# Datawhale开源生态驱动的大模型与Agent应用开发工程师全景深度研究报告

**URL:** <https://linux.do/t/topic/1428362>\
**Category:** 搞七捻三\
**Tags:** 人工智能, 快问快答, 软件开发, 纯水\
**Created:** [2026 年1 月 11 日 05:14 UTC](https://linux.do/t/topic/1428362 "2026-01-11T05:14:31Z")\
**Posts on this page:** 12\
**Page:** 1

<div class="post-metadata">

作者： ![Kidane\_Viveiros](https://cdn.ldstatic.com/user_avatar/linux.do/kidane_viveiros/32/1207756_2.png) [@Kidane\_Viveiros](https://linux.do/u/Kidane_Viveiros)\
发布日期： [2026 年1 月 11 日 05:14 UTC](https://linux.do/t/topic/1428362/1 "2026-01-11T05:14:31Z")

</div>

# Agent 应用开发工程师架构师级成长路径：基于 Datawhale 开源生态的深度解析报告

## 1. 绪论：从模型使用者到智能体架构师的范式转移

在人工智能技术演进的历史长河中，2023年被定义为“百模大战”的元年，而2025年则无可争议地开启了“Agent（智能体）元年”。随着基础大语言模型（LLM）能力的边际效应递减，工业界的重心已从单纯追求参数规模的扩大，急剧转向如何将这些强大的“大脑”封装进能够感知环境、规划任务、使用工具并协同工作的智能体系统之中。

对于立志成为 Agent 应用开发工程师的技术人员而言，这一转变意味着技能栈的根本性重构。仅仅掌握 API 调用（API Wrapper）已不足以应对生产环境的复杂性；新一代工程师必须具备从底层模型微调、推理加速，到中间层记忆系统（RAG）、规划算法设计，再到上层全栈应用交付的完整架构能力。

本报告旨在构建一份详尽、互斥且具备深度的“架构师级”学习路径。该路径完全基于 Datawhale 这一专注于 AI 领域的顶级开源组织所维护的生态系统。我们深入分析了 Datawhale 旗下的 180 余个开源项目，剔除了老旧版本及大规模重合的内容，精选出 **7 个核心项目** ，按照认知的逻辑顺序，构建了从理论基石到垂直场景落地的六大能力模块。

这份报告不仅是资源的罗列，更是对 Agent 工程化落地的深度解构，旨在帮助学习者实现从“Copy-Paste 开发者”到“AI Native 架构师”的质变。

* * *

## 2. 第一阶段：认知基石与理论内核

在构建任何高层建筑之前，必须先理解地基的物理属性。Agent 的推理能力、指令遵循能力以及潜在的“幻觉”风险，皆源自其底层的 Transformer 架构。第一阶段的目标是打开 LLM 的“黑盒”，理解其运行机制，从而在未来的工程实践中能够科学地预判模型的行为边界。

### 2.1 模型架构的深度解构：Transformer 与其衍生

**核心教材：Happy-LLM（从零开始的大语言模型原理与实践）**

- **项目地址** ：[GitHub - datawhalechina/happy-llm: 📚 从零开始的大语言模型原理与实践教程](https://github.com/datawhalechina/happy-llm)

**深度解析与学习价值：**

大多数应用开发者将 LLM 视为一个随机的文本生成函数，而架构师必须理解其概率本质。`Happy-LLM` 项目并非简单的概念介绍，而是通过代码级别的拆解，揭示了支撑 Agent 思考的物理法则。

- **Transformer 的工程意义（第2章）：** Agent 开发中最大的痛点之一是“上下文窗口（Context Window）”的限制与“注意力分散（Lost in the Middle）”。通过本项目的第2章，学习者将深入理解自注意力机制（Self-Attention）的计算复杂度（$O(N^2)$）。
  - **深度洞察** ：理解 Attention Mask 和位置编码（Positional Encoding）的原理，能帮助工程师理解为何 Agent 在长对话中会遗忘早期的指令，以及如何通过架构优化（如滑动窗口或 KV Cache 优化）来缓解这一问题。

- **预训练模型的流派差异（第3章）：** 项目详细对比了 Encoder-Only（如 BERT）、Decoder-Only（如 GPT）和 Encoder-Decoder（如 T5）三种架构。
  - **架构选型启示** ：在 Agent 系统中，RAG 模块的检索通常需要 Encoder-Only 模型来生成高质量向量，而生成的决策则依赖 Decoder-Only 模型。理解这种差异是设计高效混合架构的前提。

- **从零构建 LLaMA2（第5章）：** 项目不仅停留在理论，更引导学习者基于 PyTorch 手写一个微缩版的 LLaMA2 模型，涵盖 Tokenizer 训练到预训练的全流程。这对于理解 Token 的本质至关重要——Token 并非单词，而是信息的压缩单位，这直接关系到 Agent 的计费估算与 Prompt 长度优化。

### 2.2 交互协议的精细化控制：提示工程（Prompt Engineering）

**核心教材：Prompt Engineering for Developers**

- **项目地址** ：[GitHub - datawhalechina/llm-cookbook: 面向开发者的 LLM 入门教程，吴恩达大模型系列课程中文版](https://github.com/datawhalechina/prompt-engineering-for-developers)

**深度解析与学习价值：**

如果说 Transformer 是 CPU，那么 Prompt 就是汇编语言。在 Agent 开发中，Prompt Engineering 远超出了“聊天技巧”的范畴，它实际上是 **自然语言编程** 。

- **指令驱动的开发范式：** 本项目基于吴恩达与 OpenAI 的官方教程进行了深度的本地化与扩展。它强调了两个核心原则： **清晰具体的指令** 与 **给予模型思考的时间** 。
  - **二阶洞察** ：在 Agent 的“工具调用（Function Calling）”场景中，Prompt 必须精确描述工具的参数 Schema（通常是 JSON 格式）。任何模糊性都会导致参数解析失败，进而导致 Agent 崩溃。该课程中的“结构化输出”训练是编写 System Prompt 的基础。

- **思维链（CoT）的预演：** 通过学习如何引导模型一步步推理（Step-by-Step Reasoning），学习者实际上是在预演 Agent 的规划（Planning）模块。这种迭代式的 Prompt 优化流程，与软件工程中的“调试（Debugging）”同等重要。

* * *

## 3. 第二阶段：基础设施与运筹帷幄（MLOps）

Agent 应用不再是单纯的 API 调用，处于成本、数据隐私和延迟的考量，私有化部署开源模型已成为企业级应用的标准配置。本阶段聚焦于如何驯服这些庞大的开源模型，使其在受限的硬件资源上高效运行。

### 3.1 全栈模型部署与量化

**核心教材：Self-LLM（开源大模型食用指南）**

- **项目地址** ：[GitHub - datawhalechina/self-llm: 《开源大模型食用指南》针对中国宝宝量身打造的基于Linux环境快速微调（全参数/Lora）、部署国内外开源大模型（LLM）/多模态大模型（MLLM）教程](https://github.com/datawhalechina/self-llm)

**深度解析与学习价值：**

`Self-LLM` 是 Datawhale 生态中工程属性最强的项目之一，它实质上是一个庞大的“模型适配层”，解决了开源模型落地“最后一公里”的问题。

- **多模态与多模型支持矩阵：** Agent 开发往往需要根据任务难度选择不同规模的模型（如用 7B 模型处理简单分类，用 72B 模型处理复杂推理）。本项目覆盖了 **Qwen (通义千问)、Llama、DeepSeek、ChatGLM、InternLM (书生·浦语)** 等 50+ 主流模型。
  - **选型策略表** ：

| **模型系列** | **适用 Agent 场景** | **关键特性** | **教程支持** |
| --- | --- | --- | --- |
| **Qwen2.5 / Qwen3** | 复杂指令遵循、代码生成、长文本 | 强大的逻辑推理与多语言能力 | vLLM 部署, SwanLab 微调, Docker 镜像 |
| **DeepSeek-R1** | 深度推理、数学与逻辑任务 | 极高的性价比与推理深度 | 蒸馏版 (Distill) 部署, FastApi 封装 |
| **Llama3.1** | 通用对话、英语环境任务 | 极其丰富的生态与工具支持 | Ollama 对接, LangChain 集成 |
| **MiniCPM / Gemma** | 端侧 Agent、移动端部署 | 低资源消耗，适合边缘计算 | Android/iOS 部署潜力, INT4 量化 |

- **高性能推理引擎集成：** 对于高并发的 Agent 系统，Python 原生的推理速度往往是瓶颈。`Self-LLM` 提供了基于 **vLLM** 和 **FastAPI** 的部署教程。vLLM 的 PagedAttention 技术能显著提高吞吐量（Tokens/s），这对于多 Agent 协作系统中减少等待时间至关重要。
- **异构硬件生态适配：** 真实的生产环境并非全都是 NVIDIA GPU。该项目包含了 **AMD ROCm** 平台（如 Ryzen AI 系列）和 **华为 Ascend NPU** （如 910B 芯片）的详细配置指南。
  - **架构师视角** ：掌握非 NV 平台的部署能力，意味着能够为企业设计更具成本效益（Cost-effective）的算力方案，这是高级工程师的核心竞争力。

* * *

## 4. 第三阶段：外部记忆体与知识增强（RAG）

一个没有记忆的 Agent 只是一个瞬时的处理器。为了让 Agent 具备领域专长并能随时间积累经验，必须构建高效的检索增强生成（RAG）系统。这相当于为 Agent 安装了“海马体”。

### 4.1 生产级 RAG 系统构建

**核心教材：All-in-RAG（大模型应用开发实战一：RAG 技术全栈指南）**

- **项目地址** ：[GitHub - datawhalechina/all-in-rag: 🔍大模型应用开发实战一：RAG 技术全栈指南，在线阅读地址：https://datawhalechina.github.io/all-in-rag/](https://github.com/datawhalechina/all-in-rag)

**深度解析与学习价值：** 区别于简单的入门教程，`All-in-RAG` 致力于解决 RAG 在实际落地中的痛点，如检索精度低、多跳推理困难等问题。

- **向量数据库实战（Milvus）：** 项目深入讲解了如何使用 **Milvus** 构建大规模向量索引。在 Agent 系统中，记忆体往往存储着数以百万计的历史交互和文档片段，简单的内存索引无法支撑，必须掌握工业级向量数据库的使用。
- **高级检索策略（Advanced Retrieval）：**
  - **混合检索（Hybrid Search）：** 结合关键词（BM25）与语义向量，解决专有名词检索不准的问题。
  - **查询重写（Query Rewriting）：** Agent 往往需要将用户模糊的口语转化为精确的搜索查询，这是 RAG 系统的关键优化点。
  - **重排序（Reranking）：** 在检索回的粗排结果中，使用 Cross-Encoder 模型进行精排，大幅提升 Context 的质量，减少 LLM 的阅读负担。

### 4.2 前沿架构：图谱增强 RAG (GraphRAG)

**核心教材：All-in-RAG (Extra Chapters)**

- **项目地址** ：[all-in-rag/Extra-chapter at main · datawhalechina/all-in-rag · GitHub](https://github.com/datawhalechina/all-in-rag/tree/main/Extra-chapter)

**深度解析与学习价值：** 单纯的向量检索难以处理“关系型”问题（例如：“A公司的供应链风险如何影响B产品的发布？”）。本项目引入了 **Knowledge Graph (知识图谱)** 与 **Neo4j** 图数据库的结合。

- **结构化记忆：** 通过 GraphRAG，Agent 可以沿着实体间的关系边进行推理，而非仅仅基于文本相似度。这标志着 Agent 从“搜索引擎”向“研究分析师”的能力跨越。掌握 GraphRAG 是 2026 年高端 AI 工程师的技术分水岭。

* * *

## 5. 第四阶段：智能体架构与编排逻辑

拥有了大脑（LLM）、身体（部署）和记忆（RAG），现在需要赋予 Agent 灵魂——自主行动与规划的能力。这是本学习路径的核心枢纽。

### 5.1 智能体原理与框架精通

**核心教材：Hello-Agents（从零开始构建智能体）**

- **项目地址** ：[GitHub - datawhalechina/hello-agents: 📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程](https://github.com/datawhalechina/hello-agents)

**深度解析与学习价值：** `Hello-Agents` 是一部系统性的 Agent 开发百科全书，它填补了理论与框架之间的空白，特别是针对 **AI Native Agent** 的构建。

- \*\*核心范式（Paradigm）的实现（第4章）：\*\*工程师必须亲手实现经典的 Agent 控制流，而非仅仅调用库：
  - **ReAct (Reason + Act)：** “思考-行动-观察”的循环，是 Agent 与世界交互的基础。
  - **Plan-and-Solve：** 先生成完整的 SOP（标准作业程序），再按部就班执行，适用于复杂长流程任务。
  - **Reflection（反思）：** 让 Agent 检查自己的输出并进行自我修正，这是提升 Agent 鲁棒性的关键机制。

- **多智能体协作（Multi-Agent Collaboration）：** 项目详细拆解了如何构建一个“智能体社会”。例如在\*\*第13章“智能旅游助手”\*\*案例中，通过编排“航班查询 Agent”、“酒店预订 Agent”和“行程规划 Agent”协同工作，解决了单一 LLM 上下文有限和能力单一的问题。
- \*\*主流框架实战（第6章）：\*\*涵盖了 **LangGraph** （图导向编排）、 **AutoGen** （多智能体对话）、 **AgentScope** 等工业界主流框架。学习者将掌握如何根据业务需求选择最合适的框架——例如，对于确定性强的业务流使用 LangGraph，而对于开放性探索任务使用 AutoGen。

### 5.2 白盒化底层实现：拒绝黑箱

**核心教材：Tiny-Universe (Tiny-Agent 模块)**

- **项目地址** ：[GitHub - datawhalechina/tiny-universe: 《大模型白盒子构建指南》：一个全手搓的Tiny-Universe](https://github.com/datawhalechina/tiny-universe)

**深度解析与学习价值：** 虽然框架方便，但它们往往隐藏了 Prompt 的细节和状态管理的逻辑，导致调试困难。`Tiny-Universe` 提倡“手搓（Hand-Writing）”Agent。

- **底层逻辑掌控：** 通过纯 Python 代码实现 Agent Loop，不依赖任何第三方复杂库。学习者将直面 LLM 输出解析的脆弱性、Tool Call 的 JSON 格式对齐问题以及内存管理的细节。
  - **二阶洞察** ：只有通过“手搓”经历过底层的痛点，工程师才能真正理解 LangChain 等框架设计的初衷，并在框架失效时具备“魔改”源码的能力。

* * *

## 6. 第五阶段：全栈工程化与产品交付

一个运行在 Jupyter Notebook 里的 Agent 只是一个 Demo，只有被封装为 Web 服务并交付给用户，它才是一个产品。本阶段将补全 Agent 工程师在软件工程领域的短板。

### 6.1 Vibe Coding 与全栈开发实战

**核心教材：Easy-Vibe（从 0 到 1 的 AI 编程实战）**

- **项目地址** ：[GitHub - datawhalechina/easy-vibe: Vibe coding from 0 to 1 ｜把想法做成真正能上线的产品｜首个交互式教程｜零基础也能学会的 AI 编程实战](https://github.com/datawhalechina/easy-vibe)

**深度解析与学习价值：** `Easy-Vibe` 引入了前沿的 **Vibe Coding** 开发哲学——即利用 AI（如 Cursor, Claude Dev）来辅助编写 AI 应用的代码。这本身就是 Agent 技术在编程领域的自我递归应用。

- **现代化前端交互（Next.js + Tailwind）：** Agent 的响应通常较慢，因此 **流式输出（Streaming UI）** 是必不可少的交互模式。项目教授如何构建类似 ChatGPT 的打字机效果，以及如何设计“以意图为中心”的 UI。
- **后端与持久化（Supabase）：** Agent 需要存储长期的用户会话（Session）和偏好。项目详细讲解了基于 **Supabase (PostgreSQL)** 的数据库设计，包括如何设计 Schema 来存储对话历史消息（Messages）。
- **云原生部署（Zeabur / Vercel）：** 涵盖了从本地 `localhost` 到云端 Serverless 环境的部署流程。特别关注了环境变量管理（API Keys 安全）和跨域资源共享（CORS）等常见的生产环境坑点。
  - **故障排查指南** ：项目附带的“常见错误”章节极具实战价值，涵盖了 API 401/429 错误处理、页面白屏调试等真实场景，帮助工程师构建健壮的系统。

* * *

## 7. 第六阶段：垂直领域微调与人格化（进阶）

通用的 Agent 往往也是平庸的。为了在特定行业（如医疗、法律、情感陪伴）落地，必须对模型进行领域自适应微调。

### 7.1 领域专精与角色扮演

**核心教材：Self-LLM (Examples 目录)**

- **Chat-Huanhuan (甄嬛人格复刻)**：
  - **地址** ：([self-llm/examples/Chat-嬛嬛 at master · datawhalechina/self-llm · GitHub](https://github.com/datawhalechina/self-llm/tree/master/examples/Chat-%E5%AC%9B%E5%AC%9B))
  - **核心技术** ：剧本数据清洗、角色扮演（Role-Playing）Prompt 构建、 **LoRA** 微调。这是构建“数字人”或“拟人化客服”的最佳范例。

- **Tianji (天机 - 人情世故 Agent)**：
  - **地址** ：([self-llm/examples/Tianji-天机 at master · datawhalechina/self-llm · GitHub](https://github.com/datawhalechina/self-llm/tree/master/examples/Tianji-%E5%A4%A9%E6%9C%BA))
  - **核心技术** ：处理高情商社交场景。其价值在于展示了如何构建难以量化的“社会规则”数据集，并让 Agent 学习隐性的社交潜规则。这对于开发教育类或辅助社交类 Agent 极具启发意义。

- **AMChat (高等数学 Agent)**：
  - **地址** ：([self-llm/examples/AMchat-高等数学 at master · datawhalechina/self-llm · GitHub](https://github.com/datawhalechina/self-llm/tree/master/examples/AMchat-%E9%AB%98%E7%AD%89%E6%95%B0%E5%AD%A6))
  - **核心技术** ：逻辑推理能力的强化。通过在数学数据集上微调，展示了如何提升 Agent 在严谨逻辑任务上的表现，这是构建“专家系统”的基础。

* * *

## 8. 总结与建议学习路线图

本报告构建的学习路径并非线性的简单累加，而是一个螺旋上升的架构师成长模型。从理解原理（Happy-LLM）到掌握工具（Self-LLM/All-in-RAG），再到编排逻辑（Hello-Agents）和交付产品（Easy-Vibe），每一步都互为支撑。

**建议执行时间表（以全职学习为例）：**

1. **第 1-2 周（原理层）** ：研读 `Happy-LLM` 与 `Prompt-Engineering`，建立对 Transformer 和 Prompt 的直觉。
2. **第 3-4 周（基建层）** ：跟随 `Self-LLM`，在本地或云端服务器部署 Qwen2.5 或 Llama3，尝试 INT4 量化与 vLLM 加速。
3. **第 5-6 周（记忆层）** ：通过 `All-in-RAG` 构建一个基于私有文档的知识库，尝试 Milvus 与 Hybrid Retrieval。
4. **第 7-10 周（核心层）** ：深入 `Hello-Agents`，手写 ReAct 循环，并使用 LangGraph 编排一个多智能体系统（如旅游助手）。同时参考 `Tiny-Universe` 理解底层。
5. **第 11-13 周（应用层）** ：利用 `Easy-Vibe` 的教程，将之前的 Agent 封装为一个带有 Next.js 前端的完整 Web 应用，并上线演示。
6. **第 14 周+（进阶层）** ：选择 `Tianji` 或 `Chat-Huanhuan`，尝试收集数据并微调一个拥有自己独特人设的垂直 Agent。

这条路径摒弃了浮躁的概念炒作，扎根于代码与工程实践。对于 Agent 开发工程师而言，Datawhale 的这套开源生态不仅是学习资料，更是未来职业生涯中可随时调用的“军火库”。通过对这些项目的深度实践，学习者将能够从容应对 AI 2.0 时代的工程挑战。

---

<div class="post-metadata">

作者： ![Vincent\_Henry](https://cdn.ldstatic.com/user_avatar/linux.do/vincent_henry/32/367328_2.png) [@Vincent\_Henry](https://linux.do/u/Vincent_Henry)\
发布日期： [2026 年1 月 11 日 06:25 UTC](https://linux.do/t/topic/1428362/2 "2026-01-11T06:25:57Z")

</div>

感谢大佬啊

---

<div class="post-metadata">

作者： ![liushiyangstd](https://cdn.ldstatic.com/user_avatar/linux.do/liushiyangstd/32/442386_2.png) [@liushiyangstd](https://linux.do/u/liushiyangstd)\
发布日期： [2026 年1 月 13 日 01:28 UTC](https://linux.do/t/topic/1428362/3 "2026-01-13T01:28:44Z")

</div>

佬现在还在把大模型应用开发作为目标吗？目前佬学的感觉怎么样？我目前也是研二，在java/go后端开发和大模型应用开发之间进行挣扎。

---

<div class="post-metadata">

作者： ![Kidane\_Viveiros](https://cdn.ldstatic.com/user_avatar/linux.do/kidane_viveiros/32/1207756_2.png) [@Kidane\_Viveiros](https://linux.do/u/Kidane_Viveiros)\
发布日期： [2026 年1 月 13 日 02:02 UTC](https://linux.do/t/topic/1428362/4 "2026-01-13T02:02:18Z")

</div>

我也刚开始规划，但是这两年AI发展太快了，同时我认为现在做大模型应用开发的人不多，市场也待开发，值得我去深耕，如果学传统开发我整天还要担心会不会有那么一次大的LLM迭代把我这个刚入门还没有足够项目积累的小兵给替代了

---

<div class="post-metadata">

作者： ![liushiyangstd](https://cdn.ldstatic.com/user_avatar/linux.do/liushiyangstd/32/442386_2.png) [@liushiyangstd](https://linux.do/u/liushiyangstd)\
发布日期： [2026 年1 月 13 日 02:16 UTC](https://linux.do/t/topic/1428362/5 "2026-01-13T02:16:13Z")

</div>

佬，我也感觉大模型应用开发前景好一些。但是我现在看大模型应用开发大厂招的人不多，相较于后端，感觉想进大厂难度较大。我现在就担心应用开发最后去了一个中小厂，工资比不过大厂后端。如果大模型应用开发后面没落了，也不好跳槽了，等于就困住了。不知道佬考虑过这个问题没？

---

<div class="post-metadata">

作者： ![Kidane\_Viveiros](https://cdn.ldstatic.com/user_avatar/linux.do/kidane_viveiros/32/1207756_2.png) [@Kidane\_Viveiros](https://linux.do/u/Kidane_Viveiros)\
发布日期： [2026 年1 月 13 日 02:51 UTC](https://linux.do/t/topic/1428362/6 "2026-01-13T02:51:35Z")

</div>

> [@liushiyangstd](#):
>
> 用开发最后去了一个中小厂，工资比不过大厂后端。如果大模型应用开发后面没落了，也不好跳槽了，等于就困住了。不知道佬考虑过这个问题没？

个人拙见，这就像炒股一样，要信早信，商业航天之前人人都说在高点了没有业绩要暴跌了我还是追高了，到现在30个点了，不信的话就不要碰，瞻前顾后只能变得中庸，也许追逐热点有风险但是我觉得只要做好风险管控一样可以有好的发展，学后端也需要遵循趋势掌握AI，现在LLM正热，直接all in入行，至少5年内可以有一个不错的发展，毕竟2025年时Agent元年，目前AI发展主要看美国和中国，中国这轮牛市就是围绕着AI，先是CPO这种AI硬件再到AI软件，AI应用，如果说应用端没有一个好的发展或者现象级产品出现，那么也就会出现AI全产业链的泡沫意味着牛市的衰退，也就意味着美国一家独大，这种现象我觉得还是很难发生，就算存在瓶颈但是也很难衰退，毕竟我认为这就是国运，得硬上！

以前我也想的很多，试图把自己整个人生都想明白，规划得就跟名人传记一样，虽然也带给我了一个不错的发展但是也给我带来很多没有意义的焦虑，尝试享受人生的不确定性，立足当下会让自己变得平静沉稳

---

<div class="post-metadata">

作者： ![Flipped2](https://cdn.ldstatic.com/user_avatar/linux.do/flipped2/32/1874197_2.png) [@Flipped2](https://linux.do/u/Flipped2)\
发布日期： [2026 年1 月 13 日 09:27 UTC](https://linux.do/t/topic/1428362/7 "2026-01-13T09:27:26Z")

</div>

说的很好 🥰

---

<div class="post-metadata">

作者： ![liushiyangstd](https://cdn.ldstatic.com/user_avatar/linux.do/liushiyangstd/32/442386_2.png) [@liushiyangstd](https://linux.do/u/liushiyangstd)\
发布日期： [2026 年1 月 13 日 11:39 UTC](https://linux.do/t/topic/1428362/8 "2026-01-13T11:39:17Z")

</div>

感谢佬友的回答，我也是大概明白自己的想法了

---

<div class="post-metadata">

作者： ![lufee](https://cdn.ldstatic.com/letter_avatar/lufee/32/6_22734026db12803ebb3e059622ac3534.png) [@lufee](https://linux.do/u/lufee)\
发布日期： [2026 年1 月 17 日 14:06 UTC](https://linux.do/t/topic/1428362/9 "2026-01-17T14:06:50Z")

</div>

大佬好，我是一个大三学生，这个寒假决定跟着您的这个规划开始入门agent开发。大学三年并没有积累到多少我认为就业有用的能力，目前打算考研，方向大概是物理AI具身智能这些。我想请问您认为等我研究生毕业，这个就业市场会不会饱和了?

---

<div class="post-metadata">

作者： ![user2895](https://cdn.ldstatic.com/user_avatar/linux.do/user2895/32/1312052_2.png) [@user2895](https://linux.do/u/user2895)\
发布日期： [2026 年1 月 17 日 15:00 UTC](https://linux.do/t/topic/1428362/10 "2026-01-17T15:00:06Z")

</div>

肯定不会，多智能体还得继续优化，具身智能的未来更大；而且考研深造出来，就业也比本科强点

---

<div class="post-metadata">

作者： ![lufee](https://cdn.ldstatic.com/letter_avatar/lufee/32/6_22734026db12803ebb3e059622ac3534.png) [@lufee](https://linux.do/u/lufee)\
发布日期： [2026 年1 月 18 日 03:29 UTC](https://linux.do/t/topic/1428362/11 "2026-01-18T03:29:50Z")

</div>

嗯嗯好的

---

<div class="post-metadata">

作者： ![aihistory](https://cdn.ldstatic.com/user_avatar/linux.do/aihistory/32/2337312_2.png) [@aihistory](https://linux.do/u/aihistory)\
发布日期： [2026 年3 月 14 日 01:29 UTC](https://linux.do/t/topic/1428362/12 "2026-03-14T01:29:24Z")

</div>

感谢推荐，码住学习 🥰