工程师 · 完整课程大纲
5 门课、约 55 学时、3–6 个月完成。每门课的模块、目标、练习、输出物都写在这里——给你足够信息判断"这是不是我要的"。
E · 01筹备中
LLM 应用工程基础
学完你能：读懂 LLM 应用的真实架构图，能独立选择上下文管理策略，能为你的产品设计一套 tool use 接口。不会再被 "context length 不够" 这种问题卡住。
前置：有 1+ 年工程开发经验；懂 HTTP / JSON；用过任意一个 LLM API（不限）
模块
M1上下文工程2h
窗口、截断、缓存、压缩。模型不记忆，凭什么"看起来在记"？这一节回答这个问题。
prompt cachingsliding windowcontext overflowLab: 实测 cache hit 对成本的影响
M2Tool Use 协议2h
JSON Schema、参数验证、错误处理、并发安全。把"工具"做成模型可靠调用的接口。
tool schemaparallel callsfile mutation queueLab: 给模型写一个 read-only DB 查询工具
M3Agent Loop 三范式2h
单次调用 → 多轮 ReAct → Orchestrator + Worker。三种典型架构的取舍，决定你的应用能扩到多大。
ReActmulti-agentplanningLab: 把同一个任务用三种范式实现，对比成本
M4Streaming · 并发 · 速率2h
花的是什么钱、卡在哪里。理解 token 经济学，避免"demo 能跑、上线烧钱"。
streaming SSErate limitbatch APIcost analysis
输出物：
- 3 个 lab 的可运行代码（GitHub repo）
- 一份"我的 LLM 应用工程笔记"（个人 wiki，沉淀直觉）
- 对 pi-coding-agent / Claude Code 等真实项目的架构判断力
E · 02筹备中
从 0 造一个 Agent
学完你能：不靠任何框架，自己写出 ~300 行的最小可用 Agent；理解 LangChain / OpenAI Agents SDK 在 wrap 什么；遇到他们做不到的事，你能改内核。
前置：E · 01 已学完；Python 或 TypeScript 任一熟练
模块
M1最小 Agent 内核（200 行）3h
message loop + tool dispatch + context concat。从一个 while 循环写起。
stdlib onlyno framework作业: 跑通 read/write/edit 三工具
M2加层：记忆 · 状态 · 可观测性3h
短期对话记忆 + 长期事件日志 + 可观测性 trace。每加一层都问"删掉会怎样"。
session stateevent logtrace span作业: 加上 SQLite session store
M3错误恢复 · 重试 · 中断3h
真实场景里 API 会抖、tool 会失败、用户会中断。Agent 怎么"不死"。
retry policygraceful cancelcheckpoint作业: 模拟 30% 失败率跑通
M4从 demo 到能给别人用3h
工程化清单：CLI、配置文件、文档、CI、release。最后一步最容易被忽视。
CLI argsconfig schemaCI/CD输出: 开源到 GitHub，提交评审
输出物：
- 一个 GitHub repo 的开源 Agent（README + LICENSE + CI 完整）
- 项目评审报告（同伴 + 教练给的代码 review）
- 对市面上 Agent 框架的"逆向理解"——它们到底在做什么
E · 03筹备中
用 Claude Code / pi 重塑工作流
学完你能：把日常重复劳动（写测试、修 lint、写 PR 描述、code review）交给 Agent；自己的 settings.json / AGENTS.md / skills 成体系且可复用。
前置：装过 Claude Code 或 pi 任一
模块
M1Hooks · Skills · Subagents 工程化2.5h
不是用 Agent，是给自己定制 Agent。三种扩展机制的边界与配合。
PreToolUse hookSKILL.mdsubagent dispatch
M2团队约定 → Agent 可执行的接口2.5h
你们团队的"提交前 checklist"、code review 标准、命名规范——能不能让 Agent 自己跑？
AGENTS.md 模板guard hooks作业: 写一份给团队用的 AGENTS.md
M3自动化日常 5 件事3h
写测试 / 改 lint / 写 commit message / 描述 PR / 第一轮 code review——逐个自动化。
test generationcommit msg agentPR description输出: 5 个 skill 文件 + 演示视频
M4个人 dotfiles 与跨机同步2h
把你的 Agent 配置变成跟着 dotfiles 走的资产。换台机器 5 分钟搞定。
.pi · .claude 同步chezmoi / yadmnpm/git pi-packages
输出物：
- 个人 settings + skills + hooks 套件（开源到 GitHub 个人 dotfiles）
- 一份"我用 Agent 替我做的 10 件事"清单
- 每周节省的工时数据记录
E · 04筹备中
拆解前沿 Agent 开源项目
学完你能：读真实大型 Agent 项目的源码不再头大；能讲清楚每个项目的设计哲学差异；遇到新项目，30 分钟能给出架构判断。
前置：E · 02 已学完；能读 TypeScript 与 Python
模块（每周一个项目）
M1pi-coding-agent · 极简哲学4h
读 agent-session.ts (103KB)。看 Extension API 如何让"小核心 + 大扩展"成为可能。
agent-session.tsextensions/types.tsfile-mutation-queue
M2Claude Code · permission 模型4h
逆向工程视角。Tool use loop、permission gate、context 管理是怎么做到不烦人又安全。
逆向资料behavior probeleaked prompts
M3OpenClaw · 工具调用透明化3.5h
开放可替换的编程 Agent 内核。看作者怎么把"黑盒 LLM 调用"做成可观测的。
tool dispatchobservabilitycontext window
M4Hermes Agent · 消息驱动框架3.5h
不同范式——消息总线 + Agent 互相投递。适合多智能体协作场景。
message busmulti-agentscheduling输出: 4 篇拆解笔记
M5仿写：选一个范式重做你的 E · 02— 综合
用 pi / Claude Code / OpenClaw / Hermes 任一范式，重做你 E · 02 的项目。比较两版差异。
综合作业输出: 对比博客 + v2 repo
输出物：
- 4 篇技术拆解笔记（公开发表）
- 你 E · 02 Agent 的 v2 版（采用新范式重写）
- 一篇"4 个 Agent 项目的设计哲学对比"长文
E · 05筹备中
综合项目 · 把 Agent 接到你现有工作里
学完你能：把 Agent 嵌入真实工作场景，做到不只是"我用得开心"，而是"同事 / 客户也在用并喜欢"。这是从"个人玩家"到"AI 工程师"的关键一跃。
前置：E · 01–04 全部完成
模块
M1需求拆解：什么任务适合给 Agent2h
不是所有任务都该自动化。判断框架 + 你工作场景中的候选清单。
task taxonomy自动化阈值作业: 列你工作中的 20 个候选 + 评估
M2权限与边界2.5h
写类操作的防护、审计、回滚。给同事用之前必须想清楚。
audit loggit checkpointrollback
M3上线后的观测2.5h
成本、错误率、用户行为。不可观测 = 不可优化。
Langfuse / Heliconecost dashboarduser feedback loop
M4交付与分享3h
写一篇博客、做一次分享。你的工作变成行业资产。
technical writinginternal talk输出: 一篇被读到的技术博客
毕业输出：
- 一个在你工作中真实运行的 Agent / 集成（不是 demo）
- 3+ 个同事或客户在使用它
- 一篇技术博客 + 一次内部 / 外部技术分享
- 简历上能写出来的"AI 工程师"经验