Web/Agent 组 2026 春招入门指北
Web 包括网页，也包括支撑它的服务和数据；Agent 也不等于一次模型调用。一个能交付的 AI Native 应用，通常要处理界面、服务端、数据库、模型、工具和部署，还要在使用中不断修正。Web/Agent 组不把前端、后端和 AI 当成互不相干的方向，希望大家从一个能运行的小项目开始，逐步看清软件系统的全貌。
你可以做网页、写接口、接入模型，也可以研究 Agent 怎样使用工具、管理上下文和完成长任务。先别急着给自己贴“前端”或“后端”的标签，选一个想法动手，把它做成别人能使用的东西。
不需要先熟练掌握某个框架。接触过一门编程语言，能借助 AI 做基础开发和调试，愿意查资料、验证结果并读懂自己写的代码，就可以开始。
如何使用这份指北
下面更像一张知识地图，而不是按顺序通关的课程表。遇到感兴趣的任务，先做起来，再回到对应章节补知识。不必一次学完，也不用为了“准备充分”连续看完一堆教程。
下面关于 Web 的内容，是一个编程新手最好的实践机会；而关于 AI 的内容，对于以后的学习和开发都会有帮助。
可以这样学：
- 选择一个规模足够小、可以展示的项目。
- 使用 AI 将是你在这个时代最快的学习方式。有能力可以购买gpt、claude等先进模型辅助学习。不过鉴于国外平台对中国用户不太友好，也可以把某些中转平台或者国内平台作为代替方案。推荐学长们开发的 monica。
- 亲自运行、测试并解释关键代码，不要把“AI 说可以”当成结论。
计算机与开发基础
如果你刚开始学编程，可以先建立对计算机的整体认识，细节以后再补。
无论使用哪种语言或工具，下面这些能力都值得尽早练习：
- Git 只需先掌握日常开发和团队协作所需的基础：创建提交、查看 diff、创建分支、合并或变基、解决冲突，以及从远程仓库拉取和推送代码。
- 推荐通过交互式教程 Learn Git Branching 练习分支和提交；不必一开始深入 Git 的内部实现或复杂命令。
- 在团队项目中遵循清晰的提交信息和分支协作流程，提交前检查改动，合并前运行必要的测试。
- 使用终端完成文件操作、运行程序和查看日志。
- 学会阅读报错、官方文档和英文技术资料。
- 理解变量、函数、数据结构、模块、异步与基本调试方法。
从网页到完整应用
学习 Web 的直接办法是做一个能用的应用。先沿着一次用户操作走完整条链路，再决定要补哪些前端或后端知识。
浏览器与界面
HTML 描述内容结构，CSS 控制布局与视觉表现，JavaScript/TypeScript 负责交互和状态。入门阶段先用原生技术理解浏览器，再根据项目选择 React、Vue 等框架，不需要同时学习多个框架。
建议掌握：
- 语义化 HTML、常用 CSS 布局和响应式设计。
- JavaScript 基础、DOM、事件、模块和异步请求。
- 表单、加载状态、错误提示和基本可访问性。
- 浏览器开发者工具，以及网络请求和控制台的调试方法。
主要资料：MDN Web Docs、现代 JavaScript 教程。
服务、数据与网络
当应用需要保存数据、处理权限或调用外部服务时，就需要服务端和数据库。可以继续使用 JavaScript/TypeScript，也可以选择你已经熟悉的 Python、Go、Java、Rust 等语言。语言不是重点，先弄清一次请求怎样进入系统、处理数据并返回结果。
建议掌握：
- HTTP、URL、请求方法、状态码、JSON 和 Cookie。
- API 的设计、输入校验、错误处理和日志。
- SQL、关系型数据库、表结构、查询和事务的基础概念。
- 用户认证、权限检查、密码和密钥的安全存储。
- 环境变量、构建、部署、域名和 HTTPS。
可以从一个带登录和数据持久化的小应用开始，例如笔记、任务管理、资料收藏或组内工具。数据库入门也可以尝试 SQL Murder Mystery。
工程质量
项目能运行只是开始。项目变大后，代码组织、多人协作和线上故障会接着出现。遇到具体问题再学类型系统、测试、代码检查、CI/CD、缓存、性能、安全和可观测性，通常比提前背概念更有效。
对于小项目而言，可能不会接触这些，但是它们还是很重要的，特别是在这个代码极速膨胀的 AI 时代。可以加入大项目的开发，在 github 等平台熟悉这些。
从模型调用到 AI Native 应用
在 Web 应用中接入大模型，可以先从一次 API 调用开始：处理输入、输出和流式展示，再增加结构化输出、外部数据和工具。不是所有功能都需要包装成 Agent；步骤固定、结果可验证时，普通程序或工作流往往更简单可靠。
建议了解：
- 模型的输入输出、上下文窗口、Token、采样和延迟。
- System Prompt、用户输入和外部数据各自承担什么职责。
- 流式响应、结构化输出以及失败重试。
- RAG 的基本流程：检索相关资料，将必要上下文提供给模型。
- Prompt Injection、隐私泄露、越权调用和不可信模型输出等风险。
- 成本、速度和效果之间的取舍。
对于这些基础知识，github上有许多免费的课程可以学习，如 dive-into-llms
Agent：让模型采取行动
Agent 的核心不在于 Prompt 更长，而在于让模型循环观察状态、决定下一步、调用工具并读取结果，直到完成任务或停止。最小的 Agent Loop 可以分成几步：
- 接收目标和当前上下文。
- 模型判断是直接回答，还是调用某个工具。
- 程序执行工具并把结果返回给模型。
- 模型根据新信息继续行动，或给出最终结果。
接下来可以研究这些主题。
工具与环境
工具让 Agent 能够搜索资料、读写文件、运行代码、访问数据库或调用业务 API。工具接口要有清晰的名称、参数和返回值，并限制权限、执行时间和影响范围。对删除数据、发布内容、付款等高风险操作，应设置确认或审批。
Tool 并不是越多越好，如何向 Agent 注入合适的 Tool，如何设计 schema 和工具发现，让AI能更高效的使用正确的 Tool，这是值得研究的。
GPT倾向于使用代码运行工具，而不是直接调用工具（也就是 PTC：程序化工具调用），这样有什么好处？ Mcp, skill, plugin，这么多提供工具的方式，它们的出现是为了解决什么问题？如何搭配使用？
上下文与记忆
上下文不是越多越好。需要区分当前任务信息、工具结果、项目规则和长期记忆，并通过选择、摘要或检索控制输入规模。长期记忆也不能只是无限保存对话，而应考虑写入条件、更新方式、冲突处理和删除机制。
规划与状态
复杂任务可能需要拆分步骤、记录进度并在失败后调整方案。计划要随着行动更新，不能生成后就放着不管。程序还需要明确最大轮数、超时、取消、重试、幂等和恢复策略，避免 Agent 无限制循环或重复执行有副作用的操作。
Plan, Goal 还是 Spec，使用哪种方式开发项目？
Subagent, Multi-agent，它们怎么正确使用？
评测与可观测性
Agent 的输出具有不确定性，只凭一次演示无法判断是否可靠。应该保存模型请求、工具调用、耗时、Token 和错误信息，建立一组有代表性的任务，反复评测完成率、结果质量、成本和延迟。修改 Prompt、模型或工具后，用相同任务做回归测试。
一个成熟的工作流，相同的输入，偶尔会出现问题，怎么解决？ 切换模型后，之前的工作流经常出错，怎么解决？
知识库与上下文治理
在真实项目里，Agent 最缺的往往不是通用编程知识，而是“这个项目为什么这样写”。可以为项目建立轻量知识库，记录领域词汇、模块边界、启动方式、常见故障、接口约定和已经验证过的决策。知识条目要标注来源、适用版本和更新时间，过期内容应能被发现和删除。
上下文应按用途分层：当前任务只放必要需求和验收标准；项目规则放稳定且可复用的约束；工具结果保留原始证据；长期记忆只保存经过确认的事实。不要把整个仓库或全部聊天记录塞给模型，也不要把一次猜测直接写成长期知识。每次检索都应能回答“这段信息从哪里来、为什么与当前任务相关”。
如何在团队内共享知识库？如何保证很大的仓库 AI 能快速找到有关的文件？ 是 Grep 还是 Graph Search，是专门的项链数据库 RAG，还是简单的 markdwon 作为存储和检索方式？
Harness Engineering
Agent 的能力也取决于工作环境。清晰的项目说明、容易发现的工具、快速反馈、自动测试、权限边界和可恢复的任务状态，组成了支持 Agent 的 Harness。研究 Agent 时，除了改 Prompt，也要让正确行动更容易，让错误尽早暴露。
可以把 Harness 理解成 Agent 的“工程脚手架”，而不是一段更长的 Prompt。一个实用的最小版本通常包括：
- 一份短而准确的项目说明：如何启动、目录各自负责什么、哪些命令是权威检查、哪些文件不能改。
- 一组可调用的工具：搜索代码、运行测试、查看日志和检查数据库；工具要有明确参数、超时和权限边界。
- 一条快速反馈路径：失败时给出具体错误、相关文件和下一步线索，而不是只返回“失败”。
- 会话外的质量门禁：在 CI 或脚本中独立运行格式检查、类型检查、测试和安全扫描，不能只依赖 Agent 自己声称“已经验证”。
- 可恢复的状态：记录当前阶段、产物、失败原因和重试次数，支持中断后继续，也能取消有副作用的操作。
有一个很重要的取舍：确定的事实适合做硬门禁，无法准确判断的代理信号只适合做提醒。例如“文件是否存在”可以阻断流程，“模型是否认真读过规范”通常不能。门禁误报会诱使人和 AI 为了过检查而写出更差的代码，因此每条规则都要有清楚的判据和撤销办法。
从项目中逐步沉淀 Harness，比一开始搭建“大而全”的平台更适合学习：先记录启动命令和测试命令，再补日志、权限、状态和自动检查；每次事故都问一句“能否让这类错误更早、更确定地暴露”，把答案放进工具或框架，而不是无限堆进提示词。
AI Coding Agent
Claude Code、Codex、Pi、DeepSeek Harness 等 AI Coding Agent 可以阅读项目、搜索代码、调用工具、修改文件并运行测试。我们既会使用它们完成项目，也会把它们当作可以研究的 Agent 系统。
可以关注：
- Agent Loop 如何组织模型与工具之间的交互。
- 项目指令和上下文如何影响结果。
- 长任务如何规划、压缩上下文、保存状态并恢复。
- 如何设计代码搜索、补丁、终端和浏览器等工具。
- 如何通过测试、静态检查、代码审查和权限控制建立反馈。
- 多 Agent 协作在哪些任务中有价值，又会引入哪些协调成本。
为了减少token使用和达到更好的效果，Agent的实现方面有很多优化空间。 例如，apply_patch 就比传统的 replace 更省token。不过老的模型可能没有经过专门训练，不会使用这类工具，反而使token消耗变多。 Pi 作为一个极简的agent，就很适合做这方面的实验。
可以探索的方向
没有必要把整张地图走完。可以按兴趣选择：
- 做一个从交互到部署都能跑通的 Web 产品。
- 为现有应用加入模型能力，研究流式交互、RAG 和结构化生成。
- 实现一个最小 Agent，逐步增加工具、记忆、规划和评测。
- 阅读并修改开源 Coding Agent，理解它的运行循环和上下文管理。
- 改进 Agent 的 Harness，让它更容易发现问题、验证结果和完成长任务。
先选一个真实问题，做出第一个可运行版本；接下来要学什么，让项目告诉你。
延伸阅读
这些文章适合做过一些实践后按兴趣阅读，不用一次读完。结合自己的项目看，会更容易理解它们讨论的问题。
- Anthropic Engineering：Anthropic 的工程文章集合，可以选择其中与 Agent、上下文工程、工具设计和 AI Coding 相关的文章阅读。
- Harness Engineering：有效利用 Codex 驱动的开发：从工程环境和反馈机制的角度理解如何支持 Coding Agent 持续完成复杂任务。
其他资料优先查阅所使用语言、框架和模型服务的官方文档。技术变化很快，与其收集一长串教程，不如在项目需要时查找当前资料并立刻实践。