Posts
read more
AI Agent 工程师学习路线图：Python · Linux · 算法 · Agent 四线合一（2025–2026）
这篇文章把四条通常被分开讲的学习线——Python 工程、Linux 系统、数据结构与算法、AI/Agent——放进同一张路线图。核心判断是：它们不是四份独立的清单，而是围绕同一个能力闭环收敛。Linux 提供 Agent 的运行与隔离边界，Python 提供工程化底座，算法提供检索/规划/限流/缓存的内核，AI/Agent 是最终交付形态。
为什么要四线交叉，而不是串行
AI Agent 工程师与传统后端工程师的差别，不在模型本身，而在围绕模型的系统工程：如何把一次不稳定的模型调用，包装成可恢复、可观测、可评测、可审计的运行时。
这个目标恰好落在四类能力的交集上：
- 模型调用会失败，要重试与限流 → 需要并发与算法；
- 工具调用要触碰真实文件与网络 → 需要 Linux 内核能力做边界；
- 上下文、检索、评测要长期维护 → 需要 Python 工程化；
- 最终形态是一套服务 → 需要容器、部署与可观测性。
所以正确姿势是交叉推进，而不是"先学完 A 再学 B"。下面这张表是整体节奏，每周建议投入 10–15 小时：工作日 1–1.5 小时（以算法为主），周末 5–6 小时（以项目为主）。
| 阶段 | 周期 | Python | Linux | 算法（贯穿） | AI / Agent |
|---|---|---|---|---|---|
| P0 环境基线 | 第 1–2 周 | uv + ruff + pytest + mypy 模板仓库 | Shell 最小集 + SSH 密钥登录 | 复杂度分析 | 通读 Anthropic《Building Effective Agents》 |
| P1 工程打底 | 第 3–10 周 | 类型系统、Pydantic v2、asyncio、FastAPI 流式服务 | 权限/进程/cgroup v2/systemd/网络 | 数组、哈希、双指针、二分、排序 | 原生 API 手写 ReAct Agent；结构化输出 |
| P2 应用构建 | 第 11–24 周 | 数据栈、profiling、打包发布 | 容器化、反代 TLS、VPS 加固、可观测性 | 树、堆、图、DFS/BFS、拓扑排序、回溯、DP 入门 | RAG（混合检索+重排）、评测、MCP server/client |
| P3 Agent 深化 | 第 25–40 周 | 异步多工具运行时、性能优化 | eBPF/perf 排障、Landlock/seccomp 沙箱 | 并查集、Trie、贪心、高级 DP、字符串算法 | LangGraph 1.0 有状态工作流、多 Agent、A2A |
| P4 生产化 | 第 41–52 周 | vLLM 本地部署、服务切换 | 高可用、备份、监控告警 | 图算法综合、位运算、综合题 | 可观测+评测回归+安全防护的生产级 Agent |
一、Python 工程线：把"能跑"变成"敢维护"
版本基线
生产基线选 Python 3.12/3.13，新项目可以上 3.14（3.15 处于 RC 阶段）。需要掌握的语言特性集中在四处：