文章介绍了10个循序渐进的 AI Agent 实战项目，帮助开发者从简单的工具调用进阶到自主智能体系统。项目包括：工具调用 Agent、ReAct 推理循环、多工具选择、记忆 Agent（短期与长期记忆）、规划 Agent（任务分解）、反思 Agent（自我评估与修订）、多 Agent 协作系统、研究 Agent、编码 Agent 等。文章通过架构图、技术栈（Python、OpenAI、LangGraph、Pydantic）和学习要点，阐述了智能体设计中的核心问题：工具选择、记忆管理、任务分解、错误恢复、自我验证及多 Agent 协调等。
文章指出仅掌握基础的'chat with PDF'式 RAG 流水线（分块、嵌入、向量检索、LLM）不足以构建真实生产系统，并推荐 10 个进阶项目：混合检索（BM25+向量）、元数据过滤、重排序、上下文分块、SQL+向量混合、知识图谱+向量、纠错式 RAG、自感知 RAG、多模态等。每个项目均说明要解决的问题、系统架构、技术栈（Python、pgvector、LangGraph、Neo4j 等）及学习要点，帮助开发者从语义相似度走向关键词匹配、结构化过滤、关系推理与检索质量反馈等生产级能力。
本文是 Agent 记忆系列第二篇，基于普林斯顿的 CoALA 认知架构框架，将 Agent 记忆分为四种类型：工作记忆（当前上下文）、语义记忆（事实性知识）、情景记忆（带时间戳的具体事件）和程序性记忆（Agent 自行从重复经验中学到的规则）。作者强调仅靠厂商记忆功能只覆盖语义记忆的一小部分，完整的生产级 Agent 还需理解记忆的六阶段生命周期：提取、存储、检索、注入、更新与遗忘。文章为后续动手构建带记忆的 Agent 系统奠定概念基础。
本文提供了一份从零到可就业的 AI 工程师分阶段学习路线图，区别于单纯的技能清单，每个阶段都附带经过验证的优质课程、文档和书籍。路线涵盖六个阶段：软件工程基础（Python、API、Git）、LLM 工作原理（Karpathy 课程、3Blue1Brown）、提示工程与 API 掌握、RAG 检索增强生成（最具就业价值的技能）、Agent 与编排（LangGraph、MCP）、以及评估与生产部署。作者建议用 8-12 个月完成学习，并强调构建真实项目组合和公开写作是获得雇佣的关键。
