Day 30 - Summary, Retrospective, and Next Steps

今日目标

能输出 30 天学习复盘与下一阶段学习路线。

学习安排

核心概念

阅读重点

• 对应章节：全计划回顾，覆盖第 1-8 章与第 10 章，重点是串起整条学习主线：能设计上下文、能接工具、能查知识库、能记录轨迹、能用 eval 判断好坏，最后做出一个可解释、可控、可改进的小型 Agent。
• 关注点：
• 最小闭环的七个环节：用户问题、构造上下文、LLM 规划、调用工具、回填结果、生成答案、评估，你哪一环最熟、哪一环最弱。
• 工程落地五原则：先只读后写入、先单 Agent 后多 Agent、先 eval 再优化、先小场景后大平台、保留人工确认。
• 学习顺序优先级：基础执行循环、上下文工程、工具调用、RAG 与知识库、评估、多 Agent、后训练与持续进化。
• 30 天的阶段交付物是否齐全：Day 10 的架构图与上下文设计、Day 20 的 RAG 与工具 Demo、Day 30 的综合 MVP 与评估结果。
• 补充材料：
• 自己 30 天的日志与复盘记录，作为复盘的原始素材。
• 目标框架的官方文档（如 LangGraph、OpenAI Agents SDK），作为下一阶段的入口。

理解检查

• 现在你如何定义 AI Agent？和 30 天前的定义有什么不同？
• 你认为 Agent 工程里最重要的 3 个能力是什么？依据是什么？
• 你的 Demo 离生产可用还差什么？列出具体的差距。
• 你下一步应该深入 RAG、工具、多 Agent、评估还是 Coding Agent？

实践任务

背景：今天是最后一天，把 30 天的学习整理成一份可分享、可复查的复盘报告，并为下一阶段定方向。

• 第 1 步：用下面的输出模板写《AI Agent 30 天学习复盘》。
• 第 2 步：逐项核对三批阶段交付物：Day 10 的架构图、上下文设计、结构化 Prompt、Skill 草稿；Day 20 的最小 RAG Demo、工具 schema、工具调用 Demo、权限与风险清单；Day 30 的综合 MVP、20 条 eval set、运行结果复盘、学习路线。
• 第 3 步：写出 3 个仍不清楚的概念，每个注明卡在哪一点。
• 第 4 步：写下下一阶段两周计划，包含 1 个可验证目标和 1 个工作中可落地的低风险场景。

输出模板

《AI Agent 30 天学习复盘》

一、学到了什么
- 核心能力盘点：[能设计上下文 / 能接工具 / 能查知识库 / 能记录轨迹 / 能用 eval 判断好坏]
- 交付物核对：[Day 10 / Day 20 / Day 30 三批交付物是否齐全，缺什么]

二、做出了什么 Demo
- Demo 名称：[...]
- 输入与输出：[...]
- 评估结果：[成功 [n] 条 / 失败 [n] 条，失败原因归类]

三、哪些概念仍不清楚
- [概念] -> [卡在哪一点]

四、哪些工程能力需要补
- [能力] -> [具体欠缺与补法]

五、下一阶段计划
- 方向：[RAG / 工具 / 多 Agent / 评估 / Coding Agent，选一个]
- 两周目标：[1 个可验证目标]
- 落地场景：[低风险、高重复、输入输出明确的场景]
- 保留的边界：[哪些操作必须人工确认]

示范输出

《AI Agent 30 天学习复盘》

一、学到了什么
- 核心能力盘点：能设计上下文与 system prompt；能设计工具 schema 并处理失败；能搭最小 RAG 链路；能记录运行轨迹；能用 20 条 eval set 判断改动好坏
- 交付物核对：Day 10 齐全；Day 20 缺权限与风险清单；Day 30 的 eval set 只有 12 条，需要补齐

二、做出了什么 Demo
- Demo 名称：技术问题分析 Agent（Nginx WAF CPU 排查）
- 输入与输出：输入「开启 WAF 后 Nginx CPU 升高」，输出带证据标注的 Markdown 分析报告
- 评估结果：成功 7 条、失败 3 条，失败集中在工具返回空数据时未标注缺口

三、哪些概念仍不清楚
- 上下文压缩 -> 不清楚分层摘要何时触发
- 模型后训练 -> 说不清 SFT 与 RL 各自适合什么情况
- 共享记忆 -> 只会说风险，不会设计隔离方案

四、哪些工程能力需要补
- 评估设计 -> 用例覆盖失败场景不够，编造率指标未量化
- 轨迹调试 -> 失败时靠肉眼翻日志，不会系统回放

五、下一阶段计划
- 方向：评估与 RAG 检索质量
- 两周目标：把 eval set 补到 20 条，编造率降到 0
- 落地场景：测试日报生成 Agent，只读数据源、输出 Markdown、不碰生产配置
- 保留的边界：发送邮件、修改配置、删除数据一律人工确认

追问练习

• 你的 Demo 离生产可用还差什么？逐项列出差距与补法。
• 你下一步应该深入哪个方向？判断依据是什么，而不是「感觉有意思」。
• 如果要在工作中落地一个 Agent，你会从哪个低风险场景开始？为什么是它？
• 用一句话定义 AI Agent，你现在的版本是什么？

常见误区

• 复盘只写收获、不写知识缺口，报告变成自我表扬。
• 下一阶段计划定得太大，没有两周内可验证的目标。
• 认为 30 天就能掌握所有 Agent 框架，反而一个都不扎实。
• 落地场景选高风险操作，比如一上来就做自动改配置的 Agent。

进阶扩展

• 学习顺序优先级：时间不够时按「基础执行循环、上下文工程、工具调用、RAG 与知识库、评估、多 Agent、后训练与持续进化」的顺序补课，先跑通最小闭环，不要一开始陷入复杂框架。
• 工程落地五原则：先只读后写入，先单 Agent 后多 Agent，先 eval 再优化，先小场景后大平台，涉及生产配置、数据库删除、发邮件、发消息、合并代码等操作必须保留人工确认。
• 学习方法：每天产出一个可复用的小产物，每 5 天复盘一次记录「能解释什么、能做出什么」，每个 Demo 保留日志，因为 Agent 调试主要靠轨迹。

今日作业

• 完成《AI Agent 30 天学习复盘》，五个部分都要写。
• 写下下一阶段两周计划，包含 1 个可验证目标和 1 个落地场景。
• 整理 30 天交付物目录清单，标出缺失项。
• 挑出 3 个仍不清楚的概念，写进复习清单。

自检清单

• 我能用一句话定义 AI Agent。
• 我能列出 30 天交付物并指出缺漏。
• 我能说清自己的知识缺口和工程短板。
• 我能写出下一阶段两周计划。
• 我能指出工作中第一个可落地的低风险场景。