级自主协同 Agent 引擎
具备 Tool Calling、持久化 Checkpoint 记忆、复杂状态流转与 SSE 实时打字机输出的生产级 Agent 服务。
FastAPILangGraphToolRegistryRedis Checkpointer
适合人群：Java / Python 开发者、AI 实习求职者
这门课学完，简历可以怎么写？STAR 亮点
- 基于 LangGraph 编排智能体拓扑，实现 HIGH 风险操作人机二次审批与熔断保护。
- 自主实现 ToolRegistry 动态工具注册，利用 JSON Schema 校验参数合法性。
- 设计基于 Redis 的持久化 Checkpoint，保障长流程多轮任务中断后可靠恢复。
学完即进入模拟考核去 AI 模拟面试此项目
面试官可能问什么？（高频真题直击）
针对本工程的核心考核点，提前演练答题框架与技术细节。
Q1为什么选用 LangGraph 而不是直接用简单的 While 循环编写 Agent？
答题思路：LangGraph 提供强类型 State 校验、DAG 分支条件路由、持久化快照（Time Travel）与自愈死循环熔断保护，适合工业级长链路工程。
Q2Agent 如何避免无限死循环或者反复调用同一个错误工具？
答题思路：设置最大迭代步数阈值（Max Iterations）、对历史 Tool Call 做哈希指纹去重检测、引入 Verifier 节点并在连续 3 次失败后降级转人工审批。
Q3Tool Calling 与普通 API 调用本质有什么区别？
答题思路：普通 API 由代码显式调用；Tool Calling 是由大模型自主决定调哪个工具并生成符合 JSON Schema 的入参，工程端需保证幂等性与鉴权。
Q4Agent 的 Memory 记忆系统如何分层设计？
答题思路：分为短期记忆（当前对话上下文窗口）、工作记忆（State 中的 Scratchpad 临时推理记录）与长期记忆（Redis Checkpointer 或向量库检索）。