一位开发者在 V2EX 分享了一个开源的中文 AI Agent 学习与面试手册仓库。作者在学习过程中发现，许多资料对工具调用超时、重复提交等执行细节讲解不清，出问题时不知道从何排查，因此将学习资料、面试题和实验整理成系统化教程。仓库包含 22 章课程：10 章基础课程覆盖模型与上下文、工具循环、RAG、记忆、评测和可靠性；12 章进阶课程讨论长任务执行、崩溃恢复、工具路由、多 Agent 协作、性能、安全与训练。另有 92 道详解题，每题包含口述短答、详细答案、三个带回答的追问、工程场景案例和练习，题目与学习章节可互相跳转。项目还提供可运行的 Python 实验，用于观察重试、审批、幂等、预算和恢复机制，仅使用标准库和 SQLite，无需配置模型密钥。例如恢复实验会模拟远端写入成功但本地未记录完成就中断的场景，验证恢复后是否重复创建对象。阅读设计上采用具体场景开篇、难点配类比、详细答案折叠等方式。配套还有中英术语对照的 AI 编程字典和 Agent 技术博客，供读者系统学习或针对已有经验查漏补缺。
事件分析
该项目的价值在于跳出了常见提示词技巧类教程的框架，聚焦 Agent 工程化中的可靠性问题：幂等性、崩溃恢复、预算控制、工具路由等，这些恰是大模型应用从演示走向生产环境的核心难点。实验仅依赖标准库即可运行，使读者能在不调用真实模型的情况下理解执行机制，再结合真实模型另行评测工具选择与规划效果，学习路径设计较为务实。从行业视角看，这类资料的出现反映了 AI Agent 相关岗位对工程能力要求的提升，企业关注点已从能否调通 API 转向系统能否在故障下保持一致性。中文系统性资料的补充也降低了国内开发者的学习门槛。后续走向上，随着 Agent 落地案例增多，评测、安全与多 Agent 协作等进阶主题可能成为社区讨论热点，此类开源手册有望演化为持续更新的工程知识库。
核心观点：AI Agent 竞争正从调通模型转向工程可靠性，幂等与崩溃恢复等生产级能力成为开发者新的分水岭。
原文链接：V2EX 分享发现
