全栈工程化
从前端边界走向业务闭环，补齐服务端、数据层、部署与可观测性。
- TypeScript 深水区与复杂类型建模
- Node.js / API 设计 / BFF
- 数据库建模、SQL、向量数据库基础
- 鉴权、缓存、消息队列、任务系统
- Docker、CI/CD、日志、Tracing、监控
FRONTEND TO AI AGENT ENGINEER
前端人，永不为奴！
在大模型时代，我们同时理解代码、交互与产品落地。前端工程师不是被替代的人，而是最有机会把 AI 真正做成可用系统的人。
Photo by Paolo Resteghini / Unsplash
KNOWLEDGE GRAPH
转型技能知识图谱
不是简单学几个 Prompt，而是建立完整的工程能力面。以全栈能力为底座， 以大模型与智能体编排为突破口，最终走向可上线、可维护、可评测的 AI 系统开发。
大模型能力栈
理解模型、提示、上下文与评测，建立可落地的 AI 产品工程能力。
- Prompt 设计与结构化输出
- 上下文工程与 RAG 基础
- Function Calling / Tool Use
- 模型评测、成本、延迟与安全
- 多模态输入输出与工作流接入
智能体编排
从单轮问答走向可执行系统，掌握任务拆解、状态管理与多 Agent 协作。
- Agent Loop 与任务规划
- Memory、状态机与会话设计
- 工作流编排与人工介入节点
- 工具协议、权限边界与审计
- 多 Agent 分工、验证与回退
ROADMAP
从前端工程师到 AI Agent 工程师的四步拆分
前端能力重估
把组件化、状态管理、交互设计，映射为 AI 产品里的流程设计、上下文组织与人机协同能力。
补齐后端与数据
不再只做页面，而是直接能交付 API、任务流、存储、鉴权和部署链路。
接入模型与工具
把 LLM、检索、工具调用、外部系统集成进一条真实可运行的业务工作流。
从 Demo 到生产
关注评测、回退、监控、权限和成本，让 Agent 系统在真实环境里可控可维护。
SIMULATED INTERVIEW
仿真面试题模块
先放一版结构，后续可逐步扩展到 100+ 题，覆盖知识点问答、系统设计、场景实战与行为面试。
前端工程师转 AI Agent 的能力迁移题
全栈系统设计题：API、数据库、任务流、部署
LLM 基础题：Prompt、Context、RAG、评测
Agent 编排题：计划、执行、Memory、回退
场景实战题：客服、销售、运营、研发协同 Agent
行为面试题：如何证明你能把 AI 真正落地