从LLM到多智能体系统：一份免费的AI技术学习地图与工程化指南

如果你最近在关注 LLM、AI Agent、MCP、多智能体系统 ，那你大概率有过这种感觉：

• 信息太多，但没有一条清晰主线
• 视频、论文、课程一大堆，却不知道先学哪个
• Demo 看懂了，但不知道怎么做成系统

这份文档旨在解决这些问题，它做了一件非常「工程化」的事：

把从 LLM → Agent → MCP → Multi-Agent 的完整学习路径，一次性整理出来了。

所有资源均为 官方资料与一线实践 ，且免费。

下面将按「学什么 / 为什么学 / 适合谁」的系统结构进行拆解。

📹 Videos｜从 LLM 到 Agent 的第一性理解

1. LLM Introduction

https://www.youtube.com/watch?v=zjkBMFhNj_g

👉 适合人群：刚入门 LLM
👉 你能学到什么：
* 什么是大语言模型
* Transformer 的基本思想
* LLM 能做什么、不能做什么

这是理解一切 Agent 系统的起点。

2. LLMs from Scratch

https://www.youtube.com/watch?v=9vM4p9NN0Ts

👉 核心价值：
* 不依赖框架，从零理解 LLM 的训练与推理
* 帮你区分「模型能力」和「工程能力」

看完你会知道：

为什么很多 Agent 问题，其实不是模型问题。

3. Agentic AI Overview（Stanford）

https://www.youtube.com/watch?v=kJLiOGle3Lw

👉 这是 Agent 世界的“总览地图”
* 什么是 Agentic AI
* Agent 与传统 LLM 应用的本质区别
* 多 Agent 系统为什么会出现

强烈推荐作为 Agent 学习的第一站。

4. Building and Evaluating Agents

https://www.youtube.com/watch?v=d5EltXhbcfA

👉 解决一个被严重忽视的问题：
* Agent 怎么评估？
* 任务成功率、稳定性、成本如何量化？

如果你想把 Agent 真正落地到生产环境 ，这是必看。

5. Building Effective Agents

https://www.youtube.com/watch?v=D7_ipDqhtwk

👉 核心内容：
* Agent 设计原则
* 为什么简单 Agent 更可靠
* 常见失败模式（Loop、幻觉、失控）

这类内容，比「炫酷 Demo」重要 10 倍。

6. Building Agents with MCP

https://www.youtube.com/watch?v=kQmXtrmQ5Zg

👉 MCP（Model Context Protocol）核心入门
* 为什么需要 MCP
* MCP 如何统一 Tool / Context / Memory
* Agent 工程的“接口层”思维

这是当前 Agent 工程化的关键趋势。

7. Building an Agent from Scratch

https://www.youtube.com/watch?v=xzXdLRUyjUg

👉 实战向
* 从零实现一个 Agent
* 涉及 Prompt、Tool、Memory、Loop 控制

非常适合「学完理论想自己写一个」的人。

8. Philo Agents（播放列表）

https://www.youtube.com/playlist?list=PLacQJwuclt_sV-tfZmpT1Ov6jldHl30NR

👉 系统级 Agent 思考
* Agent 的哲学问题
* 自主性、目标、反馈机制

适合已经写过 Agent，想进一步抽象设计层的人。

🗂️ GitHub Repos｜真正能“抄作业”的工程资源

1. GenAI Agents

https://github.com/nirdiamant/GenAI_Agents

👉 Agent 设计模式大全
* ReAct、Planner、Tool-Use
* 多 Agent 协作范式

非常适合对照自己项目参考。

2. Microsoft AI Agents for Beginners

https://github.com/microsoft/ai-agents-for-beginners

👉 工程师友好型教程
* 从 0 到 1
* 每一步都有代码

适合：不想只看论文的人。

3. Prompt Engineering Guide

https://lnkd.in/gJjGbxQr

👉 Prompt 不只是“写句子”
* Prompt 结构化方法
* Chain-of-Thought、Self-Consistency

很多 Agent 的“智商”，来自这里。

4. Hands-On Large Language Models

https://lnkd.in/dxaVF86w

👉 LLM 工程实战合集
* 推理优化
* 评估方法
* 应用案例

5. Hands-On AI Engineering

https://github.com/Sumanth077/Hands-On-AI-Engineering

👉 AI 系统工程视角
* 不止是模型
* 包括数据、部署、监控

6. LLM Course（mlabonne）

https://github.com/mlabonne/llm-course

👉 社区公认的高质量 LLM 学习路线

🗺️ 官方 Guides｜厂商给出的“标准答案”

Google / Anthropic / OpenAI 官方文档

• Google Agent Whitepaper
  https://lnkd.in/gFvCfbSN
• Google Agent Companion
  https://lnkd.in/gfmCrgAH
• Building Effective Agents（Anthropic）
  https://lnkd.in/gRWKANS4
• Claude Code Best Practices
  https://lnkd.in/gs99zyCf
• OpenAI Practical Guide
  https://lnkd.in/guRfXsFK

👉 为什么一定要看官方？
因为你会知道：

他们真正希望你怎么用模型。

📚 Books｜从“会用”到“会设计系统”

这些书解决的是：
“我该如何把 AI 当成一个工程系统来设计？”

• Understanding Deep Learning
  https://udlbook.github.io/udlbook/
• Building an LLM from Scratch
  https://lnkd.in/g2YGbnWS
• The LLM Engineering Handbook
  https://lnkd.in/gWUT2EXe
• AI Agents: The Definitive Guide
  https://lnkd.in/dJ9wFNMD
• AI Agents with MCP
  https://lnkd.in/dR22bEiZ
• AI Engineering（O’Reilly）
  https://www.oreilly.com/library/view/ai-engineering/9781098166298/

📜 Papers｜Agent 框架的理论源头

理解当前主流 Agent 框架（如 ReAct、Planner、Multi-Agent）的理论基础：

• ReAct
  https://lnkd.in/gRBH3ZRq
• Generative Agents
  https://lnkd.in/gsDCUsWm
• Toolformer
  https://lnkd.in/gyzrege6
• Chain-of-Thought
  https://lnkd.in/gaK5CXzD
• Tree of Thoughts
  https://lnkd.in/gRJdv_iU
• Reflexion
  https://lnkd.in/gGFMgjUj
• RAG Survey
  https://lnkd.in/gGUqkkyR

通过阅读这些论文，你会发现许多“新框架”本质上是经典思想的工程化实现。

🧑‍🏫 Courses｜Agent 的工程化与上线

聚焦于将 Agent 系统投入实际生产所需的落地能力：

• HuggingFace Agent Course
  https://lnkd.in/gmTftTXV
• MCP with Anthropic
  https://lnkd.in/geffcwdq
• Building & Evaluating RAG Apps
  https://lnkd.in/g2qC9-mh
• LLMOps
  https://lnkd.in/g7bHU37w
• Agent Design Patterns
  https://lnkd.in/gzKvx5A4
• Multi-Agent Systems
  https://lnkd.in/gUayts9s

📩 Newsletters｜保持技术认知更新

通过优质通讯，持续追踪领域动态：

• Gradient Ascent
  https://lnkd.in/gZbZAeQW
• DecodingML
  https://lnkd.in/gpZPgk7J
• Deep Learning Focus
  https://lnkd.in/gTUNcUVE
• NeoSage
  https://blog.neosage.io/

🎯 总结

本文并非简单的资源罗列，而是一张从 LLM 到 Agent，再到 MCP 与 Multi-Agent 的完整技术学习地图。

如果你符合以下情况，这份指南值得你投入 3 到 6 个月进行系统性学习：
* AI、后端或平台工程师
* 希望从“使用模型”进阶到“设计智能系统”
* 旨在系统掌握 Agent 技术，而非追逐短期热点

关注“鲸栖”小程序，掌握最新AI资讯