2026 前端 AI Agent 工程化实战营：19 篇完整学习路线

这组文章整理自《2026 前端 AI Agent 工程化实战营》的完整课程材料。它不是一组零散笔记，而是一条从“会调用模型”逐步走到“能工程化交付 Agent 系统”的路线。

如果你是前端工程师，这套内容的价值在于：它不会只停留在 Prompt 或模型 API，而是把 AI 能力真正放回工程现场——项目结构、服务端承载、数据库、向量化、RAG、MCP、Skills、Agent Harness、可观测性、评估流水线，全部串起来。

阅读建议

• 如果你刚开始做 AI 应用：按顺序读，从序章和第一章开始。
• 如果你已经会 LangChain：重点读 LangGraph、Multi-Agent、Token 经济学、RAG 和 MCP。
• 如果你准备把 Agent 放到生产：直接看 DeepAgent、可观测性和评估流水线。
• 如果你负责团队工程化：建议把 Skills、MCP、评估流水线放在一起看，它们决定能力能否复用、治理和持续演进。

19 篇目录

1. 序章：站在范式之变的十字路口
2. 第一章：把模型变成能力
3. 第二章：搭建智能体的工程底座
4. 第三章：LangChain 渐进式教学
5. 第四章：进击的Langchain
6. 第五章：从 Mock 到生产——数据库设计与向量化落库
7. 第六章：让 AI 做更懂你的交互
8. 第七章：Agent 推理的三层决策机制：路由、执行与优化
9. 第八章：LangGraph 单 Agent 图实战——路由、循环与质量闭环
10. 第九章：LangGraph Multi-Agent 实战
11. 第十章：Token 经济学：在 AI 能力与运行成本之间寻找平衡
12. 第十一章：RAG——让AI更懂你的业务
13. 第十二章：MCP——工具调用的操作系统
14. 第十三章：Skills——把最佳实践沉淀为能力资产
15. 第十四章：DeepAgent——一个开箱即用的 Agent Harness
16. 第十五章：DeepAgent——长链任务与自主规划
17. 第十六章：可观测性——你不能优化你看不见的东西
18. 第十七章：评估流水线——给 Agent 装质检线

这套内容的主线

整套实战营可以拆成四层：

1. 模型能力层：Prompt、结构化输出、多轮上下文、Token 控制。
2. 工程底座层：monorepo、Bun、Next、Nest、数据库、向量化落库。
3. Agent 编排层：LangChain、LangGraph、单 Agent、多 Agent、路由、循环、质量闭环。
4. 生产治理层：RAG、MCP、Skills、DeepAgent、可观测性、评估流水线。

它真正想回答的问题不是“怎么调一个模型”，而是：如何把模型变成稳定、可维护、可扩展、可评估的系统能力。