AI Agent 开发岗位与项目 Demo 路线
更新时间：2026-08-12
适合想从 0 学到可投递项目的前端、后端、全栈、App 开发者阅读。
一、岗位方向
AI Agent 不是单一岗位，而是一组围绕“大模型 + 工具 + 数据 + 工作流”的应用开发方向。
| 岗位名称 | 主要工作 | 技术重点 |
|---|---|---|
| AI Agent 应用开发工程师 | 开发可调用工具、可执行任务的 AI 应用 | LLM API、Function Calling、RAG、工作流、权限控制 |
| AI Agent 全栈工程师 | 完成前端、后端、模型接入、数据存储和部署 | Vue / React、Node / Python / Go、数据库、向量库、模型网关 |
| AI 应用开发工程师 | 开发知识库问答、智能客服、文档助手、内容生成工具 | Prompt、RAG、Dify、LangChain、接口集成 |
| LLM 后端工程师 | 封装模型服务、构建工具调用、实现异步任务和日志链路 | API 网关、队列、缓存、鉴权、观测、评估 |
| RAG 工程师 | 搭建企业知识库、文档解析、检索、重排和引用系统 | Embedding、Hybrid Search、Rerank、向量数据库 |
| AI 工作流工程师 | 编排多步骤自动化流程，接入企业系统 | Dify、LangGraph、n8n、MCP、审批流 |
| AI 产品工程师 | 把业务流程产品化，设计可落地的 AI 功能 | 业务拆解、原型验证、成本评估、效果评估 |
二、核心能力地图
1. 基础能力
- 会调用主流模型 API：OpenAI、Claude、Gemini、Qwen、DeepSeek 等。
- 理解 Prompt、上下文窗口、token、流式输出、JSON 输出。
- 会做基础后端接口：登录、鉴权、数据库、文件上传、异步任务。
- 会做基础前端页面：聊天框、任务进度、历史记录、结果展示。
2. RAG 能力
- 文档上传、解析、清洗和分段。
- Embedding 向量化。
- 向量检索、关键词检索、Hybrid Search。
- Rerank 重排序。
- 回答引用来源，减少幻觉。
3. Agent 能力
- Function Calling / Tools。
- 多工具选择和参数校验。
- 任务规划、执行、观察、重试。
- Human-in-the-loop 人工审批。
- 多 Agent 分工与 Handoff。
- 长任务状态保存和恢复。
4. 工程化能力
- 模型路由：简单任务走便宜模型，复杂任务走强模型。
- 成本控制：token 统计、缓存、限流、降级。
- 安全控制：权限、脱敏、工具白名单、危险操作确认。
- 可观测性：日志、Trace、错误追踪、评估集。
- 部署：Docker、Nginx、CI/CD、数据库备份。
三、从 0 到完结的项目 Demo 阶段
阶段 0：模型 API 入门 Demo
项目类型：AI 聊天助手
目标：
- 能调用一个大模型 API。
- 支持流式输出。
- 支持系统提示词和用户输入。
- 保存聊天历史。
推荐功能：
- 模型选择：普通模型 / 推理模型。
- 温度、最大 token、系统提示词配置。
- Markdown 渲染和代码高亮。
- 对话历史本地保存。
适合岗位：AI 应用开发实习、初级 AI 应用开发。
阶段 1：Prompt 模板 Demo
项目类型：AI 内容生成工作台
目标：
- 把常用 Prompt 做成可复用模板。
- 支持变量填写和结果导出。
推荐功能：
- 小红书文案、产品介绍、周报、SQL 解释、代码审查等模板。
- 模板变量：主题、语气、长度、目标用户。
- 输出格式：Markdown、JSON、表格。
- 结果收藏、复制、导出。
适合岗位：AI 应用开发、AI 产品工程师。
阶段 2：RAG 知识库 Demo
项目类型：个人知识库问答系统
目标：
- 支持上传 Markdown、PDF、Word。
- 能根据知识库内容回答问题。
- 回答带引用来源。
推荐功能：
- 文档上传和解析。
- 文档分段、Embedding、向量入库。
- 向量检索 + 关键词检索。
- Rerank 重排序。
- 回答引用原文片段。
- 无资料时明确回答“不确定”。
技术栈建议：
- 前端：Vue3 / React。
- 后端：Node.js / Python FastAPI / Go。
- 向量库：pgvector、Qdrant、Milvus、Chroma。
- 模型：Qwen、DeepSeek、OpenAI、Claude 任选。
适合岗位：RAG 工程师、AI 应用开发工程师。
阶段 3：工具调用 Demo
项目类型：AI 工具箱助手
目标：
- 让模型能调用外部工具，而不是只生成文本。
推荐工具：
- 天气查询。
- 汇率查询。
- SQL 查询。
- 文件搜索。
- 表格分析。
- GitHub issue 查询。
推荐功能：
- 工具 schema 定义。
- 参数校验。
- 工具调用日志。
- 工具失败重试。
- 高风险工具二次确认。
适合岗位：AI Agent 应用开发工程师、LLM 后端工程师。
阶段 4：单 Agent 任务执行 Demo
项目类型：AI 旅行规划 Agent
目标：
- Agent 能根据用户目标拆解任务、调用工具、生成完整方案。
推荐功能：
- 用户输入出发地、目的地、天数、预算。
- Agent 查询天气、景点、美食、交通。
- 自动生成每日行程。
- 输出预算、路线、注意事项。
- 支持重新规划某一天。
能力重点：
- 任务规划。
- 多工具调用。
- 中间结果缓存。
- 失败回退。
- 结构化输出。
适合岗位：AI Agent 应用开发工程师、AI 全栈工程师。
阶段 5：Agentic RAG Demo
项目类型：企业制度问答 Agent
目标：
- Agent 不只做一次检索，而是能判断问题复杂度、改写查询、多轮检索、验证证据。
推荐功能：
- 用户提出制度、报销、请假、合同类问题。
- Agent 判断是否需要检索。
- 自动生成多个查询词。
- 检索制度文档、FAQ、历史案例。
- 对证据做 Rerank 和冲突检查。
- 输出答案、引用、风险提醒。
能力重点：
- Query Rewrite。
- Multi-Query Retrieval。
- Hybrid Search。
- Rerank。
- 证据一致性检查。
- 幻觉防护。
适合岗位：RAG 工程师、高级 AI 应用开发。
阶段 6：多 Agent 协作 Demo
项目类型：AI 软件需求到代码助手
目标：
- 多个 Agent 分工完成一个复杂任务。
推荐 Agent 分工：
- 产品 Agent：分析需求，生成 PRD。
- 架构 Agent：拆分模块，设计接口。
- 前端 Agent：生成页面和组件。
- 后端 Agent：生成 API 和数据库结构。
- 测试 Agent：生成测试用例。
- Review Agent：检查风险和遗漏。
推荐功能：
- 多 Agent Handoff。
- 每个 Agent 独立系统提示词和工具权限。
- 中间产物可查看。
- 人工审批后进入下一阶段。
- 最终生成项目 README、接口文档和代码片段。
适合岗位：AI Agent 全栈工程师、Agent 工作流工程师。
阶段 7：MCP 集成 Demo
项目类型：AI 开发工作台
目标：
- 通过 MCP 接入外部工具，让 Agent 能访问文件、数据库、GitHub 或内部系统。
推荐功能：
- 接入文件 MCP Server：读取项目文件。
- 接入数据库 MCP Server：查询表结构和业务数据。
- 接入 GitHub MCP Server：查看 issue、PR、commit。
- 接入自定义业务 MCP Server：查询订单、用户、工单。
- 对每个工具设置权限和确认规则。
能力重点：
- MCP Tools。
- MCP Resources。
- MCP Prompts。
- 授权和安全边界。
- 工具复用。
适合岗位：MCP 开发工程师、AI Agent 工程师、平台工程师。
阶段 8：生产级 Agent Demo
项目类型：AI 客服工单处理系统
目标：
- 做一个接近真实业务上线标准的 Agent 应用。
推荐功能：
- 用户咨询进入工单队列。
- Agent 判断意图和优先级。
- 检索知识库和历史工单。
- 自动生成回复草稿。
- 高风险问题转人工。
- 人工确认后发送。
- 记录处理结果、用户反馈和成本。
- 每周自动生成效果报告。
生产级要求：
- 登录鉴权。
- 角色权限。
- 敏感信息脱敏。
- 工具调用审计。
- Trace 链路追踪。
- 评估集和回归测试。
- 限流、缓存、失败降级。
- Docker 部署。
适合岗位：高级 AI 应用开发、AI Agent 平台工程师、LLM 后端工程师。
四、推荐项目组合
如果要做作品集，建议按这个顺序：
- AI 聊天助手：证明会接模型 API。
- Prompt 工作台：证明会把 AI 能力产品化。
- RAG 知识库：证明会接私有数据。
- AI 工具箱助手：证明会做工具调用。
- 旅行规划 Agent：证明会做单 Agent 任务编排。
- 企业制度问答 Agent：证明会做 Agentic RAG。
- AI 客服工单系统：证明具备生产级工程思维。
五、简历写法
初级写法
开发 AI 知识库问答系统，支持文档上传、向量检索、流式问答和引用来源展示，使用 Vue3、Node.js、PostgreSQL、pgvector 和大模型 API 完成从前端到后端的完整闭环。
中级写法
设计并实现企业 AI Agent 应用，支持 RAG 检索、Function Calling 工具调用、任务执行日志、模型路由和成本统计。通过 Hybrid Search + Rerank 提升知识库召回质量，并对高风险工具调用增加人工确认流程。
高级写法
负责生产级 Agent 工作流平台建设，支持多 Agent 协作、MCP 工具接入、Human-in-the-loop 审批、Trace 观测、评估集回归和权限审计，沉淀可复用的 AI 应用开发范式。
六、学习优先级
- 先学模型 API 和 Prompt。
- 再学 RAG 和向量数据库。
- 再学 Function Calling 和工具调用。
- 再学 Agent 工作流。
- 再学 MCP。
- 最后补齐评估、安全、部署和成本控制。
不要一开始就追多 Agent。真正的岗位更看重：能否把一个 AI 功能稳定接入业务、能否解释错误、能否控制成本、能否保证安全。