“前端转 AI Agent”这件事，最大的误区是把它理解成技术栈切换：
- Vue/React 换成 Python
- 接个 LLM API
- 跑一个 LangChain Demo
这样做 3 个月后，通常会卡在面试中的同一句话：
“你做的是一个能跑的 Demo，还是一个可交付系统？”
这篇路线图的目标，是让你在 12 周后至少具备三项能力：
- 能设计 Agent 的任务闭环（而不是只会调用框架）
- 能解释系统可靠性、安全性与成本控制
- 能拿出一个有指标、有评估、有取舍的项目叙事
一、先校准认知：前端背景到底能迁移什么？
1.1 真正可迁移的能力（高价值）
你并不是“从零开始”。前端里这几项能力，转 Agent 非常有价值：
- 状态管理思维：你熟悉状态流与副作用，这正是 Agent run state 的核心。
- 异步与并发经验：Promise、重试、取消、防抖，本质是可靠性基本功。
- 接口契约意识：你知道 schema、字段约束、兼容性，这就是结构化输出的底层能力。
- 用户流程设计：你能把业务目标拆成可交互步骤，这和任务规划高度相关。
1.2 不可直接迁移的能力（容易误判）
这三项是多数前端候选人失分点：
- 模型不确定性治理：LLM 输出不是确定函数，必须有校验与降级。
- 数据与检索工程：embedding、召回、重排、证据注入，需要新知识。
- 系统级非功能设计：权限、可观测、成本治理、故障恢复。
你要补的不是“再学一个框架”，而是“把不确定系统工程化”。
二、3 个月路线总览：先闭环，再扩展
12 周分三阶段，每阶段 4 周：
- 阶段 A（第 1-4 周）：打基础，做出“单 Agent 可控闭环”
- 阶段 B（第 5-8 周）：补系统性，解决可靠性/记忆/工具调度
- 阶段 C（第 9-12 周）：做项目与面试资产，形成可证明能力
原则：
- 每阶段必须有“可运行成果”
- 每阶段必须有“可量化验收”
- 每阶段必须有“复盘与版本记录”
三、阶段 A（第 1-4 周）：把单 Agent 做到可控
目标：从“能回答”升级到“可预期工作”。
第 1 周：模型与 Prompt 基础重构
学习重点：
- chat completion / function calling 机制
- system prompt 结构化写法（角色、目标、约束、输出）
- 输出 schema 约束与解析
产出：
- 一个可复用的 prompt 模板
- 10 条最小测试样本（正常/边界/对抗）
验收标准：
- 输出 JSON 解析成功率 >= 95%
- 关键字段缺失率 <= 5%
第 2 周：工具调用与错误处理
学习重点：
- 工具定义（参数边界、描述粒度）
- tool timeout / retry / idempotency
- 参数校验与失败降级
产出：
- 2-3 个工具（查询类 + 计算类）
- 失败处理策略文档（重试次数、退避策略）
验收标准：
- 工具调用成功率 >= 90%
- 同一输入重复执行结果一致率 >= 95%
第 3 周：状态机与任务闭环
学习重点：
- run state machine（init / plan / execute / validate / done）
- 成功条件与停止条件
- 结构化运行日志
产出：
- 单 Agent 任务流程图
- run 追踪日志（可回放）
验收标准：
- 20 条任务样本可回放率 = 100%
- 无“无状态死循环”问题
第 4 周：最小评估系统
学习重点：
- 离线 eval 数据集构建
- 指标定义（success rate / p95 latency / avg cost）
- prompt 版本化
产出：
- eval 脚本 + 基线指标
v1 -> v2版本变更记录
验收标准：
- 每次改动都能跑回归
- 指标异常能定位到具体变更
四、阶段 B（第 5-8 周）：补齐工程短板
目标：把“单机 Demo”推进到“多用户可运行雏形”。
第 5 周：记忆与上下文窗口管理
学习重点：
- 短期记忆、长期记忆、外部知识库边界
- 上下文压缩策略（摘要、保留关键证据）
- 引用注入与证据链
产出：
- 记忆层设计文档（何时写入、何时读取、何时遗忘）
- 一套上下文压缩策略
验收标准：
- 长对话任务成功率较基线提升
- 平均 token 成本下降（目标 20% 左右）
第 6 周：RAG 与检索质量
学习重点：
- 切块策略（chunk size/overlap）
- 召回与重排（recall vs precision）
- 回答引用证据校验
产出：
- 最小 RAG pipeline
- 检索失败样本分析报告
验收标准：
- 引用证据覆盖率 >= 80%
- 明显幻觉率下降（基于人工标注或规则）
第 7 周：并发、限流、隔离
学习重点：
- 队列、并发控制、租户隔离
- API 限流与退避重试
- 服务降级策略
产出：
- 并发测试脚本（如 50-100 虚拟请求）
- 降级策略矩阵（失败类型 -> 降级动作）
验收标准：
- 压测下无明显雪崩
- P95 时延在可接受区间内
第 8 周：安全与权限
学习重点：
- prompt 注入防御
- 工具白名单与最小权限
- 敏感信息脱敏与审计日志
产出：
- 权限策略文件（按角色、按工具、按数据字段）
- 安全测试用例（越权、注入、数据泄露）
验收标准：
- 越权调用拦截率接近 100%
- 安全失败都有可审计记录
五、阶段 C（第 9-12 周）：做出面试有含金量的项目组合
目标：把能力打包成“可展示、可验证、可叙事”的成果。
第 9-10 周：主项目（深做 1 个）
推荐三选一：
- 文档/PDF Agent：RAG + 结构化提取 + 证据链
- 会议纪要 Agent：多轮收集 + 状态更新 + 纠错回路
- 客服/业务助手 Agent：工具调用 + 权限隔离 + 降级策略
必须包含的工程要素：
- 状态机
- 工具网关
- 评估脚本
- 指标看板（哪怕是简易版）
第 11 周：副项目（横向补能力）
用一个小项目补齐短板，例如：
- 如果主项目偏 RAG，就补一个并发可靠性小项目
- 如果主项目偏工具执行，就补一个安全权限小项目
目标不是做大，而是补全能力矩阵。
第 12 周：面试资产封装
你需要产出：
- 项目架构图（模块职责 + 数据流）
- 指标报告（前后对比）
- 失败案例复盘（至少 3 个）
- 3-5 分钟项目讲述稿
验收标准：
- 能清楚讲“为什么这样设计而不是那样”
- 能用数据解释效果变化
- 能回答失败场景和 trade-off
六、每阶段都要过的“可验证标准”（防止自我感觉良好）
下面这套标准建议打印出来逐项打钩：
6.1 可运行性
- 本地可一键启动
- 核心流程有稳定 demo
- 关键依赖失败时有降级
6.2 可解释性
- 每次 run 有结构化日志
- 能回放关键失败样本
- 能指出性能瓶颈位置
6.3 可评估性
- 有固定 eval 集（至少 20 条）
- 有版本对比（至少 2 个版本）
- 指标可追踪（成功率/时延/成本）
6.4 可治理性
- 权限边界明确
- 敏感信息有处理策略
- 错误有告警与追踪
如果你的项目只满足“能跑”，却不满足上述四项，面试时大概率被判定为 Demo 层。
七、学习资源怎么选：避免“学了很多，能力不涨”
7.1 选择原则
- 优先“系统设计与工程实践”内容，而非 API 速成
- 优先“有评估与失败案例”的教程，而非只展示成功结果
- 优先“能复现实验”的资料，而非纯观点文章
7.2 你应该刻意练的能力
- 把模糊需求改写成可执行任务
- 把自然语言约束转成 schema 与规则
- 把失败现象定位到具体层（检索/规划/执行/权限）
能力增长来自“定位与修复”，不是“多看几个框架”。
八、面试前自测：你真的 Ready 吗？
给你一份高频问题清单，建议逐条录音自答：
- 你的 Agent run 流程是什么状态机？
- 如何定义成功条件？失败时如何降级？
- 工具调用如何防止重复副作用？
- 你如何做权限控制，怎么防 prompt 注入？
- 你如何评估改动后是否变好？
- 你项目的最大 trade-off 是什么，为什么这么选？
判定标准：
- 不能只说“我们用了某某库”
- 必须能讲“设计决策 -> 风险 -> 指标结果”
九、常见误区与修正建议
误区 1：先追热门框架，再补基础
修正：先有状态机、协议、评估，再决定框架。
误区 2：只做前端体验，不做系统闭环
修正：最少补齐工具治理、日志、评估三件套。
误区 3：只追准确率，不看成本与时延
修正：把质量、速度、成本三者一起管理。
误区 4：把安全留到上线前再做
修正：从第一版就加权限与审计，否则重构代价极高。
十、一个可执行的每周时间配比（在职版）
如果你是边工作边转岗，可以参考每周 12-15 小时配比：
- 40%：项目编码与调试
- 25%：评估与复盘
- 20%：系统性学习（原理与架构）
- 15%：面试表达与文档沉淀
关键不是学时长，而是每周都有“可验证产出”。
结语：转岗成败不在“会不会用 AI”，而在“能不能把 AI 做成系统”
3 个月可以从前端转向 AI Agent，但前提是你把路线走成“工程闭环”而不是“工具收集”：
- 有架构，不只是有代码
- 有评估，不只是有感觉
- 有取舍，不只是堆功能
当你能稳定回答“系统如何在失败中继续工作”时，你就已经越过了 Demo 工程师的门槛。
延伸阅读：
