百万年薪学习计划¶

Ch03.021 百万年薪学习计划¶

📊 Level ⭐ | 7.8KB | entities/learning-path-to-senior.md

现状诊断¶

核心问题¶

收藏 ≠ 理解，理解的最低标准：能从头实现 + 能回答3层追问¶

方向选择¶

候选子领域（按市场价值排序）¶

1. Agent Memory / Long-term Memory 架构 — 最稀缺，薪资溢价最高
2. Agent Harness / Constraint / Safety 架构 — 大厂自研核心模块
3. Multi-Agent 协作框架 — 新兴方向，竞争者少
4. Agent 可观测性与生产稳定性 — 你已有知识积累

建议：选 1 个，最多 2 个¶

推荐优先级：Memory > Harness > Multi-Agent > 可观测性¶

最小可行学习路径¶

Phase 1：选定领域深度补课（1-2个月）¶

目标：这个领域的 10 篇顶级文章 → 能从零实现核心模块 执行步骤： 1. 找出该领域 3-5 篇最好的论文/文章（不是 50 篇） 2. 手写实现一遍（不是跑 demo，是自己从零写） 3. 写实现笔记到 concepts/（不是文章摘要，是自己的思考和代码） 4. 把项目放到 GitHub 判断标准：能向一个资深工程师解释清楚为什么这样设计

Phase 2：产出可展示项目（1-2个月）¶

目标：有 1 个 GitHub 项目能放进简历 方向建议：

• 从零实现一个 Agent Memory 系统（不是用 LangChain 包装，是自己写）
• 实现一个简单的 Multi-Agent 协作 demo
• 基于现有 OpenClaw/Letta 代码做改进/贡献

Phase 3：面试准备（持续）¶

核心问题准备清单：

• 你为什么用这个架构而不是那个？
• 这个方案的最大缺点是什么？
• 如果 scaling 到 10000 并发session 怎么办？
• 看过哪些源码？讲讲它的核心逻辑

知识库的正确用法¶

立即行动项¶

• 在 concepts/ 下新建 my-first-handwritten-implementation.md
• 选择一个具体子领域（建议：Agent Memory）
• 找到该领域 1 篇最好的文章，从零实现它
• 把实现过程写成笔记（代码 + 思考 + 踩坑记录）

相关主题¶

• Agent Memory Architecture — Agent Memory 架构本质（浮之静）
• Agent Self Improvement Six Mechanisms — Agent 自我改进六条路
• Hermes Agent — Hermes 自进化机制

深度分析¶

"收藏家模式"的认知陷阱¶

该计划指出用户的知识库处于"收藏家模式"——大量文章、广泛覆盖但缺乏内化。这是一种被动知识积累的典型症状：在信息获取上高效（RSS 抓取、微信digest），但在知识加工上低效（读过了→收藏了→没有下文）。这与 AI 时代"会搜索=有知识"的幻觉高度吻合。 ^[学习路径诊断] 收藏家模式的根本问题是没有输出倒逼输入：没有写代码验证、没有向他人解释、没有解决实际问题，知识就停留在"听说过"而非"能使用"的层面。深度学习的最低标准——"能从头实现 + 能回答3层追问"——直指这一问题的核心。

子领域选择的市场逻辑¶

该计划将"Agent Memory / Long-term Memory 架构"列为最高优先级，背后的市场逻辑是架构层稀缺 > 应用层拥挤。当前 AI Agent 市场，应用层（Harness、Multi-Agent、 可观测性）已有大量开发者和产品涌入，但 Memory 架构层的深度研究者仍然稀少，而每个 Agent 系统都需要 Memory 模块——这是典型的供需错配机会。 "Agent Harness / Constraint / Safety"排第二，是因为大厂（Anthropic、Google、OpenAI）都在自研 Agent 基础设施，对这类人才有稳定需求。Multi-Agent 框架层则因为尚处于早期，需求不确定性高，适合愿意承担技术押注风险的人。

从"知道"到"做到"的执行鸿沟¶

该计划最大的盲点在于没有处理"如何坚持执行"的问题。Phase 1 要求"手写实现一遍"和"自己从零写"，但没有回答：如何保持动力？如何判断实现质量？如何避免在第一个月热情消退后回归收藏家模式？这些执行层面的问题，是学习计划本身的元问题。 从行为科学角度看，"产出可展示项目"（Phase 2）是比"深度理解"更强的行为锚点——GitHub 上的项目有外部可见性，公众承诺效应提供了额外的坚持动力。但 Phase 2 的前提是 Phase 1 真正完成，否则 Phase 2 只会是半成品。

知识库作为外部大脑的局限¶

该计划提出"wiki 应该是外部大脑，不是收藏夹"——这个方向正确，但需要补充一个关键边界：外部大脑只能存储你真正理解过的知识。如果 wiki 中的笔记本身是文章的摘要复制，而非自己的思考和验证记录，那么 wiki 不过是"更华丽的收藏夹"。 这引出了一个更深的问题：wiki 的价值取决于你在其中投入了多少主动加工（用自己的语言重述、写代码验证、记录踩坑），而非被动存储。

实践启示¶

即刻行动项（本周内）¶

1. 选 1 个子领域（建议：Agent Memory）：在 concepts/ 下新建 agent-memory-architecture-deep-dive.md，写下你对这个领域的第一直觉（不需要对，只需要写），然后对比浮之静的 Agent Memory 架构笔记，找出你的理解偏差
2. 找 1 篇最好的文章，从零实现：推荐从 Letta（原 MemGPT）的开源实现开始，因为它有完整的 memory management 逻辑，且代码量适中（不是 50 篇论文，是 1 个代码库 + 1 篇核心论文）
3. 在 concepts/ 建 my-first-handwritten-implementation.md：记录实现过程——每一步踩的坑、每个设计决策的原因、最终架构与原始设计的差异

中期执行框架（1-3个月）¶

Phase 1（1-2个月）：领域深度补课

• 标准：领域的 10 篇顶级文章 → 能从零实现核心模块
• 指标：能向一个资深工程师解释清楚"为什么这个架构这样设计"

• 工具：Obsidian + Claude Code 的 /ghost 命令（用你的语气回答关于这个领域的任何问题） Phase 2（1-2个月）：产出可展示项目

• GitHub 项目：Agent Memory 系统（自己写，不是 LangChain 包装）

• 简历锚点：能够回答"如果 scaling 到 10000 并发 session 怎么办" Phase 3（持续）：面试准备

• 核心问题清单：架构对比（为什么用这个而不是那个）、最大缺点、scaling 方案、源码核心逻辑

防止回归收藏家模式¶

1. 每周一次"知识审计"：在 wiki 中搜索过去一周新收藏的内容，问自己：这篇文章的核心观点是什么？我能用自己的话复述吗？我准备怎么验证它？
2. 用 Claude Code 做"知识追问"：把 wiki 中的笔记丢给 Claude Code，让它问 3 层追问，测试你是否真的理解
3. 设定"不复述，不收藏"规则：如果不能用自己的语言重述一篇文章的核心观点，就不加入 wiki——这样 wiki 只会积累真正内化的知识

→ （本文由 Hermes 根据知识库现状定制生成，无原始来源存档）

相关实体¶

• MOC