总结一下我自己和同事和隔壁组的人过去一段时间做过的ai agent相关的活1. 手搓orchestrator这个system promot是agent核心一般要配最好的模型。搭好之后日常就是优化这些逻辑一个请求进来要先判断它要干嘛该走哪个流程要不要拆成多个子任务每一步用哪个工具是并行还是有依赖关系中间还要判断结果靠不靠谱怎样算是完成任务怎样需要再入循环出错了怎么办。这里prompt像在写一些很玄学的控制逻辑改一句话行为可能就变了而且这种变化很难提前预判。有点像在写代码但没有类型检查也没有报错全靠跑出来看。2. 调各种skill/tool一个skill描述怎么写才能该触发时能触发输入参数怎么设计返回结果怎么喂回上下文都会影响最后效果。两个skill功能太像模型就乱选一个skill描述太宽orchestrator就不管干啥什么都想用它描述太窄orchestrator就会该用不用。最后日常就是收各种用户提的bug改skill description改schema看调用轨迹重跑。现在各种skill和tool越来越多直接全部load到orchestrator里太占上下文token要设计一个skill管理层。3. 调MCPMCP server接到agent一般都不能直接丝滑调用特别是第三方MCP标准化只是第一步。工具暴露什么能力、权限怎么控、返回格式怎么设计、错误信息怎么写、调用失败怎么恢复接口不稳定、延迟高、返回格式奇怪模型还老是用错工具参数各种瞎填很多精力都在处理这些细节然后把接口改得尽量简单让模型不那么容易犯错。4. 设计subagent刚开始总觉得多拆几个specialist agent会更好比如一个负责规划一个负责搜索一个负责执行一个负责检查。后来发现subagent一多沟通成本、上下文传递、责任边界都会变复杂。哪个agent该拿到哪些信息谁来决定最终答案两个subagent结论冲突怎么办会多埋很多坑。5. 跑post training有些模型处理不好调prompt也解决不了的问题就按需做lorasftdpo这些。在各种coding agent加持下写code已经没有难度重要的是准备好优秀的训练数据设计正确的调教方法6. 做evaluation从copilot做到agenteval一直都不简单。很难说一个agent到底算不算好同一个问题有时候结果很好有时候就离谱路径也不唯一能用上人类标注的数据来做eval算是奢侈大多时候只能靠自己生成synthetic数据撑。分析eval结果也麻烦很难直接看出是prompt写坏了还是skill选错了还是tool调用错了还是模型自己飘了只能一层层往回看。7. 上下文管理给模型什么信息、怎么给有时比模型本身影响还大。信息给多就找不到重点一少又不够用只能不停地试不同的裁剪、总结、检索方式。多轮对话、多个skill、多个subagent一起跑的时候上下文特别容易污染前面某一步带错了信息后面就一条路走到黑。其他的活还有做RAGmemoryproactive也会去复现论文做research。除了开发日常就是看log看feedback看dashboard复现bug改点prompt调一下skill改一下tool schema看subagent之间传了什么像是在跟一个很不确定的系统长期拉扯。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】