datawhalechina/Agent-Learning-Hub · 上手攻略
- 仓库：datawhalechina/Agent-Learning-Hub
- 链接：https://github.com/datawhalechina/Agent-Learning-Hub
- 分类：agent · learning-resource
- 作者：Tom
- 更新：2026-07-08
一、是什么
Agent-Learning-Hub 是 Datawhale 社区维护的一份AI Agent 系统化学习路线，目标是把社区里的优秀分享、官方博客、论文、开源项目和真实工程经验，整理成一份可以照着执行的 AI Agent 学习 todo list。
这不是一个代码工具仓库，而是一个学习导航仓库——README 即全部内容，作者是 Datawhale 成员陈思州（jjyaoao）。内容以 Markdown 清单形式组织，覆盖从"什么是 Agent"到"生产级 Harness"的全阶段路径。
二、解决什么问题
AI Agent 学习的两大困境：
- 信息过载无头绪： 网上关于 Agent 的资料太多（论文、博客、框架、工具），新手不知道从哪开始、该学什么、不该重押什么。
- 学了理论不会做： 看完了 LLM API 文档和 Agent 论文，但在真实项目中还是搭不出可用的 Agent 循环、工具调用和评测框架。
Agent-Learning-Hub 的解法是按学习阶段分层，每个阶段给出明确产出目标、推荐阅读和参考项目，让学习有终点而不是无限循环。
三、快速上手
第一步：评估自己的起点
| 你处于什么阶段 | 建议从哪开始 |
|---|---|
| 纯新手，不确定 Agent 和 workflow 的区别 | Stage 1，从"区分 chatbot/workflow/agent"开始 |
| 会用 LLM API，但没有 agent loop 经验 | Stage 2，重点学 tool call 和 agent loop |
| 有简单 agent 经验，想补评测和工程化 | Stage 3，学 RAG、memory、eval |
| 想深入研究一个现代 agent 系统 | Stage 4，选一个系统（Claude Code / OpenClaw）学透 |
| 已经有项目经验，想做多 agent 协作 | Stage 5+ |
第二步：直接读 README，按阶段打勾
仓库只有一个文件：https://github.com/datawhalechina/Agent-Learning-Hub 的 README。建议直接浏览器打开，对着目录从 Stage 1 往下做，每完成一个节点在本地笔记里打勾。
四、核心内容结构
Stage 1 · 基础概念（入门必做）
目标： 区分 chatbot、workflow、agent、multi-agent；理解 agent 基本循环。
核心产出：写一页笔记，回答"我的场景为什么需要 agent，而不是普通 workflow？"
关键阅读： - Anthropic: Building effective agents - OpenAI: A practical guide to building agents
Stage 2 · Agent Loop 入门（核心技能）
目标： 实现一个 50-150 行的最小 agent，可选工具、执行工具、返回答案。
核心能力清单： - 让模型输出结构化 JSON / tool call - 定义工具函数（search、calculator、read_file） - 解析 tool call 并执行 - 给 agent loop 加最大步数、超时和错误处理
推荐项目参考： - GPT Researcher — 资料研究助手成品 - Khoj — 个人 second brain，本地文档 + 语义搜索 - AnythingLLM — 本地 RAG + agents 产品形态
Stage 3 · 工具生态与 Memory
目标： 做 RAG、实现工具链、区分短期/长期记忆。
关键概念： - chunk / embed / retrieve / answer with citations - 短期上下文 vs 会话记忆 vs 长期记忆 - 工具失败、空结果、重复调用的处理
推荐阅读： - LlamaIndex Agents - Model Context Protocol (MCP)
Stage 4 · 深入一个现代 Agent 系统
这是整个路线最值得花时间的部分。 不学"框架 API 怎么调"，而是学一个系统如何组织工具、上下文、权限、状态、日志和反馈。
| 系统 | 最适合学习 |
|---|---|
| Claude Code Docs | Coding agent 产品，CLI、工具、权限、hooks、subagents、MCP |
| learn-claude-code | 从 0 到 1 复刻 Claude Code-like harness |
| claw0 | 从 0 到 1 构建 OpenClaw-like gateway |
| hello-agents | 中文 Agent 原理与实践教程 |
| OpenClaw | 本地优先 personal agent，skills、消息入口、系统工具 |
| DeerFlow | Long-horizon SuperAgent harness（2.0 分支） |
核心产出： 找出一个 agent harness 的 agent loop、tool registry、permission gate、session store、context compaction 的位置，画出架构图。
Stage 5 · 多 Agent 协作
目标： 实现 planner / executor / reviewer 多角色协作，理解什么时候单 agent 更好。
推荐阅读： - Claude Code Subagents - Agent2Agent Protocol (A2A) - Agent Client Protocol (ACP)
Stage 6 · Skills、MCP、A2A（能力扩展协议）
目标： 理解 Skill 和 Tool、Prompt、MCP 的本质区别；写一个可复用 SKILL.md。
这是当前 Agent 领域最重要的方向之一——让 agent 具备可发现、可版本化、可分发的能力包。
Stage 7 · Browser Agent
目标： 用 Playwright/browser-use 做网页观察和点击；给浏览器操作加安全限制。
关键工具：browser-use、Claude Computer Use
Stage 8 · Eval 与 Safety
目标： 建立固定测试集；了解 prompt injection、data exfiltration 等风险。
Stage 9 · 生产级项目
目标： 有日志、trace、错误重试、超时、成本上限；权限边界和人工确认；完整 README。
五、项目阶梯（Project Ladder）
从最小可用项目到完整生产级实现：
| Level | 项目 | 学什么 |
|---|---|---|
| 1 | Calculator Agent | 最小 tool call loop |
| 2 | Web Research Agent | 搜索、筛选、引用、总结 |
| 3 | PDF QA Agent | RAG、chunk、retrieval、citation |
| 4 | Coding Review Agent | diff 读取、风险排序、测试建议 |
| 5 | Browser Agent | 页面观察、点击、提取、失败恢复 |
| 6 | Claude Code-like Nano Agent | shell、文件编辑、权限、session、compact |
| 7 | OpenClaw-like Gateway | channel、routing、session、memory、heartbeat |
| 8 | Reusable Skill Pack | SKILL.md、脚本、模板、smoke test |
| 9 | Multi-Agent Writer | planner、writer、reviewer 协作 |
| 10 | Personal Agent | OpenClaw/Hermes-style 记忆、skills |
| 11 | Production Harness | evals、trace、权限、CI、runner |
六、坑与注意
-
不要按 star 数乱读项目： 仓库明确指出这是新手常见误区。优先按学习阶段目标选项目，而不是追最新最热。
-
老式 CrewAI/AutoGen 框架优先级下降： 仓库明确建议"不建议把精力重押在已经泛化成模板的老式 crew/role-play 框架上"。了解可以，不要作为学习主线。
-
Claude Code 是当前最好的 Agent 工程样本： 仓库把 Claude Code 列为 Priority 1，建议按"官方文档 → 复刻项目 → 架构解析 → 工程对照"的顺序学习。
-
Stage 4 是分水岭： 前几个阶段偏通用，后面的价值在于"学深一个系统"，而不是走马观花看十个框架。
-
Skills 与 MCP 有本质区别： Skill 是流程知识包（含触发条件、验收标准），MCP 是工具接入协议，两者不可混为一谈。
-
中文资料丰富但不系统： 仓库里中文项目（如 hello-agents、claw0）适合补原理，但主线路径推荐优先读英文官方文档。
七、与同类对比
| 资源 | 类型 | 特点 | 适合谁 |
|---|---|---|---|
| Agent-Learning-Hub | 学习路线 | 分阶段 + 产出导向 + 项目阶梯 | 想系统学习的工程师 |
| microsoft/ai-agents-for-beginners | 课程 | 微软官方，更偏概念入门 | 纯新手 |
| smolagents | 框架 | 轻量 CodeAgent，适合边学边写 | 想通过代码理解 Agent |
| hello-agents | 教程 | 中文，从零构建智能体 | 中文读者补原理 |
八、一句话推荐结论
Agent-Learning-Hub 是目前中文社区最结构化的 Agent 学习路线——不堆链接，而是告诉你先学什么、再学什么、每个阶段产出什么，特别适合有一定 LLM 基础、想从"会用 API"升级到"能独立构建 Agent 系统"的工程师。