DeepSeek Harness 团队 招聘：JD反推：新手如何系统掌握AI Agent开发技术？

原招聘信息地址

app.mokahr.com/social-recr…

这份招聘要求，表面上是岗位描述，但仔细观察就会发现，它更是一张清晰的能力地图。它暗含了两种能力的叠加：第一，是“会用AI工具做工程”的通用能力；第二，是“理解Agent底层机制”的专业能力。很多人容易把这两个层面混在一起，最后学得又杂又浅，哪个都拿不出手。

下面，我们分四步走：先拆解JD原文，看清它到底在考什么；再逐条讲透技术名词，按一个Agent实际运行的顺序，把原理和为什么这样设计一起说清楚；接着列出一张配套的技术栈全景图，按层级把概念落地到具体的代码工具；最后给出一套包含时间规划、落地项目和验收标准的完整学习路径。

你可以把它当作一份三个月到半年的自学地图，也可以当成面试前的查漏补缺清单。

一、先看清JD到底在要求什么

把原文拆成两段来看，逻辑会更清晰。

第一段（工程能力）

能熟练使用AI Agent工具开发软件，并且能在完全没有经验的技术领域里，靠AI辅助也能写出有质量保证的代码。

第二段（原理能力）

要求你不仅是Agent产品的重度用户，还要理解这些产品背后的运行机制——LLM怎么调用、上下文怎么管理、工具怎么调用、多个Agent怎么协作。

一句话总结

JD要的不是“会用AI写代码的人”，而是“既能用Agent高效交付，又能讲清楚Agent内部原理，甚至能自己动手改造Agent运行环境的人”。

二、技术名词逐个讲清楚（讲原理，也讲为什么）

下面按照一个Agent系统实际运行的顺序来讲，而不是按字母表。这样更容易建立整体图景，而不是记一堆孤立的概念。

1. LLM API —— 一切的起点

LLM API就是你调用大模型的接口：发一段文本过去，模型返回一段文本。新手容易忽略三个关键点：

• messages结构：对话由user和assistant轮次组成的数组。模型自己不会“记住”上一次调用，全靠你把历史对话传回去。
• system prompt：决定模型的角色设定和行为边界。
• streaming流式输出：模型是逐token生成内容的，流式就是让前端实时展示这个过程，而不是等全部生成完再显示。

后面所有Agent机制，本质上都是在解决同一个问题：在一次次LLM API调用之间，怎么组织好传给模型的内容，以及怎么处理返回的内容。吃透了API调用，后面的概念都会好懂很多。

2. KV Cache —— 决定Agent效率和成本的隐藏机制

这是JD里最容易被新手忽略、但资深工程师格外看重的一点。大模型每生成一个token，都要用到之前所有token算出的注意力中间结果（Key和Value，简称KV）。如果每次都从头重算，速度慢、成本高。KV Cache就是把这些中间结果缓存下来，当新一轮请求的开头部分和上一轮完全一样时，直接复用缓存，只计算新增部分。

实际影响：如果你频繁在对话历史前面插入或修改内容（比如动态改写system prompt），会导致KV Cache频繁失效，拖慢速度、推高成本。这也是为什么很多Agent系统的设计原则是“只在末尾追加，不改前面已生成的部分”。

理解了这一点，你才能看懂主流Agent产品的上下文管理策略为什么那样设计——这往往是面试中区分“用过”和“懂原理”的关键问题。

3. Agent Loop —— Agent的心脏

一个Agent本质上就是一个循环：...这个模式也常被称为ReAct（Reasoning + Acting）。

新手最容易犯的错误，是把Agent当成“一次性生成答案的高级版”。实际上，Agent的关键在于能在多轮循环中不断根据新信息调整策略——这是Agent和普通对话机器人的本质区别，没有这个循环就不算Agent。

4. Tool Use（工具调用）—— Agent和世界交互的手

模型本身只会生成文本，不能真的查数据库、发邮件、执行代码。Tool Use让模型在生成文本时能“声明”它想调用某个工具、传什么参数，由外部程序真正执行，再把结果返回给模型。

具体机制是：你在调用API时，告诉模型有哪些工具可用（名称、描述、参数格式），模型需要时会返回结构化的调用请求，而不是普通文本。这是所有Agent产品能“做事”而不只是“聊天”的技术基础。

5. Reasoning（推理）+ 6. Planning（规划）

这两个概念紧密相关，放在一起讲。

• Reasoning（推理）：指模型在给出答案或采取行动前，先进行一段显式思考。比如链式思考（CoT）、很多模型自带的“深度思考”模式。
• Planning（规划）：是Reasoning在Agent场景下的具体应用。面对复杂目标，Agent先在内部生成任务分解，再按计划逐步执行，执行中发现不对还要能重新规划。

新手容易忽视的一点是：好的Planning不是一次性生成完整计划就不再变，而是要在Agent Loop中不断根据执行结果动态调整。这也是为什么Planning和Agent Loop是紧密绑定的概念。

对应到JD里“无经验领域也能靠AI高质量编程”这条，靠的正是这种规划推理能力——拆解陌生技术栈的学习路径，然后逐步执行。

7. Skills —— 把经验打包成可复用的知识模块

与其把所有操作细节塞进system prompt，让模型每次重新“想起来”，不如把某类任务的最佳实践写成独立的文档或脚本包（比如“如何生成规范的Word文档”），让Agent按需加载。好处是：平时不占上下文空间，需要时才动态调用，能被反复复用、独立维护更新。

8. MCP（Model Context Protocol）—— Agent连接外部世界的标准接口

MCP出现之前，想让Agent接入Gmail、Slack、GitHub、数据库，每接一个服务都要单独写适配代码，不同Agent产品之间也无法复用。MCP是一个开放协议，定义了Agent和外部工具/数据源之间统一的通信标准。可以理解成“Agent界的USB接口”——只要服务实现了MCP，任何支持MCP的Agent客户端都能直接接入，不用重复造轮子。这是目前Agent生态发展最快的方向之一，也是搭建企业级Agent系统的必备标准。

9. Memory（记忆）—— 让Agent记住“之前发生过什么”

LLM本身不记得任何历史，每次调用都要把需要的上下文重新传回去。Memory机制通常分三层：

记忆类型	存储内容	技术载体
短期/工作记忆	当前任务的中间状态	内存 / Redis
中期记忆	完整对话历史	MySQL / PostgreSQL
长期记忆	跨对话保留的用户偏好和事实知识	向量数据库（语义检索）

这一层如果想深入，直接对照你自己熟悉的三层记忆架构去理解，就是最好的案例，不需要再找别的教材。

10. Subagent（子袋里）+ 11. Multi-Agent（多智能体协作）

• Subagent（子袋里）：任务足够复杂时，主Agent把某个子任务完整委派给独立的Subagent执行。子Agent有自己独立的上下文窗口，处理完只把“结果摘要”返回给主Agent。核心价值是上下文隔离——避免主Agent被中间过程信息淹没。

• Multi-Agent（多智能体协作）：是这个思路的扩展。设计多个各有专长的Agent（规划、编码、测试、审核），按明确协议协同完成复杂系统级任务。在学习路径的阶段四，你会用LangGraph搭建这样一个多Agent系统，把概念落地成工程实践。

12. Prompt Engineering / Context Engineering / Harness Engineering —— 三层递进，边界要分清

这是JD里反复出现的三个概念，也是最容易讲混的地方。它们的边界必须分清楚：

概念	关注范围	核心操作	通俗理解
Prompt Engineering	单次调用的输入文本	角色设定、约束、少样本示例、输出格式控制	“把这一次‘指令’写好”
Context Engineering	整个运行过程中的全部信息组织	历史裁剪压缩、工具结果摘要、RAG知识注入、Token预算分配	“把多轮‘背景信息’管理好”
Harness Engineering	整个Agent系统的工程架构	Loop设计、工具注册调度、错误处理重试、多Agent通信、状态持久化、可观测性、人工审批介入	“把整套‘运行环境’搭建好”

JD特意提到“对Agent Harness开发有极大热情”，说明岗位真正看重的是第三层能力——不满足于用别人做好的产品，而是有兴趣自己设计和搭建这套运行环境。

三、配套技术栈全景图

前面讲的都是“概念层”，但概念要落地，必须依托具体的代码技术栈。这一部分按层级列出整套Agent系统的技术栈，每一层都解释清楚是什么、为什么需要它。

层级1：编程语言与后端Web框架

技术	作用
Python 3.10+	核心语法之外，重点补上类型注解（Type Hints）——不是可选项，FastAPI和主流Agent框架都重度依赖它
FastAPI	搭建Agent后端服务的主流选择，原生支持异步（async/await），适合大量I/O等待场景
Uvicorn	跑FastAPI的ASGI服务器，了解启动和--reload调试即可

层级2：前端与实时通信

技术	作用
HTML/CSS/JS基础	不用精通，但要能看懂DOM结构和基本JS语法
Vue3（Composition API）	组件化开发前端界面，直接学Composition API（setup、ref、reactive）
Vite	Vue3配套构建工具，用npm create vue@latest起项目即可
Axios / 原生fetch	前端调用后端API的基础
SSE（Server-Sent Events）	Agent输出逐token流式生成，前端实时渲染“打字机效果”，比WebSocket简单，是主流首选

层级3：Agent编排框架

技术	定位
LangChain	“零件库”——可插拔的组件化工具库（Prompt模板、LLM调用、输出解析、工具封装）
LangGraph	“总装图纸”——状态图编排框架，原生支持条件分支、循环、状态持久化

层级4：数据与存储层

技术	用途
MySQL / PostgreSQL	存对话历史、用户画像等结构化数据（中期记忆）
Redis	存Agent执行过程中的中间状态、短期/工作记忆，读写速度快
向量数据库（Chroma起步，进阶Qdrant/Milvus）	存长期记忆和RAG知识库，靠语义相似度检索

层级5：通信与协议

• MCP：工具接入标准协议
• HTTP / SSE / WebSocket：对外通信的基础协议栈

层级6：工程化与部署

技术	用途
Git	版本管理，团队协作必备
Docker	将整套系统（后端+数据库+向量库）打包成可移植容器
Langfuse / LangSmith（可选）	Agent可观测性工具，追踪每一步调用和执行耗时

四、给新手的学习路径（五个阶段）

下面五个阶段，按“先会用 → 再理解 → 后改造”的逻辑递进。每个阶段都包含：目标、学习内容、落地项目，以及它对应JD里的哪项要求。

阶段0：编程与Web框架基础

（0基础必学，有基础可跳过，周期1-2周）

目标：具备读懂和调用Agent系统所需的最低限度编程能力，同时提前接触后面会用到的Web框架。

学习内容：

• Python核心语法（变量、循环、函数、类、JSON处理、文件读写）
• 类型注解基础
• HTTP请求基础（requests库）
• Git和终端基本操作
• FastAPI入门：写一个“Hello World”接口，加一个接收JSON参数返回处理结果的POST接口
• 申请一个大模型的API Key（国内可选DeepSeek、通义千问，国外可选Anthropic、OpenAI），写一段Python代码完成一次问答调用

落地项目：一个基于FastAPI的接口，内部调用LLM API实现连续多轮对话，用Postman或简单脚本测试通过。

阶段一：成为AI编程工具的重度用户 + 补齐前端基础

（周期1-2周）

目标：让“用AI辅助开发”变成本能反应，满足JD里“高强度Agent产品用户”的要求。同时借这个机会把Vue3这个陌生技术栈学会。

具体做法：

• 代码类Agent：Cursor、Claude Code、GitHub Copilot任选1-2款深度使用
• 通用Agent平台：Coze、Dify任选一款，搭建一个带搜索/代码执行插件的简单Bot
• 用AI工具辅助学习Vue3：让AI讲解Composition API的核心概念，用AI辅助写一个简单前端页面

落地项目：一个Vue3 + FastAPI的前后端联调小项目——前端是一个简单对话框，调用后端FastAPI接口，展示LLM的问答结果。同时整理一份自己的“AI辅助开发checklist”。

阶段二：亲手实现一个最简单的Agent Loop

（周期2-3周）

目标：不再把Agent当黑盒，知道它内部到底在做什么。同时体会“手写”和“用框架”之间的差异。

具体做法：

1. 手写版本：只用最原始的LLM API，写一个最简单的Agent Loop——给模型一个“计算器”工具，让它解决需要多步工具调用的问题
2. 加入Planning：让模型先输出任务分解列表再逐项执行，观察执行中途改变计划时代码要怎么处理
3. 加入短期记忆：把对话历史正确地在每轮传回去
4. 框架重构：用LangChain的Tool抽象和Prompt模板把同样的逻辑重写一遍，对比两版代码量和结构的差异

落地项目：两个版本的同一个Agent（纯手写版 + LangChain版），支持至少2个工具调用、含短期记忆，能完成“需求拆解→执行→校验”的完整闭环，并写一段对比笔记说明两版的优劣。

阶段三：三大工程实战 + 引入LangGraph和存储层

（周期3-5周，岗位核心考核）

这一阶段按 Prompt → Context → Harness 的顺序层层升级。

第1步：Prompt Engineering（约1周）

同一需求写多版提示词做对比测试，重点练习控制AI规范写注释、写单元测试、按格式输出（JSON/Markdown代码块）。产出一套自己的代码开发提示词模板库。

第2步：Context Engineering（约1-2周）

给阶段二做的Agent加一层RAG：

• 用Chroma轻量向量库存技术文档
• 让AI写代码时自动检索文档辅助回答
• 练习上下文压缩、历史对话摘要、Token预算管理

穿插：原理补课（与上两步并行）

• KV Cache：找一篇讲Transformer推理优化的文章，理解其原理
• MCP：直接看官方文档过一遍交互流程，接一个最简单的MCP server试一下
• Subagent / Multi-Agent：找一两个开源多智能体项目，重点看它们怎么做“上下文隔离”和“结果摘要传递”

第3步：Harness Engineering（约2-3周）

这是技术栈融合的重点：

• 用LangGraph把阶段二手写的Agent Loop重构成显式的状态图（节点+边）
• 存储层全部接入：MySQL存对话历史，Redis做短期记忆缓存
• 后端用FastAPI暴露一个SSE流式接口，把LangGraph的流式输出实时推给前端
• 前端用Vue3消费这个SSE接口，实现打字机效果的流式对话界面

落地项目：一个完整的前后端联调Agent系统——Vue3前端 + FastAPI后端 + LangGraph编排 + MySQL/Redis存储 + Chroma向量检索，支持流式对话、有短期和长期记忆、能调用至少2个工具。

阶段四：高阶系统开发，对标岗位入职标准

（周期2-4周）

目标：从“用Agent产品”进化到“有能力自己设计Agent运行环境”。

具体做法：

1. Multi-Agent系统：用LangGraph的多图协同搭建一个多Agent系统，模拟企业级软件开发场景——规划Agent拆解需求，后端Agent写接口，前端Agent写页面，测试Agent自动写单元测试，审核Agent校验代码质量。多个Agent之间靠明确协议协作。
2. 工程化部署：整个系统用Docker打包（后端服务+MySQL+Redis+向量库全部容器化）
3. 终极验证：选一个你完全没接触过的技术栈（比如Go后端、React前端、小程序开发），只靠这套Multi-Agent系统自主规划、检索、编码、调试完成一个完整项目，全程可人工干预调试。

持续做两件事：深度对比至少两款设计理念不同的Agent产品的错误处理、上下文管理、工具调度差异；尝试自己改造或扩展一个开源Agent Harness的某个环节。

有余力可以接入Langfuse这类可观测性工具，给整套Multi-Agent系统加上执行链路追踪。

五、学习验收标准（自查是否达到JD要求）

完成上面五个阶段后，用下面这份清单自查：

• 能熟练使用Cursor、Coze等主流Agent工具独立完成全流程软件开发，并能借助AI快速上手Vue3、Go等陌生技术栈
• 能清晰讲清楚LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent每一项的原理，以及“为什么这样设计”
• 能准确分清Prompt Engineering、Context Engineering、Harness Engineering三者的边界和递进关系
• 能说清LangChain和LangGraph的定位差异，并且实际用LangGraph搭建过带状态持久化的Agent工作流
• 独立设计并搭建过一套前后端打通（Vue3+FastAPI）、含流式输出、含MySQL/Redis/向量库三层存储的Agent系统
• 面对完全没接触过的编程语言或框架，能依靠Agent自主规划、检索、编码、调试，产出可运行的高质量代码
• 能对比不同模型和不同Agent工具的优劣，并从开发者体验角度提出具体的优化建议

六、一个提醒

这份JD本质上要求的，不是掌握某个具体框架的API，而是要求你对“LLM怎么被组织成一个可靠系统”这件事有系统性理解。技术名词和具体框架会变——今天是LangGraph，明天可能是别的框架；今天是Vue3，明天可能是别的前端框架。但Agent Loop、上下文管理、工具调用这些底层原理相对稳定。