Agent 工程师学习路线

主题

第 5 阶段：Multi-Agent + 工具生态 ​

周期： 5 周（Phase 5 / Week 1-5，独立编号，非全局周号） 目标： 从单 Agent 升级到多 Agent 协作，掌握工业级工具集成，理解 Agent 系统的复杂度治理。 关键产出物： 自动化研究团队（作品集项目 #2 完整版）

阶段目标 ​

第 4 阶段你做了一个单 Agent 的研究助手。本阶段：

  1. 把它升级为 Multi-Agent 系统（专业分工）
  2. 接入更丰富的工具生态（浏览器、代码执行、MCP）
  3. 学会治理 Agent 系统的复杂度

关键认知（必读） ​

Multi-Agent 不是银弹。

  • 90% 的场景单 Agent + 好的 Prompt 就够了
  • Multi-Agent 引入 3 倍复杂度但只解决 10% 的问题
  • 学会判断"什么时候该用、什么时候不该用"比学会"怎么用"更重要

什么时候用 Multi-Agent ​

  • 任务可以清晰拆分为不同角色（研究员 + 写手 + 编辑）
  • 需要并行处理（同时调研多个方向）
  • 需要对抗性思维（Critic 反驳 Planner）
  • 单 Agent 的上下文已经爆掉

什么时候不用 ​

  • 任务线性、简单
  • 团队（你）不熟悉 Agent 调试
  • 没有评测体系（Multi-Agent 没有评测就是灾难）

进度追踪 ​

⏱ 耗时参考（预估，第一轮内测后补真实数据）

学习者画像实际/计划周数卡点高发周
第一次接触 Multi-Agent1.3–1.5x（6–7 周）Week 1（Supervisor 模式）、Week 4（MCP）
已熟悉单 Agent + 分布式系统1.1x（5–6 周）Week 4（MCP Server 开发）
已用过 CrewAI / AutoGen1.0x（5 周）—

关键提醒： Week 4（MCP）是 2026 新生态，官方文档还在频繁变动，照着教程抄可能因为 SDK 版本更新而跑不通。预算时给 Week 4 留出"读官方最新文档"的时间，不要只看二手博客。

回填约定： 学习本阶段时，每周用复盘模板记录实际耗时；本阶段完成后，把实测周数回填到上表，并将标题中的"预估"改为"实测"。

  • [ ] Week 1 - Multi-Agent 架构模式
  • [ ] Week 2 - CrewAI / AutoGen 实战
  • [ ] Week 3 - 工具生态集成
  • [ ] Week 4 - Computer Use 与 MCP
  • [ ] Week 5 - 阶段性整合项目
  • [ ] 阶段产出物：自动化研究团队（完整版）

降级提示： 时间不够时——P2（可砍）：CrewAI/AutoGen 三框架横评、Hierarchical/Network 架构深挖；P1（降为跑通 demo）：Computer Use、代码 Agent 架构剖析；P0（不可砍）：Supervisor 模式 + 工具生态集成 + MCP Server 实操。MCP 是 2026 生态核心，不能跳。

Week 1 - Multi-Agent 架构模式 ​

核心思路： 先理解架构模式，再动手写代码。

本周学什么（一句话概览）： Multi-Agent 四大价值（分工/专业/并行/对抗）、四种架构模式（Supervisor/Hierarchical/Network/Sequential）、框架对比选型（LangGraph/CrewAI/AutoGen/Swarm）、Agent 间通信协议。详细代码见 每日计划。

框架对比参考：

框架优势劣势适用场景
LangGraph完全可控、状态清晰代码量大生产级、复杂工作流
CrewAI易用、角色化抽象较重快速原型、内容生产
AutoGen对话式、灵活调试困难研究、对话场景
OpenAI Swarm极简功能少（实验性）学习、轻量场景

产出物 ​

用 LangGraph 实现 Supervisor 模式：

  • 1 个 Manager Agent
  • 3 个 Worker Agent（如：研究员、写手、编辑）
  • Manager 决定调用哪个 Worker
  • 完整 trace 可观察

推荐资源 ​

Week 2 - CrewAI / AutoGen 实战 ​

核心思路： 体验不同框架的设计哲学，学会选型。

本周学什么（一句话概览）： CrewAI 核心概念（Agent/Task/Crew/Process）、AutoGen 核心概念（ConversableAgent/Group Chat/UserProxyAgent）、同一任务三框架对比（代码量/可调试性/效果/成本）、框架陷阱（过度抽象/调试困难/性能开销）。详细代码见 每日计划。

产出物 ​

用 CrewAI 实现"内容团队"：

  • Researcher Agent：调研主题
  • Writer Agent：撰写初稿
  • Editor Agent：审校润色
  • 协作产出一篇完整文章（如技术博客）

推荐资源 ​

Week 3 - 工具生态集成 ​

核心思路： Agent 的能力上限取决于工具生态。前端背景在这里是巨大优势。

本周学什么（一句话概览）： Web 搜索工具（Tavily/Brave/DuckDuckGo）、浏览器自动化（Playwright/Browser Use/Computer Use）、代码执行（E2B/Daytona/沙箱）、文件与数据（SQL/CSV/图像）、API 集成（Notion/GitHub/Slack/Gmail/OAuth）、工具设计原则。详细代码见 每日计划。

产出物 ​

构建一个"工具箱 Agent"：

  • 集成 5+ 类工具（搜索、浏览器、代码、文件、API）
  • 根据任务自动选择工具
  • 工具失败有降级策略
  • 完整的工具调用日志

推荐资源 ​

Week 4 - Computer Use 与 MCP（重点，2026 生态核心） ​

核心思路： 理解当前最前沿的 Agent 形态，MCP 是 Agent 工程师必须掌握的能力。

本周学什么（一句话概览）： Computer Use 概念（截图+键鼠控制）、代码 Agent 架构剖析（Claude Code/Cursor/Cline）、MCP 协议（Server 开发/资源-工具-Prompt 三类原语/传输层/与 Agent 框架集成）。MCP 是 2026 Agent 工具生态的事实标准——一次实现，所有 MCP Client 通用。详细代码见 每日计划。

MCP 架构参考：

Agent (MCP Client)
    ↓
MCP Protocol
    ↓
MCP Server (暴露工具)
    ↓
实际服务（Notion / GitHub / DB）

产出物 ​

写一个 MCP Server：

  • 选择你常用的服务（Notion / GitHub / Linear / Jira）
  • 实现 3+ 工具
  • 接入 Claude Desktop 实际使用
  • 发布到 MCP Server 仓库（加分项）

🔐 MCP 安全提示——远程 MCP 不是"本地函数调用"：

  • MCP 涉及 OAuth 授权时，必须校验 PKCE、redirect_uri、最小 scope 和 token audience
  • Server 端应验证 Client 身份，不要信任任意连接；传输层使用加密（HTTPS / TLS）
  • 参考 MCP Authorization 规范 和 安全最佳实践

推荐资源 ​

Week 5 - 阶段性整合项目 ​

核心思路： 综合应用 Multi-Agent + 工具生态，升级 Phase 4 的研究助手为完整的"研究团队"。

项目：自动化研究团队 ​

角色设计：

  • Planner Agent： 拆解研究问题，制定计划
  • Researcher Agent × N： 并行搜索多个来源
  • Writer Agent： 综合信息，起草报告
  • Reviewer Agent： 审校内容，提出修改意见
  • Critic Agent： 故意挑刺，防止信息茧房
  • Editor Agent： 最终润色定稿

技术架构：

用户问题
    ↓
[Planner] ← LangGraph Supervisor
    ↓
并行调用多个 [Researcher]
    ↓
[Writer] 起草
    ↓
[Reviewer] 审校 ←→ [Critic] 对抗
    ↓
通过？
    ↓ 是
[Editor] 定稿
    ↓ 否
回到 [Researcher] / [Writer]

工程要求：

  • LangGraph 实现（不要用 CrewAI 的黑盒）
  • 完整 trace（每个 Agent 的输入输出）
  • 成本监控（每个 Agent 的 token 消耗）
  • 评测集（至少 20 个研究问题）
  • 对比报告：单 Agent（Phase 4）vs Multi-Agent

产出物 ​

作品集项目 #2 完整版：

  • 替换 Phase 4 的雏形
  • GitHub 仓库（架构图、README、示例）
  • 5+ 真实研究报告示例
  • 评测报告（人工 + LLM-as-Judge）
  • 成本分析（每次研究的成本）
  • 对比报告：单 Agent vs Multi-Agent 的效果差异

阶段总结与自检 ​

完成标准 ​

  • [ ] 理解 4 种 Multi-Agent 架构模式
  • [ ] 能用 LangGraph 实现 Supervisor 模式
  • [ ] 能用 CrewAI / AutoGen 实现 Multi-Agent
  • [ ] 能集成 5+ 类工具
  • [ ] 理解 Computer Use 和 MCP
  • [ ] 写过至少 1 个 MCP Server
  • [ ] 自动化研究团队可运行、有评测
  • [ ] 有单 Agent vs Multi-Agent 的对比数据

核心认知 ​

Multi-Agent 设计的三大陷阱：

  1. 过度工程 — 简单任务上 Multi-Agent，徒增复杂度
  2. 角色边界不清 — Agent 之间职责重叠，互相干扰
  3. 没有评测 — Multi-Agent 没有评测就是黑盒中的黑盒

Multi-Agent 设计的三大原则：

  1. 先单 Agent，再 Multi — 遇到瓶颈才升级
  2. 角色清晰 — 每个 Agent 职责明确，不重叠
  3. 可观测性 — 每个 Agent 的输入输出都可追溯

常见卡点 ​

卡点解决方案
Agent 互相扯皮明确角色边界，加 Planner 统筹
成本爆炸加 max_turns，用便宜模型跑辅助 Agent
调试困难必须接 LangSmith trace
效果不如单 Agent可能就不该用 Multi-Agent，回归单 Agent

下一步 ​

进入第 6 阶段：评测 + 部署 + 作品集