AgentGuide - AI Agent 开发求职一站式指南
对标 JavaGuide 的 AI Agent 学习指南：从入门到拿 Offer，系统化、实战化、求职导向。
证据显示仓库主要是文档和静态站点，没有可执行代码或权限请求。因此，最小权限、用户确认、数据流透明性、敏感数据处理、依赖安全、外部影响、回滚和来源归属均未涉及，得分为0。
自一致性：README和CI工作流在测试脚本上一致，但文档中有些占位符（如'XXXAgent'）和未完成的承诺，因此得分为1。依赖可用性：CI使用npm ci和外部子模块，但未提供依赖清单或锁定文件，因此得分为1。失败消息：没有提供错误处理或失败消息的文档，因此得分为0。
受众和场景：README明确列出了目标受众和场景，因此得分为2。能力边界：文档描述了技术栈覆盖范围，但未明确说明不做什么，因此得分为1。触发精度：没有定义触发条件或使用场景，因此得分为0。环境适配：提供了部署工作流，但未说明运行环境要求，因此得分为1。
信息架构：目录结构清晰，有导航，因此得分为2。安装说明：有快速开始指南，但未提供详细的安装步骤，因此得分为1。命名稳定性：项目名称和文档结构稳定，但未提及API或文件命名约定，因此得分为1。示例和FAQ：有FAQ文件和示例项目，因此得分为2。已知限制：未提及任何限制，因此得分为0。许可证：未提供许可证信息，因此得分为0。版本控制和变更日志：未提供，因此得分为0。维护责任：README提到社区驱动，但未明确维护者，因此得分为1。
输出可用性：文档提供了学习路径和项目示例，但未提供可直接使用的代码或工具，因此得分为1。边际价值：作为学习指南，提供了系统化路径和资源整合，因此得分为2。成本效益：免费开源，但未提供成本分析，因此得分为1。
声明可追溯性：部分声明有链接，但未提供证据，因此得分为1。跨来源佐证：引用了外部资源，但未验证，因此得分为1。事实与推断分离：文档中混合了事实和观点，未明确区分，因此得分为1。
- 仓库主要是文档和静态站点，没有可执行代码，因此无法评估运行时行为。
- 缺少许可证信息，使用前需确认。
- 文档中存在占位符和未完成的承诺，可能影响可靠性。
- 依赖外部子模块，但未提供锁定文件，存在供应链风险。
这个 Agent 能做什么，适合哪些场景？
AgentGuide 是一个开源的、求职导向的 AI Agent 学习与面试准备资料库，由一线大模型算法工程师“阿东”维护。它并非单一可运行的 Agent 产品，而是一个系统化的知识仓库，整合了 AI Agent 开发（Agent Loop、LangGraph、OpenAI Agents SDK、MCP 等）、高级 RAG（GraphRAG、Agentic RAG、多模态 RAG）、上下文工程、模型微调（SFT、LoRA、DPO/GRPO）等核心技术的教程、路线图和实战项目（如 Paper Agent、Travel Agent、Web Agent）。仓库还提供了超过 1500 道面试题、真实大厂面经、简历模板（LaTeX）以及求职策略（1-2-5 框架、个人品牌建设），并规划了“算法岗”与“开发岗”双线学习路径。所有内容永久免费，社区驱动，持续更新。
AgentGuide 是一个静态知识库与学习路径编排系统。它通过 Markdown 文档组织内容，提供分阶段的学习路线（L1 基础认知层、L2 开发实现层、L3 高阶优化层），并链接到具体的教程文件（如 docs/01-theory/01-what-is-agent.md）和实战项目说明（projects/01-paper-agent/README.md）。仓库内含示例代码（examples/quickstart_agent.py、examples/quickstart_rag_agent.py），用户可通过 git clone 获取后运行。它不提供 API 服务或运行时环境，而是指导用户自行学习、搭建和使用 LangGraph、CrewAI、Milvus 等外部工具。此外，它还提供简历编写指南、面试题库（docs/04-interview/）和求职策略文档，帮助用户完成从学习到求职的完整闭环。
- 想转行 AI Agent 方向的开发者，需要一份系统化学习路径和求职路线图（从零基础到 Offer 的 6 步路径）。
- 正在准备大模型算法岗或开发岗面试的求职者，可刷取 1500+ 道面试题、真实面经（美团、字节等）和项目讲解技巧。
- 希望掌握 LangGraph、RAG、上下文工程等具体技术的工程师，可跟随教程文档深入学习。
- 需要可写进简历的实战项目的人，可参考 Paper Agent、Travel Agent、Web Agent 等项目教程和双岗简历写法。
- 算法与开发背景兼顾、希望采用“通吃策略”投递两类岗位的人，可参考双线学习路线和简历项目示例。
- 求职者希望通过个人品牌（个人网站、技术博客、开源项目）提升竞争力，可参考 1-2-5 求职框架和简历项目描述公式。
这个 Agent 有哪些优点和局限？
- 高度求职导向：每个知识点都标注“面试怎么考”、“简历怎么写”，并提供 1500+ 题库和真实面经。
- 内容系统化：覆盖从基础理论（Transformer、Agent Loop）到高级技术（GraphRAG、GRPO）的完整技术栈。
- 提供“算法岗”与“开发岗”双线学习路径和项目写法，满足不同背景求职者。
- 完全开源、永久免费，社区驱动，支持贡献。
- 包含可执行的实战项目（Paper Agent、Travel Agent 等），并给出简历落地方法（项目落地 5 步法）。
- 作者是一线大模型算法工程师，内容具有实战经验支撑。
- 并非可直接运行的 Agent 产品，而是一个学习资料库，需要用户自行搭建环境、学习外部工具。
- 部分实战项目标记为“即将推出”，代码尚未完全开源，仅提供思路和规划。
- 依赖外部服务（如 OpenAI API、LangChain）和 Python 环境，需自行配置 API 密钥和安装依赖。
- 内容量大，学习路径较长（算法岗 10-15 周、开发岗 8-12 周），需要持续投入时间和精力。
- 缺少版本管理和依赖锁文件，示例代码可能因外部库更新而过时。
- 社区规模未知，贡献指南和 Issue 反馈渠道存在，但活跃度未明确。
如何使用这个 Agent？
- 克隆仓库：\n``
bash\ngit clone https://github.com/adongwanai/AgentGuide.git\n`\n2. 根据自身背景选择阅读路径：算法背景从docs/01-theory/01-what-is-agent.md开始，开发背景从docs/02-tech-stack/04-langchain-guide.md开始。\n3. 运行示例代码：\n`bash\ncd AgentGuide/examples\npython quickstart_agent.py\n``\n4. 按照仓库中的“6步学习路径”逐步执行，完成学习、项目、面试准备。\n5. 安装外部依赖（如 LangChain、LangGraph）需自行通过 pip 安装，仓库未提供依赖清单。\n
这个 Agent 与同类方案有什么区别？
仓库在 README 中明确将自己定位为“对标 JavaGuide 的 AI Agent 学习指南”，并与常见的“资源堆砌”型仓库进行对比，强调自身的“系统化 + 求职导向 + 实战验证”独特价值。因此，替代品可视为同类学习资源仓库（如 Awesome-LLM 类的列表），但 AgentGuide 更专注于 Agent 方向的求职路径。