你的三阶段路线应该改成：

读懂现有 Agent 项目 → 能独立开发 Agent 功能 → 形成 AI Agent 工程师作品集与求职能力

你的当前项目就是学习主线。所有学习都围绕这个证券 Agent 前端展开。

总体路线

AI Agent 的工程核心是：模型负责理解与生成，工具负责访问外部系统，工作流负责控制任务步骤，前端负责把过程、结果、引用、风险提示展示给用户。MCP 官方文档也把工具定义为让模型查询数据库、调用 API 或执行计算的能力，Vercel AI SDK 支持结构化输出与 tool calling 结合，这两点正好对应 Agent 项目的前后端开发重点。(Model Context Protocol)

第一阶段：掌握基础，读懂现有 Agent 项目

时间：4 周

目标：

看到现有代码时，能知道每一层在 Agent 链路里负责什么。

你要重点读懂 6 条链路。

1. 对话链路

从用户输入开始看：

你要掌握：

• messages 数据结构
• system / user / assistant / tool 角色
• 会话 ID
• 多轮上下文
• 流式输出
• 停止生成
• 重新生成
• 错误重试

前端重点看这些文件：

验收标准：

你能画出“用户问一句话，到页面显示完整回答”的完整流程图。

2. Agent 执行链路

Agent 项目里最重要的是这条链路：

你要掌握：

• 什么是 tool calling
• 什么是 tool schema
• 模型怎么决定调用哪个工具
• 工具调用结果怎么回到模型
• 多次工具调用怎么串起来
• 工具失败怎么展示

前端重点看：

后端重点看：

验收标准：

你能解释一个工具从定义、触发、执行、返回、展示的全过程。

3. 证券业务链路

证券 Agent 和普通 Chat 产品的区别在业务链路：

你第一阶段要重点理解这些问题类型：

证券 Agent 的前端价值很高，因为用户需要看到：数据时间、引用来源、工具调用过程、风险提示、图表结果。

4. RAG 链路

RAG 是证券 Agent 的基础能力。

你要掌握：

• 文档切片
• embedding
• 向量检索
• rerank
• 引用来源
• 原文定位
• 找不到资料时的处理

前端重点看：

验收标准：

你能判断一个错误回答是检索问题、资料问题、模型总结问题，还是前端展示问题。

5. 合规与风控链路

证券场景要重点看这条：

你要掌握：

• 哪些问题属于低风险知识解释
• 哪些问题属于投研辅助
• 哪些问题属于投资建议
• 高风险问题怎么提示
• 回答如何留痕
• 用户反馈如何记录

前端重点看：

6. Trace / Eval 链路

Agent 产品一定要能复盘一次回答。

LangGraph 的 human-in-the-loop 能在工具调用前暂停并等待人工决策，官方文档提到它会用持久化状态保存图状态；这类机制在证券 Agent 中很适合用于高风险动作审批、敏感工具调用和合规确认。(LangChain Docs)

你要掌握：

• trace 是什么
• 每一步为什么要记录
• bad case 怎么复盘
• eval case 怎么沉淀
• 一个版本上线后怎么对比质量

第一阶段最终产出：

第二阶段：能开发 Agent 前后端功能

时间：8 周

目标：

能从需求出发，独立完成一个 Agent 功能的前端、接口联调、数据展示、基础后端逻辑。

你要开发的 3 类功能

功能 1：证券工具调用展示

做一个完整的工具调用 UI。

示例：

你要做：

• 工具调用状态组件
• 工具参数展示
• 工具结果展示
• 失败状态
• 重试按钮
• 展开 / 收起详情

推荐组件：

验收标准：

用户能看懂 Agent 正在做什么、用了什么数据、最终结论从哪里来。

功能 2：引用来源与资料面板

做证券资料问答必须有引用。

你要做：

• 来源卡片
• 引用跳转
• 原文片段展示
• 文档标题、发布时间、来源类型
• 回答与引用绑定

数据结构可以这样设计：

验收标准：

每段关键结论都能找到来源，用户可以从回答跳到对应资料。

功能 3：Agent 反馈与评测闭环

这是你最应该重点做的功能。

你要做：

• 点赞 / 点踩
• 错误类型选择
• 用户补充原因
• 一键加入评测集
• bad case 详情页
• 回答版本对比

错误类型建议：

验收标准：

一个线上 bad case 可以沉淀成下一轮 eval case。

第二阶段你要补的后端能力

你不用一开始就变成后端专家，先掌握 Agent 功能开发需要的后端能力。

第二阶段后端重点是：

MCP 可以放在第二阶段后半段学习。官方文档把 MCP 定位为连接 AI 应用与外部系统、数据源、工具和工作流的开放标准；MCP Server 可以暴露 resources、tools、prompts 三类能力。(Model Context Protocol)

第三阶段：补齐能力，能找 AI Agent 工程师工作

时间：3-6 个月

目标：

从“会做 Agent 项目前端”升级为“能负责 Agent 应用工程模块”。

你要补齐 5 个能力。

1. Agent 架构能力

你要能设计这样的架构：

你需要掌握：

• single agent
• multi-agent
• workflow agent
• tool registry
• memory
• state
• human approval
• retry
• fallback

LangGraph 主打可控的 Agent 工作流、人类介入和持久化能力，这类框架适合学习复杂 Agent 编排的工程设计。(langchain.com)

2. RAG 工程能力

你要能独立搭一套 RAG。

掌握：

• 文档解析
• chunk 策略
• embedding
• 向量数据库
• hybrid search
• rerank
• citation
• eval

证券方向重点资料：

求职时要能讲清楚：

3. Tool / MCP 能力

你要会把外部系统变成 Agent 工具。

掌握：

• tool schema 设计
• 参数校验
• 权限控制
• 工具超时
• 错误恢复
• MCP server
• MCP client
• 工具调试

证券工具可以做成：

MCP 工具本质是让模型调用外部系统，例如查数据库、调 API、做计算；MCP Inspector 可以查看工具 schema、测试工具输入、查看执行结果，适合用来学习工具调试。(Model Context Protocol)

4. Eval 能力

这是你求职时的差异化能力。

你要做一个小型 Agent 评测平台。

功能：

• 评测集管理
• 标准答案
• 自动跑 case
• 多模型对比
• 工具调用成功率
• 引用准确率
• bad case 分类
• 版本回归

证券 Agent 评测指标：

5. 生产化能力

Agent 工程师必须能把功能上线。

掌握：

• prompt 版本管理
• 模型灰度
• 工具灰度
• 失败降级
• trace 日志
• 成本监控
• 权限系统
• 审计留痕
• 安全防护
• prompt injection 防护

你已有前端工程、灰度、部署经验，这一块应该主动争取参与。

你的每周行动计划

第 1 个月：读懂项目

第 2-3 个月：参与开发

第 4-6 个月：求职能力

你需要掌握的知识清单

AI Agent 基础

前端专项

后端专项

证券专项

最适合你的定位

你应该把自己定位成：

AI Agent 产品工程师，偏前端 + Agent 工程化 + 证券场景

这个定位比“纯前端”更有成长空间，也比“纯算法”更符合你的背景。

你的核心竞争力应该是：

最推荐你现在做的第一件事

本周直接完成一份 《现有证券 Agent 项目源码阅读文档》。

文档结构：

先把现有项目读透，再从 ToolCallCard、CitationPanel、Feedback/EvalCase 三个功能切入开发。这三块最贴合前端优势，也最容易把你从普通前端推进到 AI Agent 工程师。