更新信息

Author: adongwanai

README.md

@@ -784,190 +784,20 @@ AgentGuide 提供 **n 个简历级实战项目**，每个项目都提供：
 | 章节                  | 内容介绍                                | 进展  |
 | :------------------ | :---------------------------------- | :-- |
 | **🔰 L1-基础认知层**     | 理解核心概念、掌握基本原理（1-2周）                 |     |
-| 模块1：Agent核心概念解析     | 智能体定义与分类体系、5级自主性模型                  | ✅   |
-| 模块2：技术演进历程与趋势洞察     | 从专家系统到神经网络的发展轨迹                     | ✅   |
-| 模块3：大模型工作原理         | Transformer/分词/训练/推理/对齐技术           | ✅   |
+| 模块1：Agent核心概念解析     | 智能体定义与分类体系、5级自主性模型                  |     |
+| 模块2：技术演进历程与趋势洞察     | 从专家系统到神经网络的发展轨迹                     |     |
+| 模块3：大模型工作原理         | Transformer/分词/训练/推理/对齐技术           |     |
 | **🛠️ L2-开发实现层**    | 掌握框架工具、完成系统搭建（3-4周）                 |     |
-| 模块4：经典Agent范式手撕实现   | ReAct、Plan-Execute、Reflection模式     | ✅   |
-| 模块5：低代码平台快速验证       | LangChain、Dify、Coze、n8n工具使用         | ✅   |
-| 模块6：主流框架深度实战        | LangGraph、AutoGen、AgentScope、CrewAI | ✅   |
-| 模块7：自研Agent框架设计原理   | 消息路由、工具注册、异常处理、日志追踪                 | ✅   |
+| 模块4：经典Agent范式手撕实现   | ReAct、Plan-Execute、Reflection模式     |     |
+| 模块5：低代码平台快速验证       | LangChain、Dify、Coze、n8n工具使用         |     |
+| 模块6：主流框架深度实战        | LangGraph、AutoGen、AgentScope、CrewAI |     |
+| 模块7：自研Agent框架设计原理   | 消息路由、工具注册、异常处理、日志追踪                 |     |
 | **🚀 L3-高阶优化层**     | 检索优化、上下文管理、模型训练（4-5周）               |     |
-| 模块8：检索增强生成（RAG）全栈技术 | 数据预处理、索引构建、检索优化、高级RAG               | ✅   |
-| 模块9：上下文工程           | Write/Select/Compress/Isolate四大策略   | ✅   |
-| 模块10：智能体通信标准与协议     | MCP、A2A、ANP协议详解                     | ✅   |
-| 模块11：模型微调与强化学习      | SFT、LoRA、PPO、DPO、GRPO算法应用           | ✅   |
-| 模块12：性能评估与效果量化      | 评估维度、测试框架、自定义评估方法                   | ✅   |
-
-| 模块16：毕业设计 | 端到端项目实战、系统设计、性能优化 | ✅ |
----
-
-### 学习路径详细拆解
-
-#### 🔰 L1-基础认知层（打地基）
-
-**学习目标**：建立完整的 Agent 认知体系，理解底层原理
-
-**模块1：Agent 核心概念解析**
-- 智能体定义与分类体系（5级自主性模型）
-- Agent vs 传统程序 vs LLM对话的本质区别
-- Agent 系统四大核心组件（Role/Memory/Tools/Guardrails）
-
-**模块2：技术演进历程与趋势洞察**
-- 从专家系统到神经网络的发展轨迹
-- LLM 如何赋能新一代 Agent
-- 里程碑论文深度解读（ReAct/Reflexion/AutoGPT）
-
-**模块3：大模型工作原理（Agent的大脑）**
-
-核心知识点：
-- **架构层**：Transformer/Self-Attention/MoE 原理
-- **数据层**：Tokenizer 机制、中文分词、Token 计算
-- **训练层**：预训练/SFT/LoRA 原理与实践
-- **推理层**：vLLM/TGI 推理优化、量化技术
-- **对齐层**：RLHF/PPO/DPO 算法详解
-
----
-
-#### 🛠️ L2-开发实现层（动手实践）
-
-**学习目标**：从零搭建 Agent 系统，掌握主流开发框架
-
-**模块4：经典 Agent 范式手撕实现**
-
-从零实现三大核心模式：
-
-1. **ReAct 模式**：Thought → Action → Observation 循环
-2. **Plan-Execute 模式**：任务分解与依赖处理
-3. **Reflection 模式**：自我评估与策略调整
-
-**模块5：低代码平台快速验证**
-
-工具选型与使用：
-- **代码优先**：LangChain/LlamaIndex/AutoGen/AgentScope
-- **低代码**：Dify/Coze/n8n 工作流编排
-- 各类工具的适用场景与优缺点对比
-
-**模块6：主流框架深度实战**
-
-框架能力对比与应用：
-
-| 框架 | 核心优势 | 最佳场景 |
-|:-----|:---------|:---------|
-| **LangGraph** | 图导向、精确控制 | 复杂工作流 |
-| **AutoGen** | 多Agent对话 | 团队协作 |
-| **AgentScope** | 消息驱动、灵活 | 国内场景 |
-| **CrewAI** | 角色分工、层级 | 企业应用 |
-
-**模块7：自研 Agent 框架设计原理**
-
-理解框架底层设计，培养自主开发能力：
-- 消息路由与状态管理机制
-- 工具注册与动态加载系统
-- 异常处理与重试策略
-- 可观测性与日志追踪
-
----
-
-#### 🚀 L3-高阶优化层（进阶提升）
-
-**学习目标**：掌握 RAG、上下文工程、模型微调等高级技术
-
-**模块8：检索增强生成（RAG）全栈技术**
-
-完整 Pipeline 掌握：
-
-**8.1 数据预处理**
-- 文档解析（PDF/Markdown 高保真提取）
-- 智能分块（Semantic Chunking 语义切分）
-- 元数据增强（结构化信息提取）
-
-**8.2 索引构建与管理**
-- Embedding 模型选型与评估
-- 向量数据库对比（Milvus/Chroma/Qdrant）
-- 多模态索引（图文混合处理）
-
-**8.3 检索策略优化**
-- 混合检索（Hybrid Search 向量+关键词）
-- 查询重写（HyDE/Query Expansion）
-- Reranker 二次排序
-- Text2SQL 自然语言查询
-
-**8.4 高级 RAG 架构**
-- **GraphRAG**：知识图谱增强检索
-- **Modular RAG**：模块化可组合架构
-- **Agentic RAG**：智能体驱动的自主检索
-- **Multimodal RAG**：跨模态理解与检索
-
-**模块9：上下文工程（Context Engineering）⭐⭐⭐**
-
-> "将海量信息中最相关的内容，精准放入有限上下文窗口的艺术"
-
-**核心策略 - The 4 Acts**：
-- **Write（写入）**：Prompt 设计、Memory 结构化存储
-- **Select（选择）**：RAG 检索、动态工具加载
-- **Compress（压缩）**：摘要生成、Token 剪枝优化
-- **Isolate（隔离）**：状态隔离、沙盒环境设计
-
-**工程实践技巧**：
-- KV Cache 优化（降低 90% 成本与延迟）
-- 12-Factor Agents 生产级设计原则
-- Claude Code 最佳实践
-
-**常见问题修复**：
-- 上下文中毒（Poisoning）
-- 注意力分散（Distraction）
-- 信息冲突（Clash）
-
-**模块10：智能体通信标准与协议**
-
-| 协议 | 功能定位 | 核心能力 | 应用场景 |
-|:-----|:---------|:---------|:---------|
-| **MCP** | Model Context Protocol | 标准化上下文与工具交换 | 跨平台工具调用、统一接口 |
-| **A2A** | Agent-to-Agent | 智能体间协作通信 | Multi-Agent 系统、任务分发 |
-| **ANP** | Agent Negotiation Protocol | 智能体协商与共识 | 资源分配、冲突解决 |
-
-**模块11：模型微调与强化学习**
-
-从监督微调到强化学习的完整路径：
-
-**11.1 监督微调（SFT）**
-- LoRA/QLoRA 参数高效微调原理
-- Function Call 微调实战
-- 指令数据集构建技巧
-- LlaMA-Factory 实战应用
-
-**11.2 强化学习（RLHF）**
-- **PPO**：Proximal Policy Optimization
-- **DPO**：Direct Preference Optimization
-- **GRPO**：DeepSeek 的群组相对策略优化
-- Reward Model 训练技巧
-
-**11.3 Agent RL 应用**
-- 工具调用策略优化
-- 规划能力增强训练
-- 自我修正机制训练
-
-**模块12：性能评估与效果量化**
-
-如何科学评估 Agent 性能？
-
-**评估维度**：
-- **准确性**：任务完成率、答案正确率
-- **效率**：平均步数、Token 消耗
-- **鲁棒性**：错误恢复、异常处理
-- **成本**：API 调用次数、计算资源
-
-**评估框架**：
-- **AgentBench**：通用 Agent 评测基准
-- **WebArena**：Web 任务评测
-- **KGQA**：知识图谱问答
-- **HotPotQA**：多跳推理测试
-
-**自定义评估**：
-- 构建测试集的方法论
-- 使用 Ragas 自动评估
-- 人工评估与 LLM-as-Judge
+| 模块8：检索增强生成（RAG）全栈技术 | 数据预处理、索引构建、检索优化、高级RAG               |     |
+| 模块9：上下文工程           | Write/Select/Compress/Isolate四大策略   |     |
+| 模块10：智能体通信标准与协议     | MCP、A2A、ANP协议详解                     |     |
+| 模块11：模型微调与强化学习      | SFT、LoRA、PPO、DPO、GRPO算法应用           |     |
+| 模块12：性能评估与效果量化      | 评估维度、测试框架、自定义评估方法                   |     |
 
 
 ---