如何在 2026 年成为一名 AI Agent 工程师——完整路线图

本文来自 Twitter @sairahul1 的分享，经 Obsidian Clippings 收集后迁移至此。

大多数开发者都在走弯路。

他们因为 Twitter 上的酷炫演示选了 CrewAI。

他们追逐每一个新框架。

他们在没有理解 context、tools、harness 的情况下就跳进多 Agent 系统。

结果总是一样的：大量框架旅游，零生产级技能。

这是一份完整的 17 周路线图，带你从零到独立拥有生产级 AI 功能。

一个改变一切的关键数字

Anthropic 在两个不同系统中用同一个基准测试了 Claude Opus 4.5：

• 在 Claude Code 中：78%
• 在 Smolagents 中：42%

同一个模型，同一个基准，36 分的差距。

这个差距不在模型，而在 harness 工程。

harness——你如何构建循环、管理上下文、分发工具、协调子 Agent——决定了你的 Agent 是生产级的，还是一个在真实条件下就崩溃的演示。

2026 年 AI Agent 工程师到底做什么

忘掉 Twitter 上的版本。以下是真实的工作内容：

• 设计 Agent 循环和工具分发
• 用四个原语工程化上下文：Write, Select, Compress, Isolate
• 编写模型能正确选择的工具——不只是能用的工具
• 用隔离的上下文窗口编排子 Agent
• 添加技能、记忆、持久化和沙箱
• 连接评估、追踪和 CI 关卡，让"更好"变得可衡量
• 交付能在真实用户和真实成本下存活的 Agent

2026 年最值得学习的两个栈：LangGraph 1.0 + Deep Agents 和 Claude Agent SDK。其他要么在衰落，要么正在被吸收，要么是这两个的更差替代品。

上下文四大原语（最先学会这些）

在接触任何框架之前，先理解上下文工程。这是基础技能。

• Write —— 草稿垫和记忆文件。Agent 将其工作状态外化，以免上下文压缩时丢失。
• Select —— 按需检索。你不需要把所有内容都扔进上下文。只获取当前步骤相关的信息。
• Compress —— 在上下文窗口的 85%～95% 处自动压缩。在窗口填满前主动压缩历史轮次。绝不让 Agent 在任务中途耗尽空间。
• Isolate —— 带有独立上下文窗口的子 Agent。派生子 Agent 处理子任务，将压缩后的摘要返回给父 Agent。不要原始数据。

Anthropic 的多 Agent 研究系统用这个模式在广度优先研究任务上击败了单 Agent Opus 4 达 90.2%——只用了约 15 倍的 token。教训是：把 token 花在隔离上，而不是一股脑倒进一个巨大的上下文里。

阶段 0 —— 基础（第 1～2 周）

目标： 在接触框架之前建立心智模型。

需要学习的内容：

Python 异步基础。 Agent 默认是异步的。不懂 asyncio 会立刻撞墙。

从头学 Anthropic API。 先别用封装库。自己手写一个原始工具调用循环——模型调用 → 工具分发 → 结果注入 → 下一轮模型调用。理解框架隐藏的东西，才能在它出问题时快速定位。

Prompt 工程。 学 Anthropic 的官方交互式 Prompt 工程教程——9 个章节的 Jupyter Notebook，直接在 Claude API 上练习。这是建立真实 Prompt 能力最快的方式。

上述 4 个上下文原语。 它们是你后续每个框架决策的透镜。

里程碑：一个原始 Python 循环，接受用户问题，调用 Claude，分发工具，注入结果，返回最终答案。不用 LangChain，不做任何抽象。只有你和 API。

免费资源：

• Anthropic 工程博客（本文路线图所有内容的原始来源）
• Anthropic 交互式 Prompt 工程教程（GitHub，免费）
• DeepLearning.AI Andrew Ng 的"Agentic AI"短课程（免费，1～2 小时）
• swyx 的 Latent Space 通讯——现在订阅，通读整个学习过程

阶段 1 —— LangGraph + Deep Agent（第 3～6 周）

目标： 学习主流编排运行时及其打包的 harness。

LangGraph 是状态机。节点是步骤，边定义流程，状态在图之间传递上下文。PostgresSaver 为每个节点做检查点，Agent 崩溃后可以恢复。

Deep Agents 是上面的中间件层——规划、文件系统、子 Agent、摘要、人在回路。它打包了工程团队花了数月才摸索出的模式。

重点关注：

• 状态模式、节点、边、条件边
• PostgresSaver 检查点、时间旅行调试、人在回路中断
• 中间件如何组合

大多数工程师忽略的中间件洞察：中间件是自定义打包 Agent 而不分叉的方式。 before_agent、wrap_model_call、before_tools、after_tools 钩子让你拦截每一步。用 30 行代码写一个自定义中间件。知道什么时候用中间件 vs 什么时候写新节点。

工具和 MCP： 朴素的"把所有 MCP 工具加载到上下文"的模式是错的。正确的方式是代码执行配合 MCP。Anthropic 的方法将工具 token 从 150K 降至 2K。仅 defer_loading: true 一个标志就削减了 85% 的工具 token，并将 MCP 评估从 79.5% 提升至 88.1%。

实践项目：构建一个"研究分析师" Deep Agent。

• 输入：一个研究问题
• Lead Agent 做规划，写待办列表到虚拟文件系统，并行派发 3 个搜索子 Agent——各自有隔离上下文
• 子 Agent 搜索、将结果写入文件、返回简短摘要给父 Agent。不要把原始搜索结果倒进父 Agent 的上下文
• 引用子 Agent 验证声明
• 写手 Agent 生成最终报告
• 所有状态通过 PostgresSaver 持久化
• 中途 Kill 进程，从停止处恢复
• 人在回路中断：Agent 在超过 1 美元 token 费用前请求确认

里程碑：一个可工作的多步骤 Agent，具备持久化、子 Agent、隔离上下文和人在回路中断功能。

阶段 2 —— 自己动手造 Harness（第 7～10 周）

目标： 不再使用打包的 harness。自己从头构建一个薄的 harness。

这是路线图中杠杆率最高的阶段。在你从零构建一个之前，永远无法在生产环境中做出正确的 harness 权衡。

现代 harness 必备的 10 个组件：

1. 循环控制 —— 驱动模型 → 工具 → 模型的 while 循环
2. 工具分发 —— 注册中心、模式验证、并行调用、错误恢复、重试
3. 上下文管理 —— 系统提示组装、消息历史在窗口 85～95% 处的压缩、~20K token 处的工具响应卸载、Prompt 缓存
4. 持久化 —— 每个节点检查点状态。恢复、回退、分叉必须可行
5. 子 Agent 编排 —— 派生隔离上下文的子 Agent，路由压缩摘要回父 Agent
6. 技能和渐进披露 —— 只在相关时加载能力。每个技能的上下文元数据控制在 50 token 以内
7. 钩子 —— PreToolUse、PostToolUse、PreCompact、Stop、SessionStart
8. 可观测性 —— 每个模型调用、工具调用、子 Agent 调用的 OTEL span，带 token 计数和延迟
9. 沙箱 —— 代码执行和 MCP 工具调用发生在容器中，模型永远无法直接获取凭证
10. 认证和密钥代理 —— 凭证绝不进入模型上下文

核心洞察：harness 不思考。它读文件、调用工具、写日志、运行钩子。所有智能都活在技能文件和记忆文件中。 这意味着你明天可以替换 harness 而不丢失任何东西。替换模型也不丢。唯一积累价值的是技能、记忆和协议——纯 Markdown 和 JSON，存放在 Git 仓库里。

实践项目：用约 1500 行 Python 写一个微型 harness。

包装 Anthropic API 的循环、基于装饰器的工具注册中心、CLAUDE.md 风格系统提示加载器、渐进披露技能加载器、子 Agent 派生原语、超过 20K token 的工具结果文件卸载、85% 上下文窗口处自动压缩、可插拔钩子系统、OpenTelemetry 追踪、SQLite 持久化恢复。

里程碑：一篇 1000 词的复盘文章，比较你的微型 harness 与 Claude Agent SDK 和 Deep Agents。什么做对了，什么砍掉了，如果重来会怎么改。代码是证据，复盘文章才是真正的交付物。

阶段 3 —— 构建评测 Harness（第 11～13 周）

目标： 让你的 Agent 可衡量。没有这个，每次"改进"都只是感觉。

这是大多数工程师卡住的地方。他们构建了一个很棒的 Agent，却无法判断下一次变更让它变好了还是变坏了。

必须实现的 4 种评测：

• 单轮评测 —— 给定这个输入，输出正确吗？成本最低。尽可能使用确定性评分器。持续运行。
• 轨迹评测 —— Agent 是否调用了正确的工具序列和参数？测试单步、全轮和多轮变体。
• LLM 判分 —— 对开放式输出（如研究报告、代码评审）。每周用人评分的样本校准。评分维度：事实准确性、引用质量、完整性、来源质量、工具效率。
• 终态评测 —— 对写入数据库或编辑文件的有状态 Agent。将最终状态与基准真相比较。

改变一切的 CI 关卡：将评测接入 GitHub Actions。每个 PR 运行完整套件。如果基准集通过率下降 ≥3 点，阻止合并。这让评测从仪表板壁纸变成开发工具。

一个警告：在设计评测之前，Anthropic 发现模型能检测到它们正在被评测并表现不同。从第一天起就设计抗 AI 作弊的评测套件，否则你会永远把偏差编进去。

选一个可观测平台，不要同时用两个：

• LangSmith —— 如果你用 LangGraph，原生追踪、实验、沙箱
• Braintrust —— 如果你想要框架无关的 CI 质量关卡，249$/月 包 unlimited 用户
• Arize Phoenix —— 如果你想要 OpenTelemetry 原生和开源
• Inspect（英国 AISI） —— 基准级评测，被 Anthropic、DeepMind 和 Grok 内部使用

里程碑：一个 make eval 目标，输出 CI 通过/失败摘要、LangSmith 实验 URL、以及通过 Inspect 获得的一个标准基准分数。

阶段 4 —— 生产加固（第 14～17 周及之后）

目标： 让一切在真实用户、真实成本和真实故障下存活。

这个阶段是永久的。你永远不会完成它。

成本纪律

积极使用 Prompt 缓存——在重复前缀上节省高达 90%。缓存系统提示、工具定义和 CLAUDE.md 到每次调用。

按难度路由：Haiku 4.5 处理简单轮次，Sonnet 4.6 处理标准任务，Opus 4.7 处理规划和硬推理。仅此一项就能在无损质量的情况下降低 50%+ 成本。

Batch API 用于非实时负载：便宜 50%。多 Agent 运行约 15 倍单 Agent 的 token——只在答案价值超过这个成本时使用。

延迟

并行工具调用不是可选项。Anthropic 自己的研究系统提示原文说：“在创建多个子 Agent 时，你必须使用并行工具调用。“在你的 harness 中也遵守同样的规则。

子 Agent 扇出是最大的延迟杠杆：一个 60 步的顺序 Agent 变为 10 步 Lead Agent 加 5 个并行的 10 步子 Agent。耗时降低 5～6 倍。

安全和沙箱

所有代码执行都在容器中——Modal、E2B 或 Daytona。永远不要在主进程中执行模型输出。

凭证代理到模型上下文之外——Composio 处理 SaaS 认证，无需凭证进入模型的上下文窗口。

PreToolUse 钩子阻止破坏性的 Bash、正则匹配密钥、在每个工具调用前验证文件写入路径。

任何不可逆操作都需要人在回路中断。让确认步骤成为显式的，而非可选的。

韧性

持久化执行对任何运行超过 60 秒的 Agent 都是必需的。使用 Inngest、Temporal 或 LangGraph PostgresSaver。每个节点后检查点。回退和分叉必须可行。

监控

告警：每次请求的 Token 成本、工具调用失败率、LLM 判分夜间平均分、p95 延迟、每次部署后的评测回归。

每次模型升级后重新建立评测基线。harness 编码了对模型能力的假设——这些假设会随着模型改进而过时。

让 Agent 随时间变聪明的记忆系统

大多数工程师跳过了这个。它是 Agent 停滞和 Agent 复利之间的分界线。

四层记忆架构：

• 工作记忆（WORKSPACE.md） —— 活动任务状态。易失性。每次任务后清除。
• 情景记忆（AGENT_LEARNINGS.jsonl） —— 原始经验日志。每个重要动作、失败、纠正。Agent 在做曾经出错的决定前会读取它。
• 语义记忆（LESSONS.md + DECISIONS.md） —— 蒸馏出的超越单个片段的模式。Agent 从失败中压缩出的经验教训。架构决策及其理由，让同一场辩论不再发生第二次。
• 个人记忆（PREFERENCES.md） —— 用户习惯和风格。上下文，而非指令。“我偏好函数式模式而非类"告诉 Agent 你是谁，而非如何写代码。保持为上下文，永远不要提升为程序化技能步骤。

夜间梦境循环： 后台进程在每个会话后运行。它读取情景日志，压缩值得保留的内容到语义记忆，衰减被证明错误的条目，归档超过 2 天的工作空间。Agent 第二天早上醒来时，记忆比入睡时更干净、更准确。

Garry Tan 说得最好：“如果你的记忆随着 harness 一起消亡，那你的 harness 就太厚了。记忆是 Markdown。技能是 Markdown。大脑是一个 Git 仓库。harness 只是一个薄的导体——它读文件，仅此而已。”

掌握你的记忆。掌握你的技能。把它们放在纯文件和 Git 中，放在没有人能从你手中夺走的地方。

赋予 Agent 专业知识的技能系统

技能是 Markdown 文件，编码了任务应该如何完成。每个技能都有触发条件（何时加载）、流程（骨架）、启发式（决策分支的默认值）和约束（活动范围的边界）。

对每个技能运行的审计问题：这行是在告诉 Agent 怎么做，还是在告诉它 好的结果长什么样？如果是"怎么做”，通常不需要在那里。

渐进披露：技能索引先加载——仅摘要，每个技能不到 50 token。只有当触发条件匹配时才加载完整的 SKILL.md。这让大量技能库不会压爆你的上下文预算。

自重写钩子：当一个技能连续三次失败时，钩子触发并提示 Agent 提出该技能的保守重写。系统自我修复。你审核并批准。

全部免费的资源栈

博客——一个就够了：

• Anthropic 工程博客 —— harness 设计、评测、多 Agent 模式的第一手来源
• LangChain 博客 —— harness 纪律在其中被公开规范化
• Hamel Husain 的博客 —— “Your AI Product Needs Evals” 是阶段 3 前的必读

课程——完成这两门：

• DeepLearning.AI Andrew Ng 的"Agentic AI”（免费，1～2 小时）
• LangChain Academy：LangGraph 介绍（免费，官方）

通讯——订阅一个：

• swyx 的 Latent Space——AI 工程师的技术通讯

社区——加入一个：

• LangChain Discord——LangGraph 和 Deep Agents 核心团队在此活跃

值得研究的仓库：

• Anthropic Cookbook（GitHub，免费）——每个工作流模式的参考实现
• LangChain 的 deepagents（GitHub，免费）——参考开源 harness。阅读中间件文件

17 周时间线

到第 17 周，你就能独立拥有生产级 AI 功能：设计 Agent 循环、工程化上下文、编写模型能正确选择的工具、评估变更是否带来了改进、交付、监控、修复故障。

这就是这份工作。这就是市场愿意为之付费的技能。

“在读 LangChain 博客"和"交付一个带 PostgresSaver 持久化的 Deep Agent"之间的差距，正是大多数工程师永远停留的地方。

不要等到感觉准备好了才开始。你永远不会。

现在就开始申请、开始公开构建、开始交付。哪怕是一个微小的 Agent。市场不奖励完美，奖励的是那些能让模型做出真实成果并证明它没有退步的工程师。

17 周，足以改变一切。

原文来源：@sairahul1 的分享。本文经翻译和结构调整后发布。