全局视角
这一组内容更关注的是：
当你已经理解单点能力和 Agent 工程问题之后，怎么把它们放进一个完整 AI 系统里，形成自己的架构视角、实战路径和选型判断。
这里的重点不再只是某个概念本身，而是：
- 一个 AI 应用整体是怎么搭起来的
- 从 0 到 1 应该按什么路线推进
- 一个 Agent 想上线前该看什么
- 一个最小 Demo 应该怎么做
- Tool-Using Agent 和 Research Agent 这种典型案例怎么拆开理解
- 这些典型 Agent 的代码骨架到底该怎么写
- 如果要真正落成一个最小项目，目录结构应该怎么组织
- 如果想系统练代码，应该按什么路线升级
- 如果准备真正练项目，第一批值得做的题目有哪些
- 如果想把整个专题当索引用，应该从哪份总目录进去
- 技术栈到底该怎么选
小地图
1. 架构与起步
2. 案例与代码升级
3. 练手路线与选型
这 3 张图可以这样理解：
- 先建立整体系统认知
- 再明确学习和落地顺序
- 再进入案例和代码升级
- 最后回到练手路线和技术选型
适合谁看
适合：
- 已经做过 一些原型，开始追求系统化理解的人
- 想知道一个 AI 应用为什么不仅仅是“接个模型 API”的人
- 准备把学习内容落到 Demo、架构和选型判断上的人
建议怎么读
推荐顺序：
- AI 应用整体架构图
- 从 0 到 1 构建 AI 应用实战路线
- Agent Production Checklist
- 从 0 到 1 做一个最小 Agent Demo
- 最小 Agent 代码实现示例
- AI Agent 最小可运行项目结构
- 一个完整的 Tool-Using Agent 案例
- Tool-Using Agent 代码实现示例
- 一个完整的 Research Agent 案例
- Research Agent 代码实现示例
- 一个完整的 RAG Agent 案例
- RAG Agent 代码实现示例
- AI Agent 实战代码路线
- AI Agent 实战项目清单
- Tool Calling、MCP 与 A2A 的关系图
- AI Agent 技术栈与框架对比
- AI Agent 学习术语表
这一组读完之后，你应该收获什么
读完这一组后，最好能回答这些问题：
- 一个完整 AI 应用有哪些层
- 学习和落地应该按什么顺序推进
- 上线前哪些能力是真正不能省的
- 第一个 Agent Demo 应该做到什么程度
- 第一个 Agent 代码骨架应该怎么拆
- 单文件示例如何平滑升级成最小可运行项目
- Tool-Using Agent 和 Research Agent 各自在训练哪种 Agent 能力
- 这两类 Agent 的代码结构和停止条件分别怎么设计
- RAG Agent 怎么把检索、重排、阅读、状态和 grounded answer 串起来
- 如果真的开始练项目，应该按什么难度阶梯来选题
- 技术栈选型到底该看什么，而不是只看哪个框架最火
- 一个完整的 RAG Agent 是怎么把检索、工具、状态和评估串起来的
- 常见 Agent 术语到底该怎么分清边界
如果这些问题都更清楚了，你就不只是“会做某一块”，而是开始具备整体判断力。