教程文档AI Agent人工智能大模型【免费下载链接】awesome-agentic-ai-zhA trilingual (繁中 / English / 简中) learning roadmap for agentic AI: from LLM basics to multi-agent systems, with 240 curated resources and hands-on examples. 中文 AI agent 學習地圖。项目地址https://gitcode.com/gh_mirrors/aw/awesome-agentic-ai-zh点击查看免费下载本指南围绕 awesome-agentic-ai-zh 仓库的主路线 README 展开它不重写一套百科全书而是把“AI Agent 是什么”到“能做出可靠系统”拆成 10 个学习站、两条主干路线与五条角色分支并用精选资源与可直接运行的练习把每一步排好顺序。读完本文你将掌握这张三语学习地图的完整结构、如何按自己的目标选择入口、如何借助仓库中的starter.py与离线测试动手练习以及每条路线背后的源码级设计约定。这份地图帮你做什么**AI AgentAI 智能体**是“能为了人的目标自己判断下一步并采取行动的 AI 系统”。人给它目标后它会读取当前情况、选择下一步需要时使用工具再根据结果继续、修正、停止或把控制权交还给人。它可以自动替人完成工作但只能在人给的规则和权限内行动。只回答一次的聊天机器人或每一步都预先固定好的脚本不一定是 Agent。这个仓库不要求你一开始就懂所有名词而是带你依序完成三件事先懂基础LLM、Prompt、API 与 Token 是什么。再做出东西让模型调用工具、跑 Agent Loop、读文件与记住事情。最后做得可靠加入权限、Eval、人工批准、观测与失败恢复。这里的角色是学习路线图 精选资源 可直接运行的小练习。需要完整章节时它会带你去官方文档、Datawhale Hello-Agents 或对应的 Cookbook不重写另一套百科全书需要连接模型时每个练习会再说明云端或本机路径。重要技术词第一次出现时会先用白话说明再保留正式英文忘记某个词时直接查名词表。这一“路由而非再造”route → depth, not reinvent的定位在 CLAUDE.md 中有明确记录仓库的职责是learning roadmap curated resources simple illustrative cases与 Datawhale Hello-Agents 这类 chapter-length 深度教程互为补充——深度内容交给它们本仓库负责安排顺序、给出可运行的最小范例并把读者路由回合适的深度资源。现在就开始三条入口怎么选完全没写过程序从 Stage 0基础准备 开始API 或 CLI Agent 不熟时搭配零基础设置指南。已经会 Python、Git 与 API从 Stage 1LLM 基础 开始。还不确定要走哪条路先看下面的 Track ATrack B 选择表。走 Track A 或 Track B 前先确认 Stage 0–2只走日常用户路线的人可以直接打开角色指南。你现在想做什么建议路线路线入口用 Claude Code、Codex、OpenCode 等 CLI Agent 完成工作Track A — CLI Power UserA1选一个 CLI Agent自己写 Agent、工具循环、Workflow 与服务Track B — Agent BuilderStage 3第一个 Agent Loop只想在日常生活安全使用 AI暂时不写程序日常用户路线日常用户指南想下载到本机可以用git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git cd awesome-agentic-ai-zh下载后先打开 Stage 0 — 基础准备或依上表直接前往适合你的第一站。零基础读者建议先读设置指南它把“Web Chat、Desktop、IDE、CLI Agent 与 API”五扇门并行列出并用uv管理 Python 3.12、用.gitignore.env守住 API Key——也就是文档强调的“API Key 三不规则”不粘贴到聊天与截图、不写入源码或 Git 历史、不共享同一把 key 并在不用时撤销。从 Stage 0 到 Stage 8十个学习站的地图这张地图共有8 个主题 Stage Stage 0 准备关 Stage 7.5 进阶阅读站也就是10 个学习站。Track AB 读者先确认Stage 0–2 共用基础已经会 Python、Git 与 API 的人可以跳过 Stage 0。日常用户可以直接走角色指南。共用基础Stage 0–2Stage这一步解决什么完成后你能做什么0· 基础准备电脑与基本工具准备好了吗用 Python 调用公开 API、读 JSON并用 Git 保存成果1· LLM 基础LLM、Token、Context 与模型差在哪里调用一个 LLM并依需求选云端或本机模型2· Prompt 设计怎么把目标、数据、规则与输出说清楚用固定案例比较 Zero-Shot、One-Shot、Few-Shot 与 CoT 的边界Stage 0 的主练习是一个“GitHub 数据小工具”用urllib请求公开 API、解析 JSON、写入result.txt再用git init / add / commit保存第一个版本——不需要账号、API token 或付费服务。Stage 1 则带你理解三个核心词Token模型读写文字的计算单位也常是 API 计价单位、Context Window一次请求可用的 token 空间像桌面prompt 和历史对话先占位置、Temperature控制采样变化程度的参数低值偏向最可能候选高值更常尝试其他候选并把主线记成数据 → Pre-training → Base Model → Post-training → Instruct Model → Inference → Agent 系统说明 Agent 不是训练流程中的下一个检查点而是把模型、Prompt、RAG、Memory、Tools 与 Harness 连接起来的系统。Track A使用 CLI Agent 把工作做完正式顺序是A1 → A2 → Stage 5 → A3 → Stage 8。顺序这一步解决什么完成后你能做什么A1· 选一个 CLI AgentOpenRouter、OpenCode、Pi、Ollama 分别是什么选对工具并完成第一个小任务A2· 建立可重复流程怎么把规则与步骤留给下一次使用写 Project Instructions、Skill 与可重用工作流程5· Claude Code 生态MCP、Skills、Plugins、Hooks 与 Subagents 怎么分先读核心 5.1–5.45.5–5.8 依工作需要选读A3· 接进真实工作怎么安全连接外部工具、CI 与团队流程用最小权限、人工检查与记录完成集成8· Agent 操作界面Agent 怎么操作浏览器、画面与 Sandbox判断任务该用 CLI、Browser、Computer Use 还是 APITrack B从零打造 Agent顺序这一步解决什么完成后你能做什么3· 工具使用与第一个 Agent Loop模型怎么安全调用工具并重复下一步做出有最大轮数、会验证参数的 Agent Loop4· Workflow Graph 与 Agent 框架怎么把多个步骤画成工作地图选择 Workflow、Agent、Graph 与 Framework5· Claude Code 生态MCP、Skills、Plugins、Hooks 与 Subagents 怎么合作组合工具、规则与可重用能力6· Memory · RAGAgent 怎么查文件、保存与取回重要信息建立最小 RAG、long-term memory 与 contextual retrieval 流程7· Agent 上线工程可测、可看、可停、可恢复Agent 怎么在真实环境稳定运作加入 Eval、观测、预算、Human-in-the-loopHITL人工批准与恢复7.5· 进阶 Agentic 概念地图还有哪些进阶 Pattern 值得认得从 12 个概念选读 PAR loop、agent-as-judge 等需要的主题8· Agent 操作界面Agent 怎么操作 API 以外的真实环境选择 Computer Use、Browser Use 或 Code SandboxStage 4 先看懂Workflow Graph再用 framework 把它做出来Stage 7 再加入 Eval、观测、批准与恢复让同一张工作图可以稳定运行。学习顺序Stage 2 Prompt → Stage 3Agent Loop→ Stage 4Workflow GraphFramework → Stage 5 工具与规则 → Stage 6Context Engineering→ Stage 7 production。Prompt、Context、Harness、Loop、Graph 会一起工作它们不是五层也不是互相取代的产品世代。完成 A3 或 Stage 7 后可以开始 Capstone 项目想记录进度可使用 PROGRESS.zh-Hans.md。时间估算安排参考不是截止日期Track A约 8–10 周。重点是使用现成 CLI Agent 完成工作。Track B主干约 16–22 周每周投入 5–8 小时时通常需要 5–7 个月。Stage 5是工具与规则 HubTrack A 看怎么用Track B 看怎么组合。Stage 8是操作界面 HubTrack A 看怎么委派Track B 看怎么接进自己的 Agent。时程只是安排参考。先完成眼前的一步不需要一次读完整张地图。依身份继续走五条角色分支路线适合谁你会处理什么 研究人员研究生、博后、PI文献证据、可重现流程、Multi-Agent Review 开发者软件工程师CLI Delegation、Code Review、测试与回滚 教师老师、讲师备课、反馈、隐私与教学 Prompt 知识工作者顾问、PM、分析师Email、会议与报告工作流程 日常用户不一定写程序的 AI 用户写作、学习、隐私与安全使用怎么学才不容易卡住五条学习纪律一次只走一个 Stage先回答这一章的核心问题。核心词与必读先看它们会直接用在后面的练习。直接复制第一个命令先跑不连网的测试不必抄一份空白文件。一次只改一件事改完立刻再跑测试才知道是哪个改动造成结果。做到完成条件再往下走看懂不等于做得到。每个starter.py都是可执行参考。先看题目与成功条件再修改一个地方并重跑测试。完整方法见如何使用这份教材——它把学习法总结成六步循环看成果 → 直接执行 → 选一个小改动 → 先猜结果 → 再跑测试 → 说出原因并建议每题做完问自己三句话为什么要这样写拿掉它会怎样真实环境还缺什么测试通过只表示目前检查的行为正确能回答这三题才表示你知道系统为什么能跑。先收藏的学习入口这里只放最常用入口完整清单在 RESOURCES.zh-Hans.md。星号表示学习优先顺序不是项目排行榜。用途入口什么时候用重要性开始零基础设置指南第一次安装与执行⭐⭐⭐⭐⭐开始如何使用这份教材开始第一个动手练习前⭐⭐⭐⭐⭐开始学习进度表想知道下一步或记录完成项目⭐⭐⭐⭐学习核心名词表遇到 Token、RAG、MCP 等陌生词⭐⭐⭐⭐⭐学习可执行范例入口想直接跑离线测试与小型案例⭐⭐⭐⭐⭐学习实作 Cookbook想做 Skill、MCP、Office、Zotero 或本机 LLM⭐⭐⭐⭐查资料资源工具柜不知道该查 Guide、Catalog 还是 Cookbook⭐⭐⭐⭐⭐查资料完整资源清单想找官方文档、课程、社群与延伸阅读⭐⭐⭐⭐查资料CLI Agent 选择指南准备走 Track A 或比较 CLI 工具⭐⭐⭐⭐查资料课程与认证地图分清完成证书、技能徽章和认证考试⭐⭐⭐⭐练习与测试的源码级设计先 Mock再 Live双路径可运行这张地图的“动手”部分不是零散脚本而是有一套明确的工程约定可以在 CLAUDE.md 与 examples/README.zh-Hans.md 中交叉验证双路径是硬性要求每个模型练习都同时提供 Path AOllama本地默认、API 费用 $0与 Path BAnthropic云端质量对照starter.py OllamaOpenAI-compatible 默认starter_anthropic.py Anthropic SDK 版本test.py与test_anthropic.py分别是两侧的 mock-based 离线测试requirements.txt同时固定openai与anthropic。CLAUDE.md 的 framing rules 还要求Claude 是文档定位中的 canonicalproduction 参考Ollama 是练习默认每个练习必须显式给出单次运行成本与整章预算。先跑不花模型费用的测试以 examples/stage-3/01-function-calling/ 为例第一次运行只要三行命令——pip install -r requirements.txt后python test.py看到通过信息只表示固定逻辑能工作它还没有证明任何模型一定会答对接着才选择 Path Aollama pull qwen2.5:3b ollama serve python starter.py或 Path B设置ANTHROPIC_API_KEY后运行starter_anthropic.py。这就是文档中的Path CMock→ Path AOllama→ Path BAnthropic三路径节奏。本地模型 tag 有明确分工Stage 1–2 纯对话用gemma4:e4b官方显示约 9.6 GB低内存可改gemma4:e2bStage 3–6 的 Tool UseReAct 用qwen2.5:3b约 1.9 GB当前范例的工具调用默认值Stage 7 的 EvalObservabilityStreamingDeploy 用qwen3.5:4b约 3.4 GB。这些是教材默认值不是通用模型排名。练习文件并不千篇一律stage-3/06-schema-design/用starter_bad*starter_good*比较 schema 好坏stage-4/04-codeact-vs-json-tool/额外带 Docker smoke teststage-7/06-safe-execution/只有starter.py与test.py用本机 JSON 假动作教 approval、checkpoint、resume 与 idempotency完全不调用模型stage-5/tool-calling-tutor/则是可安装的 SKILL 包而非 Python starter。设计底线是每个 Python 练习都要能用离线测试检查固定逻辑starter 保持小一个 starter 原则上不超过 80 LOC环境变量只放假 key 范例。以 Stage 3 — 工具使用与第一个 Agent Loop 为例章节先给出schema → call → execute → result → answer五步模型与八个核心词Tool Use、Function Calling、Tool Schema、Tool Call、Tool Result、Agent Loop、ReAct、Structured Output并强调“模型本身不会执行你的 client tool”然后列出写第一个 Agent 前的五条底线只执行 allowlist 里的工具、把工具参数当成不可信输入、工具只拿最小权限、高风险动作执行前要人确认、设置最大轮数与费用上限。对应练习 03-react-from-scratch 用约 70 行 Python 从零实现 ReAct 循环react_loop内含max_itersafety net、messages累积与 tool result 接回test.py用unittest.mock覆盖test_react_loop_respects_max_iter等六个用例并列出三个常见坑忘记把 assistant response 加进 messages、tool_result 没带tool_use_id、while True没有 max_iter。自动化质量门禁仓库scripts/下集中了大量test_*.py检查模块链接检查、三语镜像一致性、锚点、汉字、仓库新鲜度、Stage 模板、渲染站点等。按 CLAUDE.md 中 2026-09-13 的观察记录当时有 58 个scripts/test_*.py模块、合计 1,145 个测试这是有日期的观测数据CI 与pytest --collect-only才是当前事实来源。一起改进这张地图贡献方式与自动检查内容错误、失效链接或过时信息请开 Issue。想补一个项目或学习资源请附上“它教哪个 Stage 的什么”。准备送 PR先看 CONTRIBUTING.zh-Hans.md 与写作规范。最近更新内容查看 CHANGELOG.md。你可以修正文字、补三语镜像、回报缺少的主题或长期维护一个 Stage角色路线。新增 GitHub 项目链接时自动检查会协助查看归档状态、License 与最近更新是否收录仍由 maintainer 依学习价值判断。完整角色与规则见 CONTRIBUTORS.md。重要启发与相关项目这份地图明确承认自己的生态位置Datawhale Hello-Agents适合需要完整章节与深度实作的读者Datawhale 社群提供许多可靠的中文机器学习学习入口liyupi/ai-guide偏向广度资源库本仓库则负责安排学习顺序。仓库整体采用 MIT 授权会继续免费公开引用格式如下misc{awesome_agentic_ai_zh_2026, title {awesome-agentic-ai-zh: A Structured Learning Roadmap for Agentic AI}, author {Chiou, Wenyu}, year {2026}, url {https://github.com/WenyuChiou/awesome-agentic-ai-zh} }无论你走 Track A 使用现成 CLI Agent还是走 Track B 从零打造 Agent 系统这张地图给你的都不是“背下所有名词”而是一条可执行、可验证、可回头的路先懂基础再做出东西最后做得可靠。赞分享教程文档AI Agent人工智能大模型【免费下载链接】awesome-agentic-ai-zhA trilingual (繁中 / English / 简中) learning roadmap for agentic AI: from LLM basics to multi-agent systems, with 240 curated resources and hands-on examples. 中文 AI agent 學習地圖。项目地址https://gitcode.com/gh_mirrors/aw/awesome-agentic-ai-zh点击查看免费下载相关推荐全面解析 AI Agent 学习地图 awesome-agentic-ai-zh240 精选资源带你从零基础到多 Agent 系统全面解析 AI Agent 学习地图 awesome agentic ai zh240 精选资源带你从零基础到多 Agent 系统 awesome agen教程文档AI Agent人工智能大模型wait-k 同步翻译基线模型实战指南基于 fairseq 在 MUST-C 英德数据集上的训练与评估wait k 同步翻译基线模型实战指南基于 fairseq 在 MUST C 英德数据集上的训练与评估 本篇技术指南以 baseline.md https:/教程文档AI Agent人工智能大模型如何快速开始 AI Agent 学习awesome-agentic-ai-zh 双路线CLI 用户 vs 开发者选择指南如何快速开始 AI Agent 学习awesome agentic ai zh 双路线CLI 用户 vs 开发者选择指南 awesome agentic教程文档AI Agent人工智能大模型上一篇ng-zorro-antd Select 远程搜索实战基于 RxJS 实现防抖、请求时序控制与加载态的多选示例下一篇视频下载插件VideoDownloadHelper使用教程免费开源三步保存网页视频创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考