官方文档
LLM 提供商
Section titled “LLM 提供商”Anthropic
Section titled “Anthropic”Claude API 文档： https://docs.anthropic.com/
- Claude 模型系列（Opus、Sonnet、Haiku）的使用指南
- Messages API 详细说明
- Tool Use / Function Calling 文档
- Prompt Engineering 最佳实践
- Prompt Caching、Batch API 等高级功能
MCP (Model Context Protocol)： https://modelcontextprotocol.io/
- MCP 协议规范
- Client 和 Server SDK
- 工具、资源、Prompt 模板的定义方式
- 传输层（stdio、HTTP+SSE）
推荐阅读顺序： Messages API → Tool Use → Prompt Engineering Guide → MCP Specification
为什么推荐： Anthropic 的文档以清晰的示例和最佳实践著称，Tool Use 文档是理解 Function Calling 工程实现的最佳参考。MCP 文档是构建可复用工具生态的必读材料。
OpenAI
Section titled “OpenAI”API 文档： https://platform.openai.com/docs
- Chat Completions API
- Function Calling / Tool Use
- Structured Outputs（JSON Mode、JSON Schema）
- Assistants API
- Embeddings API
- Fine-tuning 指南
Agents SDK： https://github.com/openai/openai-agents-python
- OpenAI 官方 Agent 框架
- Agent 循环、Tool 集成、Handoff
- Guardrails 和 Tracing
推荐阅读顺序： Chat Completions → Function Calling → Structured Outputs → Agents SDK
Gemini API： https://ai.google.dev/docs
- Gemini 模型系列文档
- 多模态（文本、图片、视频、音频）处理
- Function Calling
- Context Caching
Agent Development Kit (ADK)： https://google.github.io/adk-docs/
- Google 的 Agent 开发框架
- Agent 定义、工具集成、多 Agent 协作
A2A Protocol (Agent-to-Agent)： https://github.com/google/A2A
- Google 提出的 Agent 间通信协议
- Agent Card、任务管理、消息交换
- 与 MCP 互补（MCP 管 Agent-Tool，A2A 管 Agent-Agent）
Agent 框架
Section titled “Agent 框架”LangChain / LangGraph
Section titled “LangChain / LangGraph”LangChain 文档： https://python.langchain.com/docs/
- 最流行的 LLM 应用框架
- Chain、Agent、Tool、Memory 抽象
- 丰富的集成（LLM、向量数据库、工具）
LangGraph 文档： https://langchain-ai.github.io/langgraph/
- 基于图的 Agent 工作流框架
- 状态管理和条件分支
- Multi-Agent 协作
- Human-in-the-loop
LangSmith： https://docs.smith.langchain.com/
- LLM 应用的可观测性平台
- Tracing、评估、数据集管理
推荐阅读顺序： LangChain 快速入门 → LangGraph 概念 → 构建 Agent → LangSmith 集成
为什么推荐： LangChain 生态是目前最成熟的 Agent 开发工具链。即使你最终选择自研，理解 LangChain 的抽象设计也能帮助你更好地理解 Agent 架构。LangGraph 的图工作流模型是复杂 Agent 编排的事实标准。
LlamaIndex
Section titled “LlamaIndex”文档： https://docs.llamaindex.ai/
- 数据连接和索引框架
- RAG 管道构建
- Agentic RAG
- 多种数据源适配器
核心概念：
- Index（索引类型：向量、关键词、知识图谱）
- Query Engine（查询引擎）
- Agent（基于 LlamaIndex 的 Agent 构建）
- Evaluation（RAG 评估工具）
推荐阅读顺序： 快速入门 → RAG Pipeline → Agentic RAG → Evaluation
为什么推荐： LlamaIndex 在 RAG 领域的抽象设计最为成熟，特别是数据连接器和索引类型的丰富度。如果你的 Agent 系统核心是知识检索，LlamaIndex 是首选框架。
| 数据库 | 文档链接 |
|---|---|
| Pinecone | https://docs.pinecone.io/ |
| Weaviate | https://weaviate.io/developers/weaviate |
| Qdrant | https://qdrant.tech/documentation/ |
| Chroma | https://docs.trychroma.com/ |
| pgvector | https://github.com/pgvector/pgvector |
| Milvus | https://milvus.io/docs |
文档阅读策略
Section titled “文档阅读策略”- 先看 Quickstart — 5 分钟建立整体感知
- 跑通示例代码 — 动手比看文档有效
- 按需深入 — 遇到具体问题再查详细文档
- 关注 Changelog — 了解最新功能和 Breaking Changes
面试中如何展示文档知识
Section titled “面试中如何展示文档知识”- 提到具体的 API 参数名和默认值
- 知道不同提供商的差异（如 Anthropic 的 Tool Use vs OpenAI 的 Function Calling）
- 了解各框架的优劣势和适用场景