AI Agent 学习路线

这个目录的目标不是收集名词,而是把 Java 后端能力迁移成可落地的 AI Agent 工程能力。主线只有一条:

Java 后端工程能力
-> LLM API / Prompt / Streaming
-> Tool Calling
-> MCP
-> RAG
-> Agent Workflow
-> Memory / Trace / Eval
-> Personal Knowledge Agent

一屏总览

mindmap
  root((AI Agent 工程))
    基础层
      LLM API
      Prompt
      Streaming
      Structured Output
    执行层
      Tool Calling
      权限
      审计
      错误恢复
    知识层
      RAG
      Obsidian
      Chunk
      Citation
    协议层
      MCP Client
      MCP Server
      Tools
      Resources
    运行层
      Workflow
      State Machine
      Memory
      Trace
    产品层
      Eval
      Cost
      Safety
      Deployment

推荐阅读顺序

目录地图

使用方式与总验收表

这套笔记的读法是先跑通主线,再按薄弱点回到源码或论文。不要把 40 多篇笔记当成线性书籍硬读。

上线成熟度地图

这组笔记不是只为了“看懂 Agent”,最终要能判断一个 Agent 系统是否能上线。可以按下面这张表倒查缺口:

读法:如果某一行做不到,就不要继续堆新功能,先回到对应笔记补工程对象、失败样本和验收证据。

内容使用决策树

不要按文件编号机械阅读。更有效的方式是先判断当前卡点,再回到对应笔记补足“原理、对象、失败、证据”四件事。

三条主线要互相闭环:

当前可运行 Demo

路径:F:\2. ObsidianNotes\技术栈\AI Agent\demo,说明见 README。

它不是最终产品,而是当前最小后端切片:

HTTP request -> AgentService -> NoteSearchService -> grounded answer/refusal -> TraceService
EvalCase -> EvalService -> AgentService -> pass/fail reasons
ToolCallRequest -> ToolService -> search/read/trace/debug/eval -> ToolCallResponse
McpRequest -> McpService -> ToolService -> McpResponse
MemoryWriteRequest -> MemoryService -> data/memories.jsonl
TraceRecord -> TraceService -> data/traces.jsonl
TraceRecord -> DebugReportService -> DebugReport

| trace 复盘 | 已覆盖 JSONL 持久化 | `GET /API/traces/{traceId}` 或 `.\trace-test.ps1` |
| debug report | 已覆盖最小失败归因 | `GET /API/traces/{traceId}/debug` 或 `.\debug-test.ps1` |

| eval gate | 已覆盖 | POST /API/eval 或 .\eval-test.ps1 | | tool schema | 已覆盖 | GET /API/tools 或 .\tool-test.ps1 | | safe note read | 已覆盖 | read_note 拒绝路径逃逸 | | MCP transport | 已覆盖最小子集 | POST /mcp 或 .\mcp-test.ps1 | | memory store | 已覆盖最小 JSONL slice | POST /API/memories 或 .\memory-test.ps1 | | 真实 LLM | 暂不覆盖 | 后续接 ModelGateway | | 完整生产 MCP | 暂不覆盖 | 后续加 session、resources、prompts、streamable HTTP 细节 |

本地验收命令:

cd "F:\2. ObsidianNotes\技术栈\AI Agent\demo"
$env:JAVA_HOME='D:\JAVA_TechTool\JDKs\oracle-24.0.1'
$env:Path="$env:JAVA_HOME\bin;$env:Path"
.\mvnw.cmd test
.\mvnw.cmd spring-boot:run
.\smoke-test.ps1
.\eval-test.ps1
.\tool-test.ps1
.\mcp-test.ps1
.\memory-test.ps1
.\trace-test.ps1
.\debug-test.ps1

当前定位

能力成熟度

Agent Memory 论文精读

论文区入口:00-Agent Memory 21篇论文学习路线

这一组笔记已经按“原文 + 中文精读 + 工程映射”的方式拆解。阅读时按下面的问题看,不要只背论文名:

最终作品形态

flowchart TD
    Notes["Obsidian Notes"] --> Indexer["Indexer"]
    Indexer --> Retriever["RAG Retriever"]
    User["User"] --> Agent["Personal Knowledge Agent"]
    Agent --> Retriever
    Agent --> Capability["Tools / MCP / Memory"]
    Capability --> Answer["Answer with citations"]
    Retriever --> Answer
    Agent --> Trace["Trace / Eval"]
    Trace --> Report["Debug Report"]

最终项目不是“聊天机器人”,而是:

Personal Knowledge Agent:基于 Obsidian 的个人知识库 Agent,支持 RAG 问答、MCP 工具暴露、学习计划生成、任务追踪、长期记忆、回答引用、trace 复盘和 eval 回归。

学习原则

• 每个概念必须落到工程对象:类、表、接口、状态、日志、测试。
• 每个 Agent 能力必须有边界:权限、最大步数、超时、失败处理。
• 每个回答质量必须能验证:固定问题集、引用、trace、对比报告。
• 每个笔记都要能服务实现:少口号,多流程图、表格、字段、伪代码、验收标准。