本文介绍了微软开源的AI Agent入门课程旨在帮助读者从基础到高级掌握构建AI Agent系统的能力。课程涵盖Agent基础、工具调用、RAG、多智能体、生产部署、本地Agent和安全审计等18个主题采用Microsoft Agent Framework与Microsoft Foundry Agent Service并提供Python示例和视频教程。通过学习读者将建立完整的工程视角理解Agent与普通LLM应用的区别掌握常见的设计模式以及评估Agent的质量和成本。课程强调Agent不仅仅是模型变聪明而是增加了行动、状态、规划、协作和反馈等能力因此学习Agent不能只停留在Prompt层面。课程分为五个阶段包括基础认知、核心能力、工程化、应用与部署以及安全与可信帮助读者逐步构建完整的Agent系统。很多人第一次接触 AI Agent 时会从一个问题开始我已经会调用大语言模型了下一步怎样让它真正完成任务答案通常不是再换一个模型而是学习如何给模型接入工具、组织上下文、保存记忆、拆分角色并把整个系统部署、观测和保护起来。来自微软在 GitHub 上开源的新手学习 AI Agent 学习课程Microsoft AI Agents for Beginners正是围绕这个问题设计的一套开源课程。项目的定位很明确用 18 个主题课程带读者从 Agent 基础一路走到工具调用、RAG、多智能体、生产部署、本地 Agent 和安全审计。截至本文撰写时仓库采用 MIT License提供 Python 示例、课程 README、视频和额外学习资料并支持包括简体中文在内的大量语言翻译。课程主线使用 Microsoft Agent Framework 与 Microsoft Foundry Agent Service同时部分示例支持其他 OpenAI-compatible 模型服务。你将学到什么读完并动手完成这套课程后你不只是“知道 Agent 是什么”而是可以建立一套比较完整的工程视角理解 Agent 与普通 LLM 应用的区别认识常见的 Agent 设计模式让 Agent 调用外部工具并处理工具结果使用 Agentic RAG 访问外部知识设计规划、反思、多智能体协作和记忆机制理解 MCP、A2A、NLWeb 等 Agent 协议评估 Agent 的质量、成本、延迟和可观测性使用 Microsoft Agent Framework 构建更完整的应用了解浏览器操作、本地模型、云端部署和安全审计。换句话说这套课程覆盖的不只是“如何写一个聊天机器人”而是一个 Agent 系统从概念、实现到运行的完整生命周期。先理解Agent 到底多了什么普通的 LLM 应用通常是用户问题 → 模型 → 文本答案Agent 则更像一个可以循环工作的任务系统用户目标 ↓理解任务与当前状态 ↓制定下一步行动 ↓调用工具或访问外部信息 ↓读取结果并继续判断 ↓输出结果或进入下一轮行动Agent 并不是“模型变聪明了”这么简单。它通常增加了几类能力行动能力通过工具调用 API、搜索资料、读写文件或执行操作状态能力记住当前任务、历史交互和中间结果规划能力把复杂目标拆成多个步骤协作能力让多个不同角色的 Agent 共同完成任务反馈能力根据工具结果或评估结果调整下一步行动。这也是为什么学习 Agent 不能只停留在 Prompt 层面。Prompt 是入口但不是完整系统。一张图看懂课程路线这 18 节课程大致可以分成五个阶段阶段课程范围主要问题基础认知01—03Agent 是什么框架和设计模式如何工作核心能力04—09如何调用工具、检索知识、规划、协作和反思工程化10—14如何评估、通信、管理上下文和记忆应用与部署15—17如何操作浏览器、部署云端 Agent、运行本地 Agent安全与可信18如何验证 Agent 做过什么并发现记录是否被篡改下面逐节介绍。第一阶段从概念到设计模式00Course Setup先把环境准备好这不是正式的 Agent 理论课但很重要。课程示例主要使用 Python代码集中在每个课程目录的code_samples中。官方 README 建议先 Fork 仓库再配置 Microsoft Foundry 和相关服务。部分示例也支持 OpenAI-compatible provider因此不一定所有实验都只能使用同一个模型供应商但具体能力取决于各课的配置说明。这一节主要解决三个问题如何获取代码并安装依赖如何配置环境变量和模型服务如何运行课程中的 Python 示例。建议不要跳过环境配置。Agent 教程最常见的挫败感不是概念太难而是 API Key、模型名、依赖版本和权限没有配置正确。01Introduction to AI Agents and Agent Use Cases第一课回答最基本的问题Agent 和普通的生成式 AI 应用有什么区别课程会从 Agent 的定义、典型应用场景和基本组成讲起。重点不是给出一个唯一标准而是帮助你建立判断一个系统什么时候只是“调用模型”什么时候已经具备了感知、决策和行动的闭环。适合在这一节形成三个认识Agent 的核心不在于“像人一样聊天”而在于完成目标模型是推理核心但工具、状态和执行循环同样重要Agent 的能力和风险来自模型与外部系统的组合。02Explore AI Agent Frameworks当你理解 Agent 的基本组成后第二课进一步介绍 Agent 框架。框架通常会替你处理消息管理、工具注册、调用循环、状态维护和错误处理。使用框架的好处是开发速度更快但代价是你可能看不清系统内部发生了什么。学习这一课时建议不要只记住框架名称而要比较框架如何表示 Agent工具如何注册和调用多轮状态保存在哪里是否支持工作流、记忆和评估发生错误时如何调试。框架是轮子不是原理本身。先理解抽象再选择工具会比直接跟着示例复制更稳。03AI Agentic Design Principles第三课进入设计模式。设计模式可以理解为一组反复出现的解决方案。例如一个 Agent 如何在“思考”和“行动”之间循环如何将任务交给工具如何在执行失败后重试如何把大任务拆成更小的子任务。这一课的重要价值在于它把 Agent 从一个模糊概念变成可以讨论和比较的结构。你会开始关注Agent 的循环什么时候结束模型的每一步决策依据什么上下文工具返回异常时系统如何处理怎样限制 Agent 的行动范围和成本。第二阶段让 Agent 能够行动和解决问题04Tool Use Design Pattern工具调用是 Agent 与普通聊天应用之间最直观的分界线之一。模型本身不能直接查询天气、修改数据库或发送邮件。它只能根据工具描述生成一个结构化调用请求再由外部程序真正执行工具并把结果返回给模型。因此一个完整的工具调用链通常是用户目标 → 模型选择工具 → 生成参数 → 程序执行 → 返回结果 → 模型继续处理这一课需要重点理解参数 schema、工具权限、调用失败和结果验证。工具越强Agent 的行动范围越大系统越需要边界。05Agentic RAGRAG即 Retrieval-Augmented Generation中文通常译为“检索增强生成”。它先从外部知识库检索相关内容再把内容交给模型生成回答。Agentic RAG 的区别在于检索不再是一个固定步骤而可以由 Agent 根据任务动态决定。例如它可以判断是否需要搜索、搜索什么、是否需要再次检索以及多个检索结果如何组合。这一课的学习重点包括为什么模型需要外部知识检索器、知识库和生成模型如何配合什么时候一次检索不够如何减少无关内容和错误引用怎样评估答案的相关性与事实性。RAG 不是“接一个向量数据库”就结束了。真正困难的是检索策略和上下文组织。06Building Trustworthy AI Agents当 Agent 可以调用工具后可信问题会立即出现它是否会误用工具是否会泄露数据是否能解释自己做过什么这一课把注意力从“能不能运行”转向“能不能放心运行”。可信 Agent 通常需要考虑权限和身份输入验证与输出验证人类确认节点敏感数据保护错误处理和可追踪日志。需要特别注意安全不是 Agent 最后才增加的一个模块而应该参与架构设计。07Planning Design面对复杂任务直接让模型一步完成往往会导致目标遗漏、步骤混乱或无法恢复。Planning 模式让 Agent 先制定计划再逐步执行。计划可以是简单的任务列表也可以包含依赖关系、工具选择和验收标准。这节内容需要思考两个平衡计划太简单无法处理复杂任务计划太详细容易过时也会增加 token 成本。实用的计划系统通常允许在执行过程中重新规划而不是把最初计划当成不可改变的脚本。08Multi-agent Design Patterns多智能体系统不是“多开几个聊天窗口”。它要求你明确每个 Agent 的职责、输入、输出和协作方式。常见模式包括一个主 Agent 负责分派任务不同 Agent 分别负责检索、规划、执行或审查多个 Agent 并行处理再由汇总 Agent 整合一个 Agent 生成结果另一个 Agent 进行检查。多智能体的收益是专业化和并行化但代价是通信复杂度、延迟和成本都会上升。不是所有任务都值得拆成多个 Agent。09Metacognition in AI AgentsMetacognition 可以理解为“对自身思考过程的反思”。在 Agent 系统中它通常表现为检查当前答案、评估执行过程、发现错误并调整策略。这一课涉及透明性、推理质量、适应能力和环境感知等问题。工程上不应简单要求模型暴露完整的内部思维过程而更适合设计可验证的中间产物例如计划、工具调用记录、检查结果和最终依据。反思的目标不是让 Agent 写更长的解释而是让系统有机会发现错误。第三阶段从 Demo 走向工程系统10AI Agents in ProductionObservability Evaluation一个 Demo 能跑并不意味着它可以上线。生产环境需要回答Agent 的成功率是多少哪一步最容易失败一次任务消耗了多少 token 和时间用户反馈变差时如何定位原因新版本是否真的优于旧版本这一课介绍 traces、spans、评估指标、成本控制和性能优化。可以把它看成 Agent 的“体检系统”没有观测和评估你只能凭感觉判断系统好不好。11Using Agentic ProtocolsMCP、A2A 和 NLWeb协议解决的是“不同系统如何沟通”。课程介绍三类 Agent 相关协议MCP让模型或 Agent 以统一方式连接工具、资源和提示A2A让不同 Agent 之间协作NLWeb探索使用自然语言访问网页内容和能力的方式。协议的价值在于减少集成成本。一个工具如果只能被某个特定框架调用复用范围有限如果遵循通用协议它就更容易接入不同 Agent。但协议不能自动解决权限、质量和安全问题。标准化连接之后访问控制反而更重要。12Context Engineering for AI AgentsPrompt Engineering 关注“如何写好一段提示词”Context Engineering 关注“如何为当前任务组织完整上下文”。后者的范围更大包括当前任务与目标历史对话工具说明检索内容用户偏好当前状态和中间结果。一个 Agent 即使模型能力很强如果上下文混乱也可能无法完成任务。上下文工程的核心是筛选、排序、压缩和更新信息而不是把所有内容都塞给模型。13Memory for AI Agents记忆是 Agent 从“一次性执行器”变成“长期协作者”的关键能力之一。课程会讨论不同类型的记忆例如工作记忆、短期状态和长期记忆。不同记忆承担不同任务工作记忆帮助完成当前步骤长期记忆帮助系统保留跨会话信息。设计记忆时需要回答什么信息值得保存保存多久谁可以读取如何修改和删除过期信息如何处理记忆越多不一定越好。错误或过时的记忆可能比没有记忆更危险。14Exploring Microsoft Agent Framework这一课回到 Microsoft Agent Framework帮助读者把前面的概念落到一个具体框架中。学习重点包括 Agent 的核心对象、工作流、工具、Middleware 和 Memory 等能力。建议在完成前面的设计模式后再学习这一课这样你看到的不只是 API而是 API 背后的系统设计。可采用这样的学习顺序先运行最小 Agent加入一个工具增加工作流或状态加入记忆和中间件对执行过程进行观测和评估。第四阶段应用、部署和本地运行15Building Computer Use AgentsComputer Use Agent简称 CUA可以通过视觉和操作能力使用浏览器或电脑界面。它适合处理没有稳定 API、页面动态变化或需要模拟用户操作的场景。课程结合 Browser-Use、Playwright、CDP、视觉模型和结构化输出讨论如何从网页中提取信息以及如何选择 Agent-first、actor-first 或混合式自动化方案。浏览器 Agent 的难点不在“点击按钮”而在页面变化、权限、验证码、误操作和结果验证。涉及真实账号、订单或重要数据时必须保留人工确认和最小权限。16Deploying Scalable Agents with Microsoft Foundry从原型到生产模型调用只是其中一部分。部署后的 Agent 还需要考虑版本、并发、缓存、路由、观测、成本和生命周期管理。这一课讨论客户端托管与服务端托管Hosted Agents 和工作流编排Agent 的创建、版本、部署、评估和退役OpenTelemetry 与 Foundry tracing模型路由、缓存、并发和无状态设计。一个重要判断是生产 Agent 的复杂度往往更多来自模型之外的工程系统。17Creating Local AI Agents Using Microsoft Foundry Local and Qwen并非所有 Agent 都适合把数据发送到云端。本地 Agent 关注隐私、成本和离线能力。课程介绍 Small Language Models、Microsoft Foundry Local 和支持 function calling 的 Qwen 模型。通过 OpenAI-compatible API本地模型也可以接入工具调用流程。本地模型通常在能力、速度、硬件占用和部署成本之间做取舍。它适合隐私敏感、离线运行或需要大量迭代的场景但不应默认认为本地模型在所有任务上都能替代云端大模型。第五阶段让 Agent 的行为可验证18Securing AI Agents with Cryptographic Receipts最后一课很有特点它不再只讨论“Agent 如何完成任务”而是讨论如何证明 Agent 做过什么。课程介绍 cryptographic receipt即加密收据。它可以为 Agent 的工具调用生成带签名的记录并在离线环境中验证记录是否被篡改。多个收据还可以串联起来如果有人删除或调整其中一条记录链条就会断裂。需要明确的是加密收据可以证明记录在生成后是否被修改但它不能自动证明 Agent 的决策是正确的也不能替代完整的安全审计。这正好说明一个现实问题可信 Agent 不只是“有日志”还要让日志可验证、可追溯、可解释。如何开始学习第一步先跑通环境建议使用 sparse checkout排除体积较大的翻译目录git clone --filterblob:none --sparse https://github.com/microsoft/ai-agents-for-beginners.gitcd ai-agents-for-beginnersgit sparse-checkout set --no-cone /* !translations !translated_images然后进入00-course-setup按照课程说明配置 Python 环境、环境变量和模型服务。第二步按顺序完成 01—05前五课建立 Agent 的基本心智模型。不要只看 README至少运行一个可以调用工具或检索内容的示例。第三步选择一个方向深入想做工作流重点看 Planning、Tool Use 和 Agent Framework想做知识库问答重点看 Agentic RAG、Context Engineering 和 Memory想做自动化重点看 Browser Use、Protocols 和 Deployment想做企业应用重点看 Trustworthy Agents、Observability、Evaluation 和 Security想做隐私场景重点看 Local AI Agents。第四步做一个小项目不要一开始就做“万能 Agent”。可以选择一个边界清楚的项目例如能检索个人 Markdown 笔记并给出带引用的回答能读取一个网页并提取结构化信息能把用户目标拆成计划再调用两个工具完成任务能由一个执行 Agent 和一个审查 Agent 协作完成报告。项目完成后再加入评估、日志、记忆和权限控制。这套课程适合谁它适合已经会一点 Python并且知道如何通过 API 调用大语言模型的人。对于完全没有编程经验的读者建议先学习基础 Python、HTTP 请求、JSON、环境变量和异步编程。它不太适合只想找一个现成聊天机器人模板的人。因为课程真正关注的是构建能力理解 Agent 如何工作如何组合组件如何处理失败以及如何把系统运行起来。常见问题一定要使用 Microsoft Foundry 吗官方课程示例主要围绕 Microsoft Agent Framework 和 Microsoft Foundry Agent Service 展开因此完整复现时通常需要相应 Azure 账号和配置。部分示例支持其他 OpenAI-compatible provider但替换模型后工具调用、结构化输出和上下文长度仍需自行验证。18 节课需要全部按顺序学习吗建议前 1—5 节按顺序学习因为它们建立基本概念。之后可以根据目标选择路线但生产、部署和安全内容最好在掌握基础 Agent 循环之后再看。这是一套框架教程还是 Agent 原理教程两者都有。它通过 Microsoft 技术栈提供可运行示例同时覆盖设计模式、协议、上下文、记忆、评估和安全。因此学习时不要只把它当作某个 SDK 的 API 文档。学完后能直接做出生产级 Agent 吗不能简单这样承诺。课程覆盖了生产所需的重要概念但真正上线还需要结合数据权限、业务流程、模型选择、监控、成本、合规和安全要求进行工程验证。​最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。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这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​