多 Agent 学习路径：从 0 到生活金融实战

我来给你做一份系统的多 Agent 学习路径。先查一下你手上几个工具的最新状态，确保信息准确。信息齐了。我给你设计一份8 周可执行的学习路径，从心智模型到实战项目都覆盖，包含可运行代码。文档已生成。这份教程的特点是8 周可执行、每周有交付，不是看完就忘的清单。

几个值得你优先关注的设计：

工具定位明确 —— 五个工具不是平行学，而是分三层：应用层（Claude Code / Codex）、框架层（CrewAI / LangGraph）、引擎层（DeepSeek）。DeepSeek 当"廉价工人"配合框架，能把成本压到 Claude 直接调用的 1/10。
Windows 11 专门做了适配 —— 强烈建议你用 WSL2，文档里给了完整的环境配置命令，包括 uv（比 pip 快 10–100 倍）、tmux（Agent Teams 分屏必需）、nvm 这一套。
学习顺序有讲究 —— 先 Claude Code Agent Teams（你已经会了）→ Codex Subagents（对照视角）→ CrewAI（20 行出 demo）→ LangGraph（生产级）。每一步都有具体的可运行代码。
实战项目按你的需求分了 4 类 —— 工作（周报 / PR Review / 文档）、金融（股票研究 / 记账 / 套利监控）、生活（旅行 / 体检解读）、决策（辩论式决策器是我最推荐的，能治"确认偏误")。
代码示例可直接跑 —— Week 4 的 CrewAI 股票分析 demo 和 Week 6 的 LangGraph Reflexion 写作 demo 都是完整代码，复制就能用 DeepSeek 跑起来。

给你的执行建议：

别想着一周看完 8 周内容。每周就完成那一周的最小交付，做不完就拖一周。
Week 4 那个 CrewAI 股票分析的 demo 强烈建议第一周末就跑一遍 —— 跑通会有巨大的正反馈。
项目 D1（辩论式决策助手）是我个人认为对 28 岁这个年纪 ROI 最高的应用 —— 这个年纪要做的大决定（跳槽、买房、是否定居某城市）特别多，多 Agent 强行让对立观点同台比单纯找朋友聊靠谱得多。

需要我把 Week 4 那个 CrewAI demo 或者 Week 6 那个 LangGraph demo 单独抽出来做成可直接 git clone 的项目骨架吗？或者你想先深入哪个实战项目（W1–D2），我可以再单独写一份详细实现方案。

适用对象：28 岁程序员，Windows 11，有 Claude Code、Codex CLI、DeepSeek API、CrewAI、LangGraph 学习周期：8 周（每周 5–8 小时）目标：从理解概念到能独立用多 Agent 解决工作、金融、生活的真实问题

序：先回答三个问题

1. 为什么 28 岁程序员该学多 Agent？

不是因为它酷，而是因为接下来 3 年，"独立调度多个 AI 完成长任务"会成为程序员的基本功，就像 10 年前的版本控制。掌握它意味着你能：

把一个人 1 周的活压到 1 天
把"研究 + 写代码 + 测试 + 复盘"这种串行任务并行化
不只是 coding，还能用同一套思维解决投资研究、人生决策等问题

2. 这五个工具我都要学吗？

不需要全部精通。它们分两类，定位不同：

应用层（开箱即用）：Claude Code、Codex CLI —— 终端里的多 Agent IDE
框架层（自己造）：CrewAI、LangGraph —— 用代码搭建自己的 Agent 系统
引擎：DeepSeek API —— 便宜的 LLM，给框架层省钱用

3. Windows 11 能不能玩？

可以，但强烈建议用 WSL2（Ubuntu）。原生 PowerShell 跑得动 Codex 和 Python，但 tmux、多终端、Unix 工具链会让你舒服十倍。下面所有命令默认在 WSL2 中执行。

第 1 章：你手上的兵器谱

理清每件武器的位置，才知道什么场合掏哪把。

工具	类型	强项	弱项	我用它做什么
Claude Code	应用层 + Agent Teams	长任务推理、代码质量、Agent Teams 原生支持	Token 贵、Windows 需 WSL	真实项目的核心开发
Codex CLI	应用层 + Subagents	GPT-5.x、原生 Windows 沙箱、Codex App 桌面端	多 Agent 灵活性稍弱于 Claude Code	第二意见、和 Claude Code 对照验证
DeepSeek API	LLM 引擎	极便宜（约为 Claude 的 1/10–1/20）、中文好	不如 Claude/GPT 强	CrewAI / LangGraph 里跑"廉价工人"
CrewAI	Python 框架	上手快（~20 行代码出 demo）、角色比喻直观	复杂分支、长任务、可观测性较弱	原型、线性多 Agent 工作流
LangGraph	Python 框架	图结构、可恢复、生产级	学习曲线陡、~60+ 行起步	真正要上线的、复杂分支/循环的系统

一句话决策：

写代码 → Claude Code 主，Codex 辅
探索 / 原型 → CrewAI + DeepSeek
上线 / 复杂 → LangGraph + Claude/GPT
钱不够 → 哪都换成 DeepSeek

第 2 章：Windows 11 环境准备（一次配好）

2.1 装 WSL2 + Ubuntu

powershell

# PowerShell 管理员模式
wsl --install -d Ubuntu-22.04
# 重启后设置用户名密码

2.2 装 Python 工具链（用 uv，比 pip 快 10–100 倍）

bash

# 在 Ubuntu 终端
curl -LsSf https://astral.sh/uv/install.sh | sh
source ~/.bashrc

# 验证
uv --version

2.3 装 Node + Claude Code + Codex CLI

bash

# Node 通过 nvm
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash
source ~/.bashrc
nvm install --lts

# Claude Code
npm install -g @anthropic-ai/claude-code

# Codex CLI
npm install -g @openai/codex

2.4 装 tmux（多 Agent 分屏必需）

bash

sudo apt update && sudo apt install -y tmux

2.5 配置 API Keys

把下面的 keys 放在 ~/.bashrc（注意：实际值不要提交到 Git）：

bash

export ANTHROPIC_API_KEY="sk-ant-..."     # Claude Code 也支持 ChatGPT/Pro 登录
export OPENAI_API_KEY="sk-..."
export DEEPSEEK_API_KEY="sk-..."
export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1

bash

source ~/.bashrc

2.6 选个 IDE

VS Code + Remote-WSL 插件，让你在 Windows 的 VS Code 里直接编辑 WSL 里的代码。这是 Win11 玩 AI 开发最舒服的姿势。

第 3 章：8 周学习路径

我建议把学习当成"每周一个最小可炫耀成果"，而不是"看完一本书"。

Week 1：建立心智模型（不写代码）

目标：能 5 分钟内向朋友讲清楚什么是多 Agent，什么时候该用、不该用。

该看的：

通读 Anthropic 的 Building effective agents 一文（中文翻译网上很多）
通读 Claude Code Agent Teams 文档
看 OpenAI 的 Codex Subagents 概念文档

该想的（用一张纸写下来）：

单 Agent 何时够用？
多 Agent 何时反而拖累？
"并行" vs "通信" vs "辩论"是三件不同的事

本周交付：一份 500 字笔记，回答上面三个问题。

Week 2：玩透 Claude Code Agent Teams

目标：能不查文档独立组队完成一个真实任务。

练习清单：

第一团（探索类，最安全）：让 Claude Code 组 3 人团队评审你 GitHub 上一个老项目的代码质量（安全/性能/可维护性各一人）。
第二团（调试类）：找一个真实 bug，用 5 人对抗式假设调查（参考 Agent Teams 文档里的 "scientific debate" prompt）。
第三团（实现类）：在一个小项目上跑前端 + 后端 + 测试 3 人团队，明确文件边界。

关键技能点：

Shift+Tab 开 plan mode、再 Shift+Tab 开 delegate mode
Ctrl+T 看任务列表
Shift+Down 切换队员
在 spawn prompt 里写清"文件边界"和"质量标准"

本周交付：3 段实战录屏（自己看就行），每段 5 分钟内。

Week 3：Codex CLI 第二意见 + Subagent 工作流

目标：理解为什么"两个不同的 AI 互相 review"比"一个 AI 自己审查"靠谱得多。

练习：

bash

# 一个典型的 cross-check 工作流
# 1. 让 Claude Code 实现一个功能
claude
> "实现一个 LRU 缓存，要求 O(1) 的 get 和 put"

# 2. 让 Codex 审查
cd <project>
codex
> "Review the LRU cache implementation. Find correctness bugs, edge cases, and performance issues. Don't trust the existing tests."

进阶：用 Codex 的 Subagents 功能创建自定义角色（.codex/agents/reviewer.toml），把"安全审查员"、"性能分析师"做成可复用模板。

本周交付：一套 .codex/agents/ 模板和一套 Claude Code 的 .claude/agents/ 模板，至少各 3 个角色。

Week 4：CrewAI + DeepSeek（最便宜的入门框架）

目标：能用 Python 代码搭一个 3 Agent 团队，从零跑到出结果。

安装：

bash

mkdir multi-agent-lab && cd multi-agent-lab
uv venv && source .venv/bin/activate
uv pip install crewai crewai-tools python-dotenv

最小可运行示例（保存为 crew_demo.py）：

python

"""
3 人团队分析一只股票：
- 数据员收集基本信息
- 分析师评估优劣
- 反方挑刺
DeepSeek 当大脑，便宜。
"""
import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, LLM

load_dotenv()

# 用 DeepSeek 做 LLM（OpenAI 兼容协议）
llm = LLM(
    model="deepseek/deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)

researcher = Agent(
    role="股票数据研究员",
    goal="收集目标公司的关键财务数据和近期新闻",
    backstory="资深券商研究员，习惯只看数据不下结论。",
    llm=llm,
    verbose=True,
)

analyst = Agent(
    role="多头分析师",
    goal="基于数据找出该公司的投资亮点和增长逻辑",
    backstory="偏成长股的买方分析师，擅长发现优势。",
    llm=llm,
    verbose=True,
)

devil = Agent(
    role="空头分析师",
    goal="找出该公司被市场忽视的风险和估值陷阱",
    backstory="挑刺王，永远问'如果错了会怎样'。",
    llm=llm,
    verbose=True,
)

# 任务定义
t1 = Task(
    description="研究 {ticker} 的近 4 个季度财报、营收增速、毛利、现金流",
    agent=researcher,
    expected_output="一份结构化数据简报（中文）",
)
t2 = Task(
    description="基于研究简报，给出 3 个最强的多头逻辑",
    agent=analyst,
    expected_output="三条带数据支撑的多头论点",
    context=[t1],
)
t3 = Task(
    description="基于研究简报和多头论点，找出 3 个最强反驳",
    agent=devil,
    expected_output="三条带数据支撑的空头论点",
    context=[t1, t2],
)

crew = Crew(agents=[researcher, analyst, devil], tasks=[t1, t2, t3], verbose=True)

if __name__ == "__main__":
    result = crew.kickoff(inputs={"ticker": "NVDA"})
    print("\n=== 最终输出 ===\n", result)

跑起来：

bash

python crew_demo.py

该体会的：

任务之间的 context=[t1] 是怎么传递信息的
每个 agent 的 role / goal / backstory 怎么影响输出
DeepSeek 的成本（这个 demo 跑一次大约 ¥0.1–0.5）

本周交付：把上面的 demo 改成你真正想分析的东西（你的工作领域、一只你关心的股票、一个产品想法）。

Week 5：CrewAI 进阶（工具 + 记忆 + 流程类型）

目标：让 Agent 能用工具（搜索、读文件、调 API），并理解 3 种内置流程。

关键概念：

流程类型	说明	何时用
`Sequential`	任务一个接一个	默认、最简单
`Hierarchical`	经理 Agent 协调	有明显层级
`Consensual`（共识）	多 Agent 共同决策	投票式决策

练习：给 Agent 加上联网搜索能力，让它分析实时数据（不再依赖训练时知识）。

python

from crewai_tools import SerperDevTool   # 需要 SERPER_API_KEY，免费 2500 次
search = SerperDevTool()

researcher = Agent(
    role="...",
    goal="...",
    tools=[search],     # 关键加这一行
    llm=llm,
)

本周交付：一个带网络搜索能力的 3 Agent 团队，能分析真实世界的事件（不再是训练数据里的事）。

Week 6：LangGraph（生产级的关键一步）

目标：理解 CrewAI 解决不了什么、LangGraph 怎么解决。

两个框架的本质区别：

CrewAI：你描述"谁做什么"，框架决定执行顺序
LangGraph：你画一张图，节点是 Agent，边是条件，状态在节点间流动

什么时候非用 LangGraph 不可：

任务有循环（写代码 → 测试 → 失败 → 改 → 测试……）
需要人在回路（HITL）的审批节点
需要断点续跑（任务跑了一半电脑死机，能从中间状态恢复）
需要结构化状态（不只是字符串传来传去）

安装：

bash

uv pip install langgraph langchain langchain-openai

最小示例（保存为 lg_demo.py）—— 一个会自己反思和重试的写作 Agent：

python

"""
LangGraph 经典模式：Reflexion（写 → 评 → 改）
"""
from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, START, END
from langchain_openai import ChatOpenAI

# DeepSeek 走 OpenAI 兼容
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com",
    api_key=__import__("os").getenv("DEEPSEEK_API_KEY"),
)

# 状态：在节点间传递的"白板"
class State(TypedDict):
    topic: str
    draft: str
    critique: str
    iteration: int

def write(state: State) -> dict:
    prompt = f"写一篇 300 字的短文，主题：{state['topic']}"
    if state.get("critique"):
        prompt += f"\n\n上一稿的问题：{state['critique']}\n请改进。"
    draft = llm.invoke(prompt).content
    return {"draft": draft, "iteration": state.get("iteration", 0) + 1}

def critique(state: State) -> dict:
    prompt = f"严格批评下面这篇短文，指出 3 个最大问题。如果已经很好，回复 GOOD：\n\n{state['draft']}"
    fb = llm.invoke(prompt).content
    return {"critique": fb}

def should_continue(state: State) -> str:
    if "GOOD" in state["critique"].upper() or state["iteration"] >= 3:
        return END
    return "write"

# 建图
g = StateGraph(State)
g.add_node("write", write)
g.add_node("critique", critique)
g.add_edge(START, "write")
g.add_edge("write", "critique")
g.add_conditional_edges("critique", should_continue, {"write": "write", END: END})

app = g.compile()

if __name__ == "__main__":
    result = app.invoke({"topic": "为什么 28 岁是学习多 Agent 最好的年纪", "iteration": 0})
    print("\n=== 最终稿 ===\n", result["draft"])
    print(f"\n（共迭代 {result['iteration']} 次）")

该体会的：

"节点 + 边 + 状态" 的图结构
条件边 (add_conditional_edges) 怎么实现循环
最多 3 次迭代是怎么硬控制住成本的

本周交付：把 Reflexion 模式套到自己的真实任务上（例如写邮件、写周报、写代码、写决策备忘录）。

Week 7：组合拳——把所有工具配合起来

目标：用一个真实项目证明你掌握了。

推荐项目：「个人投资研究助手」（金融场景）

LangGraph 主图
 ├─ 数据收集子图（CrewAI 3 人小队，跑在 DeepSeek 上，便宜）
 │   ├─ 财报员
 │   ├─ 新闻员
 │   └─ 情绪员
 ├─ 分析节点（Claude/GPT，贵但靠谱）
 │   └─ Reflexion 循环：分析→批评→改→再分析
 ├─ 人在回路节点（你 review）
 └─ 决策记录节点（写入本地 SQLite，能回溯）

为什么这么搭？

数据收集要并行、用便宜模型 → CrewAI + DeepSeek
关键分析要深度推理 → Claude/GPT
整体流程要可中断、可恢复 → LangGraph
决策可追溯 → 本地数据库

本周交付：一个能跑、有日志、有断点续跑能力的真实工具。

Week 8：复盘 + 选定主战场

目标：从"什么都会一点"进阶到"有一个领域能交付"。

回答自己：

哪个工具我用着最顺手？
我最想用多 Agent 解决的真实痛点是什么？
接下来 3 个月做哪个具体项目，能让我的简历多一行？

挑一个方向沉下去 —— 这才是把学习转化为筹码的关键。

第 4 章：心智模型与协作模式

光会写代码不够，得理解几种核心模式。

4.1 五种多 Agent 协作模式

模式	形态	典型场景	推荐工具
并行分工	任务可拆，无依赖	给项目同时写前/后/测	Claude Code Agent Teams / CrewAI
管道接力	A 输出是 B 输入	调研→分析→写报告	CrewAI Sequential
辩论 / 对抗	多方观点互相反驳	投资决策、争议判断	CrewAI + 自定义 prompt
反思循环	自己生成→自己批评→改	写作、代码、设计	LangGraph
层级管理	经理分配、员工执行	复杂项目、长任务	LangGraph Supervisor / CrewAI Hierarchical

4.2 何时不要用多 Agent

诚实的负面清单：

任务能 1 个 prompt 解决（"帮我改个变量名"）
任务高度串行（每步都依赖上一步严格输出）
你没有清晰的拆分思路（多 Agent 会放大混乱，不会消除）
预算紧张但任务不重要（多 Agent token 成本是 3–10 倍）

4.3 多 Agent 的反模式（新手最容易踩的坑）

角色混乱：两个 Agent 职责重叠 → 输出互相打架
指令稀薄：每个 Agent 只有一句 backstory → 平庸输出
无文件边界：实现类任务里两个 Agent 改同一文件 → 互相覆盖
无质量门：没有验收标准，Agent 自我感觉良好就交工
过度并行：把 3 步串行任务硬拆成 3 个 Agent → 协调成本超过收益
盲信输出：多 Agent 互相 echo chamber → 一致地错

第 5 章：实战项目库

下面 8 个项目按"工作 / 金融 / 生活 / 决策"分类，每个都标注了推荐工具栈。挑你最痛的先做。

工作场景

项目 W1：日报 / 周报自动生成

痛点：每周花 1–2 小时写周报。栈：CrewAI + DeepSeek 结构：

Agent 1：从 Git commit / GitHub PR 读取本周工作
Agent 2：从日历读取本周会议
Agent 3：综合输出周报草稿
你：5 分钟微调发出

项目 W2：代码 PR 自动 Review 机器人

痛点：团队 PR 排队等审，自己审又累。栈：Claude Code Agent Teams（3 个审查角色）结构：参考 Agent Teams 文档里 PR #142 那个例子。升级：用 GitHub Actions 触发，自动评论 PR。

项目 W3：技术文档生成器

痛点：写文档烦，更新文档更烦。栈：LangGraph + Claude 结构：

节点 1：扫代码、抽 API 签名
节点 2：生成文档草稿
节点 3：Reflexion 循环（写 → 评 → 改）
节点 4：人审

金融场景

项目 F1：A 股 / 美股研究助手（前面 Week 7 那个）

痛点：研报噪音多，多空逻辑混在一起。栈：LangGraph（主） + CrewAI（数据收集） + DeepSeek + Claude/GPT 输出：每只股票一份多空辩论记录 + 自己的最终判断。

项目 F2：个人记账分析师

痛点：每月花钱稀里糊涂。栈：CrewAI + DeepSeek 结构：

Agent 1：分类工 —— 把账单按类目归类
Agent 2：诊断师 —— 找异常和趋势
Agent 3：教练 —— 提下个月调整建议

数据来源：导出银行/支付宝/微信账单 CSV 喂给它。

项目 F3：可转债 / ETF 套利监控

痛点：手动盯盘累。栈：LangGraph + 定时任务（cron 或 Windows 任务计划）结构：

节点 1：拉行情
节点 2：算价差
节点 3：触发条件就发邮件 / 微信通知

⚠️ 重要提醒：任何投资决策最终由你拍板，多 Agent 只是降低信息处理成本，不替你担风险。

生活场景

项目 L1：旅行行程规划师

栈：CrewAI + 搜索工具结构：

攻略员：搜目的地必去
物流员：规划交通和住宿
预算员：估总花费
你：调整后导出 Google Maps

项目 L2：体检报告解读助手

痛点：报告全是术语看不懂。栈：CrewAI（注意：仅作教育用途，不替代医生）结构：

翻译员：术语翻译成人话
解释员：每个指标偏离的可能原因（多个假设）
行动员：给出问医生时该问的 5 个问题

决策场景

项目 D1：辩论式决策助手（最重要的一个）

这是多 Agent 最被低估的用法 —— 代替你做"魔鬼代言人"。

栈：CrewAI + DeepSeek（决策大事时换 Claude/GPT）结构：

python

# 用法示例：你纠结要不要跳槽
agents = [
    Agent(role="支持方", goal="找出跳槽的 5 个最强理由"),
    Agent(role="反对方", goal="找出留下的 5 个最强理由"),
    Agent(role="数据派", goal="把双方观点量化成可比较的指标"),
    Agent(role="时间机器", goal="假设 5 年后回看，最可能后悔什么？"),
]

为什么有效：人脑天生有"确认偏误"，会优先记得支持自己倾向的信息。多 Agent 强行让对立观点同台亮相，比你自己想清楚得多。

适用决策：

跳槽 / 转行
买房 / 租房
大额消费（车、设备）
创业方向选择
是否结婚 / 生孩子（认真的，这种事尤其值得辩论式分析）

项目 D2：长期目标拆解器

栈：LangGraph 结构：把"5 年内成为独立开发者"拆成 → 年目标 → 季度 OKR → 月任务 → 周任务，每层都有 Agent 评审现实可行性。

第 6 章：黄金最佳实践（综合提炼）

6.1 关于成本

分层用模型：协调用最强模型，执行用便宜模型（DeepSeek 是省钱大杀器）
永远先 plan 后 run：plan 多花 5 分钟，run 少花 5 美元
设硬性预算：CrewAI 和 LangGraph 都支持 max_iterations、max_execution_time
本地缓存：相同 prompt 缓存结果（LangChain 有 set_llm_cache）
晚上跑大任务：DeepSeek 夜间半价（约 16:30–00:30 UTC）

6.2 关于质量

角色要锐利：宁可一个角色专精一件事，不要一人兼三职
指令要具体：与其"做得专业一些"，不如"用 3 段、每段含 1 个数据点"
强制结构化输出：让 Agent 返回 JSON 而不是散文，下游处理才稳
加质量门：每个 Agent 输出后，有一个 validator Agent 检查
保留人在回路：高风险决策一定留人审批节点

6.3 关于工程

从 CrewAI 开始，但不要止步于 CrewAI
任何上线的东西用 LangGraph：状态可序列化、断点可恢复
日志贼重要：用 LangSmith（LangChain 出品）或自己写 trace
版本控制 prompt：prompt 当代码管理，进 Git
失败重试要带退避：3 次重试，间隔 1s / 5s / 30s

6.4 关于自己

每周复盘一次：哪个 Agent 表现差？是 prompt 问题还是模型问题？
建模板库：把好用的 Agent 配置存到 ~/agents-templates/ 反复用
保持手感：每两周做一个新小项目，不要只优化老的
找一个伙伴或群：多 Agent 这事一个人琢磨容易钻牛角尖

第 7 章：避坑清单（血泪经验）

Windows 11 特有的坑

❌ 直接在 PowerShell 跑 tmux —— 装不上，去 WSL2
❌ 路径用反斜杠 —— WSL 里要用 / 不是 \
❌ 中文乱码 —— 在 ~/.bashrc 加 export LANG=zh_CN.UTF-8
❌ VS Code 在 Windows 端编辑 WSL 文件 —— 用 Remote-WSL 插件，否则慢且 CRLF 会爆炸
❌ DeepSeek 国内访问慢 —— 直连一般够用，企业版可配代理

工具使用的坑

❌ Claude Code 长任务跑 30 分钟无人看管 → 烧钱 + 跑偏
❌ CrewAI 在 Hierarchical 模式下没设 manager_llm → 默认会用 GPT-4 → 账单惊喜
❌ LangGraph 状态用了 list 但忘了用 Annotated 配 reducer → 状态被覆盖
❌ Codex 和 Claude Code 同时跑同一个 repo → 互相踩脚（用 git worktree 隔离）
❌ 把 API key 写进代码 commit 上去 → 立即吊销、用 dotenv

心态的坑

❌ "我得把 5 个工具都精通才开始做项目" → 边做边学，3 周就动手
❌ "Agent 出错就不靠谱" → Agent 像新人实习生，要 review 要带教
❌ "多 Agent = 智能涌现" → 没有，主要是分工和并行，别神化
❌ "我学完这些就能造 AGI 了" → 你能造的是更顺手的工作流，足够了

第 8 章：持续学习资源（按重要性排序）

必读

Anthropic — Building Effective Agents：https://www.anthropic.com/research/building-effective-agents
Claude Code Agent Teams：https://code.claude.com/docs/en/agent-teams
OpenAI Codex Subagents：https://developers.openai.com/codex/subagents
LangGraph 官方教程：https://langchain-ai.github.io/langgraph/tutorials/
CrewAI 文档：https://docs.crewai.com

建议追

Anthropic Engineering Blog：长任务、记忆系统的硬核工程文章
LangChain Blog：LangGraph 实战案例
DeepLearning.AI 短课：Andrew Ng 出的 1–2 小时多 Agent 短课，量大管饱
X / Twitter：搜 #multiagent + 关注 LangChainAI、CrewAIInc、AnthropicAI

反向资源（保持清醒）

多 Agent 失败案例：搜 "multi-agent failure modes"
简单胜过复杂：Anthropic 也强调，能用单 agent 别上多 agent

终章：给 28 岁程序员的几句话

多 Agent 不是终点，是工具。学会它是为了让你能做以前不敢接的活儿，不是为了简历上多一行 buzzword。
工程能力 > 框架熟练度。框架半年就换一茬，但"如何拆分一个复杂任务、如何设计可恢复的流程、如何让 AI 输出可验证"，这些迁移到任何技术都有用。
挑一个真痛点。把多 Agent 用在你真正头疼的问题上 —— 自动化你的周报、研究你的股票、辅助你的决策 —— 学习动力会大得多。
保留判断力。Agent 越自动，你的判断越重要。技术能并行，责任不能。
8 周后，你不会成为"多 Agent 专家"，但你会成为**"知道什么时候该用、什么时候不该用，并且能上手就做"的程序员**。这就足够让你和 90% 的同行拉开距离。

开始 Week 1 吧。

本指南整合了 Claude Code、Codex、CrewAI、LangGraph 截至 2026 年 5 月的官方文档与最佳实践。技术演进很快，请定期回看官方更新。

多 Agent 学习路径：从 0 到生活金融实战 ​

序：先回答三个问题 ​

第 1 章：你手上的兵器谱 ​

第 2 章：Windows 11 环境准备（一次配好） ​

2.1 装 WSL2 + Ubuntu ​

2.2 装 Python 工具链（用 uv，比 pip 快 10–100 倍） ​

2.3 装 Node + Claude Code + Codex CLI ​

2.4 装 tmux（多 Agent 分屏必需） ​

2.5 配置 API Keys ​

2.6 选个 IDE ​

第 3 章：8 周学习路径 ​

Week 1：建立心智模型（不写代码） ​

Week 2：玩透 Claude Code Agent Teams ​

Week 3：Codex CLI 第二意见 + Subagent 工作流 ​

Week 4：CrewAI + DeepSeek（最便宜的入门框架） ​

Week 5：CrewAI 进阶（工具 + 记忆 + 流程类型） ​

Week 6：LangGraph（生产级的关键一步） ​

Week 7：组合拳——把所有工具配合起来 ​

Week 8：复盘 + 选定主战场 ​

第 4 章：心智模型与协作模式 ​

4.1 五种多 Agent 协作模式 ​

4.2 何时不要用多 Agent ​

4.3 多 Agent 的反模式（新手最容易踩的坑） ​

第 5 章：实战项目库 ​

工作场景 ​

项目 W1：日报 / 周报自动生成 ​

项目 W2：代码 PR 自动 Review 机器人 ​

项目 W3：技术文档生成器 ​

金融场景 ​

项目 F1：A 股 / 美股研究助手（前面 Week 7 那个） ​

项目 F2：个人记账分析师 ​

项目 F3：可转债 / ETF 套利监控 ​

生活场景 ​

项目 L1：旅行行程规划师 ​

项目 L2：体检报告解读助手 ​

决策场景 ​

项目 D1：辩论式决策助手（最重要的一个） ​

项目 D2：长期目标拆解器 ​

第 6 章：黄金最佳实践（综合提炼） ​

6.1 关于成本 ​

6.2 关于质量 ​

6.3 关于工程 ​

6.4 关于自己 ​

第 7 章：避坑清单（血泪经验） ​

Windows 11 特有的坑 ​

工具使用的坑 ​

心态的坑 ​

第 8 章：持续学习资源（按重要性排序） ​

必读 ​

建议追 ​

反向资源（保持清醒） ​

终章：给 28 岁程序员的几句话 ​

多 Agent 学习路径：从 0 到生活金融实战

序：先回答三个问题

第 1 章：你手上的兵器谱

第 2 章：Windows 11 环境准备（一次配好）

2.1 装 WSL2 + Ubuntu

2.2 装 Python 工具链（用 uv，比 pip 快 10–100 倍）

2.3 装 Node + Claude Code + Codex CLI

2.4 装 tmux（多 Agent 分屏必需）

2.5 配置 API Keys

2.6 选个 IDE

第 3 章：8 周学习路径

Week 1：建立心智模型（不写代码）

Week 2：玩透 Claude Code Agent Teams

Week 3：Codex CLI 第二意见 + Subagent 工作流

Week 4：CrewAI + DeepSeek（最便宜的入门框架）

Week 5：CrewAI 进阶（工具 + 记忆 + 流程类型）

Week 6：LangGraph（生产级的关键一步）

Week 7：组合拳——把所有工具配合起来

Week 8：复盘 + 选定主战场

第 4 章：心智模型与协作模式

4.1 五种多 Agent 协作模式

4.2 何时不要用多 Agent

4.3 多 Agent 的反模式（新手最容易踩的坑）

第 5 章：实战项目库

工作场景

项目 W1：日报 / 周报自动生成

项目 W2：代码 PR 自动 Review 机器人

项目 W3：技术文档生成器

金融场景

项目 F1：A 股 / 美股研究助手（前面 Week 7 那个）

项目 F2：个人记账分析师

项目 F3：可转债 / ETF 套利监控

生活场景

项目 L1：旅行行程规划师

项目 L2：体检报告解读助手

决策场景

项目 D1：辩论式决策助手（最重要的一个）

项目 D2：长期目标拆解器

第 6 章：黄金最佳实践（综合提炼）

6.1 关于成本

6.2 关于质量

6.3 关于工程

6.4 关于自己

第 7 章：避坑清单（血泪经验）

Windows 11 特有的坑

工具使用的坑

心态的坑

第 8 章：持续学习资源（按重要性排序）

必读

建议追

反向资源（保持清醒）

终章：给 28 岁程序员的几句话