57 lines
5.7 KiB
Markdown
Executable File
57 lines
5.7 KiB
Markdown
Executable File
# 配套学习资源清单
|
||
|
||
> 筛选标准：优先官方文档与活跃开源仓库（时效性较好）；论文类仅用于阶段二 / 五建立原理认知；每条给出用途与注意点。
|
||
|
||
## 官方文档（框架主来源）🔴
|
||
|
||
| 资源 | 用途 |
|
||
| --------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------- |
|
||
| [LangChain / LangGraph 官方文档](https://python.langchain.com/docs) | 阶段三主体；优先看 LangGraph Conceptual Guide 与 Tutorials（Quick Start、Persistence、Human-in-the-loop、Multi-agent） |
|
||
| [LlamaIndex 官方文档](https://docs.llamaindex.ai) | RAG 与文档感知 Agent；看 Data ingestion、Retrievers、Agent 章节 |
|
||
| [CrewAI 官方文档](https://docs.crewai.com) | 多智能体快速原型；对照 LangGraph 理解「角色化 vs 图状态」差异 |
|
||
| [AutoGen 官方文档](https://microsoft.github.io/autogen/) | 对话式多 Agent 与代码执行实验；注意沙箱安全边界。⚠️ 已进维护模式，官方新框架为 Microsoft Agent Framework（MAF）；0.2/0.4 差异见阶段三 05。 |
|
||
| [OpenAI 官方文档](https://platform.openai.com/docs) | Function Calling、Responses API、Assistants；理解工具调用链路最佳对照 |
|
||
| [MCP 官方文档](https://modelcontextprotocol.io) | Model Context Protocol：Agent 工具接入的事实标准；Python SDK 与参考 Server（见阶段四 05 专题） |
|
||
| [Qdrant 官方文档](https://qdrant.tech/documentation/) | 生产级向量库；本项目 docker-compose 已预置，代码对照见阶段四 02 |
|
||
| [LangSmith 官方文档](https://docs.smith.langchain.com) | LangChain 生态追踪 + 评估平台：trace / 数据集 / LLM-as-judge（见阶段五 04） |
|
||
| [Langfuse 官方文档](https://langfuse.com/docs) | 开源自托管可观测平台，支持 OTLP 接入；数据合规敏感团队的首选替代 |
|
||
| [Ragas 官方文档](https://docs.ragas.io) | RAG 评估库：faithfulness / answer_relevancy / 检索质量指标（见阶段五 04） |
|
||
| [OpenTelemetry 官方文档](https://opentelemetry.io/docs) | 可观测性标准协议；GenAI 语义约定（chat / invoke_agent / execute_tool 等 span），见阶段七 03 |
|
||
| [Dify 官方文档](https://docs.dify.ai) | 低代码平台；快速验证业务思路，理解工作流与 LangGraph 编排的等价概念 |
|
||
| [vLLM 官方文档](https://docs.vllm.ai) | 本地高吞吐推理部署；了解 OpenAI 兼容接口封装 |
|
||
|
||
## 开源项目（抄作业 + 读源码）🔴
|
||
|
||
- LangChain 官方示例仓库（langchain-ai/langchain 的 cookbook / docs 示例）：每个框架概念配一个最小可跑 demo。
|
||
|
||
- LangGraph 官方 Templates（langchain-ai/langgraph 的 examples）：成熟单 / 多 Agent 参考实现，重点读 State、Checkpointer 用法。
|
||
|
||
- LlamaIndex 官方文档示例与 llamaindex 仓库 examples：RAG 全链路参考。
|
||
|
||
- CrewAI 官方 Examples 仓库（crewAIInc/crewAI 的 examples 目录）：角色化多智能体场景。
|
||
|
||
- AutoGen 官方 examples：对话多 Agent 与 GroupChat 模式（仅作机理参考，新项目优先 Microsoft Agent Framework）。
|
||
|
||
- 开源垂直 Agent（企业客服、数据分析助手类）：学习工程分层与工具封装（按最新开源热度筛选）。
|
||
|
||
## 论文与原理（阶段二 / 五应用）
|
||
|
||
| 优先级 | 论文 | 理解要点 |
|
||
| --- | ------------------------------------ | ----------------- |
|
||
| 🔴 | ReAct | 「思考-行动-观察」循环原始论文 |
|
||
| 🔴 | Chain-of-Thought Prompting | CoT 原理与样例构造 |
|
||
| 🟡 | Reflexion | 失败即反思重试的范式 |
|
||
| 🟡 | Plan-and-Solve Prompting | 计划驱动的补充理解 |
|
||
| 🟡 | Retrieval-Augmented Generation | RAG 原始论文，检索-生成链路 |
|
||
| 🟢 | Tree of Thoughts | 思维树探索与剪枝，明确生产落地成本 |
|
||
| 🟢 | Generative Agents / Memory（如 MemGPT） | 记忆分层思想来源，了解即可 |
|
||
|
||
## 评测与 Benchmark（阶段五用）
|
||
|
||
| 资源 | 说明 |
|
||
| ------------- | -------------------------------------------------------- |
|
||
| 🟡 AgentBench | 通用 Agent 能力评估；横向认知，不代表业务效果 |
|
||
| 🟡 GAIA | 面向通用助手任务的 Benchmark；仅供横向认知 |
|
||
| 🔴 自建业务评测集 | **本大纲优先**：把真实业务用例整理为可重复执行的自动化评测脚本（任务成功率、工具调用准确率、步骤数、幻觉率） |
|
||
|