智能体开发全套（1-6周）

这套资料按周拆成 1 到 6 周，主题是智能体（Agent）开发。它不是那种只讲概念的科普，也不是纯 API 手册，而是把 RAG 这条主线从工具用法一路铺到可运行的项目结构。如果你已经写过基本的 LLM 调用，想弄明白「一个能查资料、能记住上下文、能调工具的智能体到底由哪些模块拼起来」，这份材料适合拿来边看边对照自己的代码。

技术栈的落点：LlamaIndex + Milvus 这条链路

整套内容里最值得先看的是 RAG 周。它没有停在「什么是向量检索」的层面，而是直接落到 LlamaIndex 的索引构建与查询引擎上，再配合 Milvus 这类向量库完成检索层。对开发者来说，这里的关键不是记住某个类名，而是理解一条工程链路：文档加载 → 分块策略 → 向量化 → 写入向量库 → 检索 → 拼进上下文 → 交给模型生成。分块大小、overlap、元数据过滤这些参数会直接决定召回质量，资料里给出的示例能让你对照着调。

LlamaIndex 在这里扮演的是编排层，它把检索、记忆、工具调用收拢到一套抽象里。看懂它的ServiceContext、QueryEngine、Tool这几个概念之间的关系，后面自己搭 Agent 时就知道该在哪一层扩展，而不是每换一个需求就重写一遍调用逻辑。

项目结构：从单文件脚本到可拆分的模块

资料里附带了不少 PDF 文档作为语料，这种「真实文档 + 检索问答」的组合比玩具数据集更接近实际场景。长文档的解析、表格与正文混排、中文分词的边界处理，都是上线前会踩的坑。建议的做法是：先跑通一个最小可用的问答脚本，再把加载器、检索器、生成器拆成独立模块，这样替换向量库或换模型时不用动整条流程。

智能体部分会涉及工具调用和对话状态管理。工具的定义方式、参数校验、调用失败后的重试与兜底，这些是决定 Agent 稳不稳的地方。资料里如果给了聊天式交互的实现，重点看它怎么维护历史消息、怎么截断超长上下文，这两点直接关系到成本和响应质量。

可复用的部分在哪里

• 文档加载与清洗的封装，可以抽成独立的 loader 层，换数据源时只改这一处。
• 检索参数的配置项，抽成配置文件而非硬编码，方便做 A/B 对比。
• 工具注册的接口设计，让新增一个工具只需要实现固定签名，不用改主流程。
• 对话状态的管理逻辑，可以独立成一个 session 模块，便于接入不同的前端。

这些模块化思路比具体某段代码更耐用，换项目时能直接搬。

自学路径建议

不建议按周顺序一集不落地看完。更高效的方式是：先挑 RAG 周把检索问答跑通，确认自己能复现一条完整链路；再回头看智能体的工具调用与记忆部分，对照自己的脚本做改造；最后用附带的文档语料做一次端到端测试，观察召回不准时该调哪一层。遇到报错时优先查向量库连接、维度匹配、分块边界这三类问题，多数坑都在这里。

整体上，这份资料的价值在于给你一条能跑起来的主线和一个可改的结构，而不是替你做完所有决策。把它当成对照实践的参照物，边跑边改，比单纯看视频更容易留下能复用的东西。