学了哪些 AI 相关的东西
学习资料分享：Agent Workflow and Tool Calling、Prompt/Skill、MCP Server、RAG
2026 / 04 / 26
分享我从后端开发到 AI 方向的学习经历和工作转变
聊聊最近半年的转变：转向 AI 方向的经历、学了哪些东西、工作内容发生了什么变化，我对于 AI 焦虑的看法。
版权声明：
小红书：@polebug
B站：@polebug
本演示文稿内容为 polebug 原创整理，转载请保留作者署名并注明来源。
Backend → AI
Agent Workflow
Prompt / Skill
MCP
RAG
职业焦虑
Opening
今天分享的三个关于 AI 的话题
工作方向上的转变
企业里面 AI 团队在做哪些事？
AI 焦虑是我们每个人都在经历的事
从另外一个角度看，AI 带来的冲击也在逼我们每个人重新思考，去寻找自己真正的使命。
Part 1 / Agent Workflow
Agent workflow
契机：去年年初，我在一个 web3 的 startup 团队。当时我们在做一个结合 DeFi 的 AI Agent：以聊天的形式识别用户的意图，帮他做 DeFi 理财或转账这些事情，再和外部系统做一些交互。
Intent
意图识别
在对话中判断用户到底想转账、换币，还是做 DeFi 理财。
Workflow
流程编排
把多步骤、有状态、有分支判断的执行流程组织起来。
Tools
Tool Calling
注册、调用并执行工具，比如查询价格、查询 DeFi 池子。
State
持久化
保存多轮执行过程中的状态，让 Agent 可以持续工作和恢复上下文。
Memory
Memory
区分短期上下文和长期记忆，保存跨会话需要复用的信息。
Systems
外部系统
和钱包、链上协议、价格服务等外部系统完成交互。
我最开始学习的，是 Agent workflow 和 Tool Calling 相关的东西。
Part 1 / LangGraph
Agent workflow：LangGraph
| 学习资料 | 备注 |
|---|---|
| LangGraph 官方文档 | 快速建立 Agent Workflow 的整体认知 |
| deeplearning.ai 教程：AI Agents in LangGraph | 实践教程，教你把 workflow、persistence、streaming 这些能力串起来 |
| LangChain 官方 YouTube: “LangGraph: Multi-Agent Workflows” | 学习多 Agent 的组织方式，比如 supervisor、路由、分工和上下文传递 |
建立整体认知
先理解 LangGraph 适合构建 long-running、stateful agents。
组织 Workflow
把多步骤、有状态、有分支判断的 Agent 流程串起来。
掌握核心能力
重点看 persistence、streaming、memory、human-in-the-loop。
理解多 Agent
学习 supervisor、路由、分工和上下文传递这些组织方式。
材料1 / (2) Tool Calling 与底层执行
Tool Calling 与底层执行
| 学习资料 | 备注 |
|---|---|
| OpenAI Cookbook: “How to call functions with chat models” | 函数调用很经典的入门材料，基本接口、参数设计和执行流程都能摸清楚。 |
| 【最佳实践】Anthropic 官方 Tool use 指南 | 更偏工程实践，重点在怎么让模型更稳定地选择工具、组织输入输出。 |
定义 Tool
名称、参数结构、功能描述
注册到 Agent
让模型知道有哪些工具可用
模型发起调用
输出工具名 + 参数 JSON
执行并回传结果
代码执行，结果送回上下文
材料1 / (3) 会话持久化
会话持久化：Persistence
| 学习资料 | 备注 |
|---|---|
| LangGraph 官方文档：Persistence & Time Travel | 能快速看清为什么 Agent 需要状态持久化，以及 thread 级别状态怎么保存。 |
| LangChain YouTube: LangGraph Persistence | 适合作为视频版补充，帮助建立 Persistence 的使用直觉。 |
保存执行状态
让 Agent 在多步骤和多轮对话里持续工作，而不是每次从头开始。
理解 Thread 级状态
看清 thread 级别的状态怎么保存、恢复和回放。
建立使用直觉
通过视频版补充，把 Persistence 的使用方式和真实流程串起来。
材料1 / (3) Memory
Memory 与 Store API
| 学习资料 | 备注 |
|---|---|
| LangGraph 的 Memory 与 Store API 概念指南 | 关于短期记忆、长期记忆和外部存储的分工。 |
| 如何实现跨 Thread 的长期记忆 (Cross-thread Persistence) | “跨会话记忆”的实现指南。 |
区分短期和长期记忆
短期记忆服务当前对话，长期记忆保存跨会话可复用的信息。
跨 Thread 持久化
学习怎么把记忆保存到外部 Store，并在不同会话之间复用。
Part 1 / Engineering
AI 与实际工程的结合
到今年一月，我正式从后端的业务组转到 AI 组之后，开始接触到很多 AI 结合现有工程的实践。它的核心问题不只是让 AI 能跑起来，而是怎么把 AI 稳定地结合到实际业务中，让能力可以复用、可以评测，也可以真正落到日常生产里。
Context
业务场景
先理解团队的真实流程、经验和痛点，找到适合 AI 介入的位置。
Prompt
Prompt / Skill
把团队经验沉淀成可复用的 Prompt 或 Skill，减少临时补上下文。
Tools
MCP Server
把系统能力包装成 AI 可以发现、理解和调用的工具。
Knowledge
RAG
让 AI 能检索内部文档和业务知识，再基于资料回答问题。
Eval
评测闭环
用测试样例和评测结果，持续观察 Prompt / Skill 的失败点。
材料2 / (1) 可复用的 Prompt/Skill 工程
Prompt 工程
| 学习资料 | 备注 |
|---|---|
| Anthropic 官方：Prompting best practices | Prompt 的最佳实践。 |
| OpenAI 官方指南：Prompt Engineering | Prompt Engineering 的核心策略。 |
写清楚任务目标
让模型知道要完成什么，以及判断好坏的标准。
提供必要上下文
把业务背景、输入材料和约束条件放到合适的位置。
拆复杂任务
把复杂流程拆成更明确的步骤，降低模型一次性处理的难度。
约束输出格式
用清晰格式和测试样例，观察失败 case，再继续优化 Prompt。
材料2 / (1) 可复用的 Prompt/Skill 工程
Skill 工程
| 学习资料 | 备注 |
|---|---|
| Anthropic 官方：Agent Skills overview | Skill 和 prompt 的区别、Skill 架构、按需加载机制。 |
| Anthropic 官方：Skill authoring best practices | Skill 的编写规范、命名方式、description 设计。 |
| Anthropic 官方：Get started with Agent Skills in the API | Skill 在 API 中的接入方式。 |
理解 Skill 和 Prompt 的区别
Skill 更像一组可复用能力，包含知识、流程和工具。
设计 Skill 结构
主文件、reference、脚本和模板各自承担不同信息。
设计 Description
通过命名和 description，让系统更稳定地判断什么时候加载 Skill。
材料2 / (1) Skill 工程与评测
Skill 工程与评测
| 学习资料 | 备注 |
|---|---|
| Anthropic 官方：Agent Skills in the SDK | SKILL.md 组织方式和 Skill 发现机制。 |
| OpenAI 官方 Evaluation best practices | Prompt / Skill 的评测方法。 |
组织 SKILL.md
把任务说明、流程、参考资料和工具入口放在合适的位置。
理解发现机制
让 Skill 能被系统按需发现和加载，而不是全部塞进上下文。
建立评测闭环
用 Evaluation 看 Prompt / Skill 在哪些 case 上失败。
材料3 / (2) MCP Server
2. MCP Server
| 学习资料 | 备注 |
|---|---|
| MCP 官方教程 (modelcontextprotocol.io) | 从入门到实作的一组官方教程，涵盖 MCP 相关技术、server 接入、以及从零搭建 server 的 quickstart。 |
| 视频：How to Build Your First MCP Server (YouTube) | 从零搭建 MCP Server 的实战示例。 |
| GitHub：MCP Servers 官方开源实现合集 | 官方维护的 MCP reference servers 仓库，用不同类型的 server 展示 MCP 的实现方式。 |
理解 MCP 的定位
它是一种 AI 时代的协议标准，用来连接模型和外部系统能力。
包装系统能力
把 API 或业务能力包装成 AI 可以发现、理解和调用的工具。
从零搭建 Server
跟着 quickstart 或实战视频，把 MCP Server 的基本结构跑通。
参考开源实现
通过 reference servers 学不同类型 server 的实现方式。
材料4 / (3) RAG
3. RAG
| 学习资料 | 备注 |
|---|---|
| LangChain 官方：Build a RAG agent | 用 LangChain 搭建 RAG agent 和两步式 RAG 流程。 |
| LangSmith 官方：Evaluate a RAG application | RAG 应用的评测方法，包括回答质量和检索效果。 |
知识库检索
内部文档和业务知识模型本身不知道，需要先检索相关资料。
Retrieval 基础流程
学习文档切分、向量检索，以及根据 metadata 做过滤。
RAG agent
可以做传统两步式 RAG，也可以把检索作为 tool 交给 Agent 判断。
效果评测
同时看回答质量和检索效果，而不是只看最终答案。
Part 2 / Work
企业里的 AI 工作，大体有三类方向
AI 基建
模型网关、用量统计、权限控制，让其他团队更低成本、更稳定地使用 AI。
内部 AI 工具
知识库问答、通用 workflow 平台、Skill hub、MCP 管理服务。
团队 AI 提效
了解业务，把团队经验沉淀成 Skill，并帮助它真正进入日常开发。
我目前做的事情，会更偏向第二类和第三类。
Part 2 / Work Mode
工作视角的转变
给其他团队宣讲
经常需要去给其他团队介绍内部 AI 服务，讲清楚这些工具和能力在日常工作里应该怎么使用。
了解不同团队的业务
需要走到其他团队的业务里，理解他们正在做什么、遇到什么问题，而不是只关注自己业务线的上下游。
提供 Skill 工程方案
从 AI 工程的角度，帮助他们把团队经验沉淀成 Skill，再真正落到日常开发和提效流程里。
Part 3 / Anxiety
AI 焦虑是我们每个人都在经历的事
工作里的成就感被剥夺
以前喜欢工作，很多时候是因为能进入心流，在完成之后获得成就感和价值感。现在很多工作 80% 都由 AI 完成，我们很难再像以前那样，从工作中找到快乐。
岗位和交付节奏被重塑
AI 正在快速降低很多工作的劳动成本。过去一周才能完成的需求，现在可能半天就做完；岗位会变少，每个人也会被要求更快交付、并行做更多事。
所以，如果你感到焦虑，或者对工作感到厌倦，我觉得这都很正常。因为我也是这样，我周围的人也都是这种感觉。
Demian
不如借此机会，走上寻找自我之路
“每个人都只有一个使命，那就是寻找自我，无论最终成为诗人还是疯子、先知还是罪犯，都无关紧要。一个人的主要任务就是找到属于自己的命运，并全心全意地沿着命运之路前行。其他一切都是逃避的借口，是泯然众人的退缩、随波逐流，也是心底的恐惧。”
或许，AI 所带来的职业冲击，并不是坏事，它在推着我们每个人去找到自己真正的使命，而不是泯然众人的随波逐流。
我看完这本书之后，内里的焦虑减轻了很多，如果某一天 AI 真的让我失业了，那不如借此机会，好好去探索我真正想要做的事情，或许我的人生会很不一样。
Closing