ARTICLE DETAIL

建站实战干货

来自一线的建站与推广经验沉淀，每一条都经过真实交付验证。

首页 / 资讯中心 / 正文

Agent 学习路线：LangGraph、RAG、MCP 到底先学哪个？

2026/8/13 22:48:48 拓冰建站 浏览量
Agent 学习路线：LangGraph、RAG、MCP 到底先学哪个？

后台有位读者留言：“怎么开始学 Agent？”

一串困惑也跟着来了：LangGraph、RAG、MCP 都在教程里高频出现，到底先学哪个？是不是还要先补 Python、Node.js 和向量数据库？

真正让人卡住的，不是资料太少，而是把一张知识地图，当成一张施工顺序表。LangGraph、RAG、MCP 解决的根本不是同一类问题，也不存在适合所有人的固定次序。

所以我把答案整理成了这张路线图。它的主干只有两步：先调通模型 API、拿到结构化输出，再跑通一次完整的 Tool Calling 闭环；评测和安全从这时就同步建设。之后遇到流程、知识或工具接入问题，再进入对应分支。

01

THREE PROBLEMS

一、三个名字，解决的是三类问题

LangGraph 解决的是执行过程怎么控制：状态存在哪里，任务怎么暂停和恢复，哪些步骤由代码决定，哪些步骤交给模型，失败后从哪里重试。

RAG 解决的是模型回答时去哪里找知识：企业文档、产品规则和最新资料不在模型参数里，就在回答前检索相关内容，再放进当前上下文。

MCP 解决的是外部能力怎么标准化接进来：Agent 如何发现并使用工具、资源和提示模板，客户端与服务端怎样交换这些能力。

一个管流程，一个补知识，一个管连接。它们不是三个年级，也不存在所有项目都适用的固定顺序。

02

FOUNDATION

二、真正的第一关，是跑通工具闭环

先选一门自己熟悉的工程语言，Python、Java、Go、TypeScript 都可以。没必要为了学 Agent，先把 Python 和 Node.js 一起重学一遍。

然后直接做一个最小售后 Agent，只给它两个工具：query_order 查询订单，create_ticket 创建工单。

你要亲手跑通这条链路：用户提出需求，模型生成结构化工具请求，程序校验参数并执行工具，再把结果交还给模型，模型继续判断，直到给出最终答复或触发停止条件。

做到下面四件事，才算过关：订单号缺失时会追问；工具超时时知道怎么反馈；设置最大轮数避免无限循环；写操作不会因为重试而重复执行。

如果这一层被框架完全包住，后面遇到“工具为什么没调”“参数为什么少了”“为什么执行两次”，很难知道问题究竟出在模型、工具参数格式（Schema）、循环还是业务代码。

03

LANGGRAPH

三、流程开始失控，再学 LangGraph

接着给售后 Agent 增加退款功能：金额超过 500 元必须等主管审批；服务重启后要接着跑；支付接口超时，只重试退款节点，不能重新创建一笔退款。

这时问题已经不是“模型选哪个工具”，而是多步骤状态、条件分支、人工介入和失败恢复。手写的短循环开始难以维护，需要精细控制执行过程时，再学习 LangGraph 才有明确目标。

所以学习 LangGraph 的过关标准，不是会画节点（Node）和连线（Edge），而是能解释：哪些状态必须保存，暂停后从哪里恢复，退款这类真实写操作放在哪个节点，什么异常可以重试。

如果任务只有一次问答或两三个短工具调用，先不用为了显得专业画一张图。

04

RAG

四、回答缺知识，再学 RAG

现在用户开始询问公司的退款时限、会员规则和不同商品的售后政策。模型不知道这些内部资料，或者知道的版本已经过期，这才轮到 RAG。

学习重点也不只是“装一个向量数据库”。你要知道文档怎么切分，查询怎样找到相关片段，资料不足时如何拒绝乱答，以及怎么用测试问题判断检索结果到底有没有帮助。

如果第一个项目就是企业文档问答，RAG 完全可以早于 LangGraph；如果知识都来自实时业务 API，甚至可能暂时不需要 RAG。顺序由缺口决定，不由热门程度决定。

05

MCP

五、外部能力需要标准化复用，再学 MCP

当订单、工单、日历、数据库都各写一套专用接入，或者同一批能力需要被多个 Agent 和客户端发现、复用时，MCP 开始体现价值。

MCP 提供连接、能力发现和授权相关机制，但不会替项目设计业务权限、超时、重试和防重复执行。

学习它之前，最好已经理解普通 Tool Calling 的工具参数格式、返回值和错误处理。否则只是把一个没设计好的函数，套进了一个标准协议。

最小练习不是一次接二十个 MCP Server，而是把前面的订单查询工具暴露成一个 MCP Tool，亲手跑通发现、调用、鉴权和失败处理，再判断项目是否真的需要扩展。

06

PRODUCTION

六、别把“能跑”当成学会

学习主线应该是：先会调用模型和结构化输出，再跑通 Tool Calling；之后根据问题选择 LangGraph、RAG 或 MCP，最终把系统推到可部署、可监控的状态。

评测和安全不是最后才补的毕业设计。每增加一个工具，就要增加成功标准、错误样本和权限边界。Agent 最后说“退款成功”，不代表支付系统里真的产生了退款；日志里看到一次工具调用，也不代表它没有重复执行真实操作。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】