Agent Infra 六个月工程化学习路线

想深入 Agent Infra，别只盯着 Prompt 和框架。 我落地过 2 个生产级 Agent。在这些项目中，我发现最难的不是模型本身，而是重试、状态管理、沙箱隔离和监控这些工程问题。Agent 能不能在生产环境中稳定运行，很大程度上取决于底层 Infra。 我把Agent Infra的学习之路拆成了 6 步，从 Runtime 一直到生产平台。下面是完整的学习路径。 开始前先说清楚 4 件事。 •这是一份公开的学习计划，大约按 6 个月的节奏走。重点是吃透，不比速度。 •Agent Infra 不是 AI Infra。这里不讲 CUDA，也不讲训练和推理。 •已经熟悉 Runtime 的人，可以跳过第 1 步。 •第 2 步最容易被低估。 6 步依次是 Runtime、可靠性、编排、沙箱、可观测与评估、生产平台。 1. 先自己写一个 Agent Runtime 目标：不依赖现成框架，搞懂 Agent 是如何完成一个用户任务的。 学什么：从零写一个 Agent Loop，也就是"思考、调用工具、拿到结果、再思考"这一圈。然后学 Tool Calling、Context Engineering、Streaming、State 和 MCP。可以跟着三元同学的 Super Agent 实战课走一遍，也可以跟着Datawhale的hello-agents做一遍（hello-agents链接：https://t.co/JI5NhvLCoB）。我这里只分享整体思路，不贴课程里的代码。 有个捷径是读 Pi 的源码。重点看 Loop、消息结构、消息发出的时机、session、缓存、compact、hook 和 MCP。底层的 LLM 封装可以跳过。 怎么练：搭一个最小的 Loop，跑通一个需要多个工具的任务。再对照 Pi 画一张图，标出消息什么时候发出、session 怎么存、什么时候触发 compact。 验收：你能讲清一次工具调用从头到尾发生了什么。只会调 SDK 可不算过关。 2. 可靠性靠设计，不用先学分布式 目标：进程挂了、网络断了，没跑完的任务还能接着跑。 我的结论是，入门不必先学分布式。可靠性是设计出来的。 学什么：HTTP、SSE 和 WebSocket，进程、线程和协程，还有队列、状态机、超时、重试和幂等。资料先看 System Design 101。MIT 6.1800 和 6.5840 挑需要的部分补。DDIA 先别硬啃。 怎么练：写一个能恢复的小型任务执行系统。杀掉进程再重新启动，做了一半的任务要能接着跑。 我特别看重两点。第一，重新启动一个Agent进程，任务也能接着跑。第二，失败要如实上报，不能当成成功吞掉。 验收：重启以后任务不丢失，重试不会造成重复的业务副作用，任务状态能对得上。 3. 从一个 Loop 升级到编排多个 Agent 目标：从管一个 Loop，升级到管多个子任务和多个 Agent。 学什么：Subagent 的任务分发、结果收集和上下文隔离，异步任务与并发控制，目标拆解与结果对齐，以及更高层的多 Agent 编排工具。 怎么练：把一个任务拆成 3 个子任务，跑通后汇总结果。再故意让其中一个子任务失败，看编排层能不能把整个任务收住。 验收：你能说清哪些工作该交给子 Agent，哪些该留在主 Loop。 4. 危险操作一律放进沙箱 目标：工具可以读写文件、执行命令。出了事，坏掉的是沙箱，不是宿主机。 学什么：入门阶段会用 k8s 调度就够了。入门可以先从 Container + Volume 搭建隔离环境，再逐步了解文件系统隔离、资源限制、网络策略和权限控制。 怎么练：给 Agent 配一个独立的沙箱，故意把里面的目录写坏。确认宿主机没有受影响，任务状态也还能恢复。 验收：危险操作默认在沙箱里执行。权限写在 Tool Definition 里，不靠 Prompt 求模型"小心一点"。 5. 先看得见 Agent 在做什么，再让它变好 目标：看得见 Agent 在做什么，并且能持续改进。 学什么：直接看 Langfuse。可观测（Observability）的核心，把轨迹、工具调用、耗时和失败原因都存下来。评估（Evaluation）是一条"先优化、再验证"的流水线，不是偶尔手动测两个用例。 怎么练：接入 tracing。固定 10 到 20 个用例做回归测试。每次改了 Prompt、工具或编排，都用同一套评估看结果变好还是变差。 验收：出了问题，能定位到是哪一步、哪个工具。每次改动都有改动前后的对比。 6. 把前 5 步拼成能上线的平台 目标：把前面几块拼成一个能上线的平台，而不是一堆 Demo 脚本。 学什么：读 FenixAgent的源码。编排、调度和 Agent 协议对接，都是生产里绕不开的脏活。 怎么练：对照 FenixAgent列一份缺口清单，包括调度、协议、多租户和配额，然后按优先级补。别一上来就把整套系统重写。 验收：别人照着文档，就能把你的服务启动起来并跑通。不能只在你自己的电脑上能跑。