背景
最近刷到一份 Agent 工程师的岗位 JD，跟以前的前端岗位完全不一样了。我心想：这大概就是现在以及接下来几年的方向了。
JD 里写的东西包括：
- TypeScript 做 Agent 轨迹可视化
- Python / Rust 对接 RL 训练框架
- Docker / Kubernetes 管理 Agent 容器
- MCP、Function Calling、Agent Scaffold
- Claude Code、Cursor 二次开发
看完我意识到一件事：现在 AI Agent 领域真正缺的，不是 “谁会调 Prompt” ，而是谁有能力把 Agent 工程化落地。
说实话，现在很多人已经能做：
- ChatBot
- Workflow
- LangChain 的 Demo
- 各种 AI 自动化脚本
但真正难的是怎么让 Agent：
- 可运行
- 可调试
- 可观测
- 可训练
- 可评测
- 可规模化迭代
这份 JD 本质上就是一张 AI Agent 工程师的技能树。
我决定把它彻底拆开，整理成一份完整的学习路线，帮助自己成长（因为我目前也在这条路上走呢），顺便分享给所有想往这个方向走的朋友。不感兴趣的就算了哈.....
一、这样岗位到底要什么样的人？
很多人一看到 Agent 岗位，第一反应是 “写几个 Agent Demo 就行了吧”。其实完全不是。
这个岗位更像 Agent 基建工程师，做的事包括：
- 把外部 Agent 工具和内部的 RL 训练体系打通
- 维护 Agent 容器服务，保证稳定运行
- 搭建评测和调试平台
- 封装统一的 Agent Runtime
- 降低算法团队的接入成本
- 提升整个 Agent 系统的可靠性和扩展性
一句话总结：让 Agent 从“能跑”，变成 “能持续进化”。
二、为什么前端能力反而越来越重要？
以前很多人觉得 Agent 是模型和算法的事。但现在越来越多的团队发现，如果没有：
- Tool Call 的时间轴
- Agent 的 Trace
- Token 消耗的可视化
- 轨迹回放
- 调试分析平台
Agent 根本没法真正迭代。
所以前端正在从“做业务页面”，变成 Agent 的观测层。这也是为什么很多 Agent Infra 岗位会明确要求 JavaScript / TypeScript、前端可视化能力、调试平台开发能力。
未来的 AI 系统，一定要有可观测性。
三、多语言能力：Python + Rust 为什么成了标配？
JD 里同时提到了 Python 和 Rust，这很有代表性。
Python 主要负责 Agent Runtime、LLM 接入、Tool Calling、Workflow 编排、RL 训练链路。
几乎所有的 Agent 框架——LangChain、AutoGen、OpenAI Agents SDK——核心生态都在 Python。
Rust 则越来越多地出现在 Agent Runtime 里。
原因很简单：性能更强、资源占用更低、更安全，特别适合做 CLI / Terminal Runtime。很多 AI Coding 工具的底层已经开始大量用 Rust 了。我猜 Rust 很可能会成为 Agent Infra 的重要底层语言。
四、Docker / Kubernetes 为什么成了标配？
最近我越来越觉得，Agent 本质上就是一个“会思考的服务”。既然是服务，就一定会涉及部署、隔离、调度、日志、扩缩容、资源管理。
所以 Docker 和 Kubernetes 成了 Agent Infra 的核心能力。很多 Agent 系统都采用“一个 Agent 一个容器”的方式运行，这样环境隔离、依赖不打架、安全性高，还能支持并发执行。Agent 正在越来越像 Kubernetes 里的“智能 Pod”。
五、MCP / Function Calling 为什么重要？
MCP、Tool Use、Function Calling 这些概念最近很火，它们真正重要的原因是：Agent 正在从“聊天”变成“调用工具”。
以前 LLM 就是个文本生成器，现在 LLM 更像一个 Tool Dispatcher —— 调数据库、调浏览器、调终端、调 API、调代码执行环境。
MCP 的意义很像 AI 世界的 USB-C，它让 Tool Discovery、资源管理、Prompt 注入、Function 调用开始标准化。未来谁掌握 Tool Ecosystem，谁就更容易掌握 Agent 生态。
六、AI Coding 正在重构软件工程
JD 里还要求熟悉 Claude Code、Cursor、Copilot，甚至做过二次开发。以前 AI Coding 只是代码补全，现在已经越来越像“AI 协作式开发”。
我自己最近在折腾 Ollama 本地模型、Claude Code 接入、CC-Switch 代理、MCP Tool Calling，踩了不少坑。比如有一次接口明明已经通了，Claude Code 却始终返回 404。查了半天发现根本不是接口的问题，而是返回协议格式不对。最后我不得不写了一层 Python 中转代理，才把整条链路真正跑通。
这件事让我觉得，未来程序员之间真正的差距，可能不再是“谁写代码更快”，而是谁更懂如何让 AI 参与软件工程。
七、我整理的 Agent 工程学习路线
如果让我从头开始学 Agent 工程化，我会按这个顺序来：
第一阶段：AI Coding
深度使用 Claude Code、Cursor、Copilot，理解 Context、Tool Use、Workflow、Prompt Engineering。
第二阶段：Agent Framework
学 LangChain、OpenAI Agents SDK、AutoGen、CrewAI。重点不是 API，而是理解 Agent Runtime 怎么工作的。
第三阶段：MCP / Function Calling
重点搞懂 Tool Calling、JSON Schema、Resource、Prompt Injection、Tool Runtime。因为 Agent 的核心就是 Tool 调度。
第四阶段：Docker / Kubernetes
学 Dockerfile、容器隔离、多阶段构建、K8s Deployment、Service、日志管理。未来的 Agent 一定会越来越 Infra 化。
第五阶段：Agent 可观测性
包括 Trace、Timeline、Token Usage、Replay、调试分析平台。这是很多人最容易忽略的，但其实是最关键的部分。
八、为什么要按这份 JD 来规划学习路线？
说实话，我之前折腾 Agent 也有一阵子了，Ollama、Claude Code、MCP、容器化这些都在碰。但学得比较散，今天看到一个有意思的项目就 clone 下来跑跑，明天刷到一篇教程跟着写写 Demo。学了一堆，真让我去搭一套可观测的 Agent 运行环境、接 RL 训练链路、做轨迹可视化平台，我可能还是得从零开始翻文档。
当我看到这份 JD，突然感觉它把 “市场到底需要什么样的 Agent 工程师” 给说清楚了。
不是要你会调 Prompt，也不是要你背 LangChain 的 API，而是要你：
- 能把外部工具接到内部训练框架里
- 能维护 Agent 容器服务
- 能搭评测平台和调试工具
- 能写 TypeScript 做可视化，也能写 Python/Rust 做 Runtime
- 能用好 AI Coding 工具，甚至做二次开发
每一行都是市场上真实存在的缺口。
所以我决定换一种学习方式：不再自己瞎折腾，而是把这份 JD 当成真正的学习地图。它说需要什么，我就去学什么；它写在加分项里的，我就排优先级去补。
后面我会按这个方向去学，做到哪一步就写到哪一步。比如：
- 先试试怎么把一个 Agent 装进容器里跑起来
- 再做一个小白能看懂的前端轨迹回放 demo
- 至于 RL 训练链路、MCP 二次开发这些，我会边学边记录，踩的坑和最终能不能成，都如实写出来
如果最后真的把这些东西啃下来了，那分享出来当然最好。如果某些方向卡住了，我也会把卡住的原因、尝试的过程写出来——我觉得那本身也有价值。
毕竟我不是什么 Agent 专家，只是一个想对着 JD 把个人的技能补齐。如果你也在做类似的事，欢迎一起交流，互相填坑。
