WenyuChiou/awesome-agentic-ai-zh · 上手攻略

• 仓库：WenyuChiou/awesome-agentic-ai-zh
• 链接：https://github.com/WenyuChiou/awesome-agentic-ai-zh
• 分类：ai
• 作者：Tom
• 更新：2026-07-09

是什么

这是一个三语（繁中 / English / 简中）AI Agent 学习路线图，核心定位是"学习路径 + 资源精选 + 入门练习"三合一，帮助想学 AI Agent 的人从「不知道从哪开始」到「能设计 multi-agent 系统」。

具体规模： - 8 个 Stage + 2 条学习路线 + 5 条延伸路径 - 240+ 精选项目（每个附 Stars、适合人群、关键内容、运行方式） - 65+ MCP / Skill 完整目录 - 23 个动手练习（70-150 行 starter + dual-path Ollama / Anthropic SDK 对照）

MIT 许可证，完全免费。

解决什么问题

AI Agent 领域资料极度分散：GitHub 项目、教程、官方文档、Paper 分属不同生态；中文资料尤其稀缺且质量参差；多数路线图要么太浅（只教你调 API），要么太深（直接上 Paper），缺少一条从零到能独立设计 agent 的渐进路径。

awesome-agentic-ai-zh 的价值在于：把散落的高质量资源按学习阶段系统整理，配套真实可跑的 starter code，让学习者有路径可循、有代码可练、不用自己在信息洪流里摸索。

快速安装

不需要安装任何东西——这是一个纯资料型 repo，全部内容均可直接在线阅读。但如果你想本地查阅和跑练习代码，需要准备以下环境。

环境准备（约 30-45 分钟）

Step 1：获取 API Key（三选一）

推荐先从网页版开始体验，完全免费：

API Key 申请地址： - Anthropic：console.anthropic.com → API Keys → Create Key - OpenAI：platform.openai.com/api-keys - Google：aistudio.google.com

⚠️ API Key 安全三不规则： - 不贴到 chat 窗口、群组、email 或截图 - 不上传到 git（GitHub 会自动扫描并撤销） - 不放云端硬盘纯文本（同步到其他设备 = 多一份泄露风险）

Step 2：安装 Python 环境

推荐使用 uv（比 pip 快 10-100 倍）：

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 创建并激活项目环境
uv venv my-agent-project
source my-agent-project/bin/activate  # Windows: my-agent-project\Scripts\activate

Step 3：安装 Claude Code（CLI Agent）

# macOS
brew install claude
# 或下载：https://docs.anthropic.com/en/docs/claude-code/quickstart

# 验证
claude --version
claude auth   # 首次登录

下载本地路线图

git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git
cd awesome-agentic-ai-zh
# 从 stages/00-foundations.md 开始阅读

核心用法

学习路径概览

路线分两条主路径（Stage 0-2 共用基础，之后分叉）：

Track A — CLI Power User（约 8-10 周）

适合：想用现成 CLI agent（Claude Code、Codex 等）提升工作效率，不打算自己从零写 agent 的人。

Stage 0  基础准备（Python / CLI / git / API / JSON）  ─┐
Stage 1  LLM 基础（token / API / 各家 LLM 比较）       │
Stage 2  Prompt 设计（系统 prompt / few-shot / CoT） ─┴─ 共用基础
A1       选一个 CLI Agent 开始用它做事
A2       建立可重复使用的 CLI 工作流程（CLAUDE.md / slash command）
A3       把 CLI Agent 接进真实工作流程（MCP / CI 自动化）
Stage 5  Claude Code 生态（MCP / Skills / Plugins / Subagents）
Stage 8  Agent Interfaces（Computer Use / Browser Use）

Track B — Agent Builder（约 16-22 周主路线，现实中 5-7 个月）

适合：想从零打造自己的 agent——学 framework、写 ReAct、设计 multi-agent 的人。

Stage 0  基础准备
Stage 1  LLM 基础
Stage 2  Prompt 设计
Stage 3  工具使用与第一个 Agent（function calling / ReAct / 5个练习）⭐
Stage 4  Agent 框架（LangGraph / AutoGen / CrewAI / Smolagents）
Stage 5  Claude Code 生态系（MCP / Skills / Plugins / Subagents）⭐⭐
Stage 6  上下文管理：RAG 与 Memory
Stage 7  多 Agent 系统与稳定运作
Stage 7.5  进阶 Agentic 概念（不写 code，纯 reading）
Stage 8  Agent 操作接口（Computer Use / Browser Use / Sandbox）⭐⭐

典型练习代码结构

每个练习包含：

exercises/
  stage-03/
    01-hello-agent/          # 题目
    01-hello-agent/ollama/   # Ollama 路径答案
    01-hello-agent/anthropic/ # Anthropic SDK 路径答案
    test_mock.py             # mock-based 测试

# 一个最简单的 function calling agent 示例（Anthropic SDK）
import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    tools=[
        {
            "name": "get_weather",
            "description": "Get current weather for a city",
            "input_schema": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "City name"}
                },
                "required": ["city"]
            }
        }
    ],
    messages=[
        {"role": "user", "content": "What's the weather in Tokyo?"}
    ]
)

# 如果模型决定调用工具，response.content 会包含 tool_use block
for block in response.content:
    if block.type == "tool_use":
        print(f"Calling tool: {block.name}")
        print(f"Input: {block.input}")

Stage 5 核心：MCP 安装示例

Model Context Protocol（MCP）是 Claude Code 生态的核心扩展机制：

# 通过 Claude plugin 安装
claude plugin marketplace add VoltAgent/awesome-claude-code-subagents

# 手动安装 MCP Server（以 GitHub 为例）
claude mcp add github -- npx -y @modelcontextprotocol/server-github

# 验证
claude mcp list

快速跑一个练习

cd awesome-agentic-ai-zh
cd exercises/stage-03/01-hello-agent

# 使用 Anthropic SDK
cd anthropic
cp .env.example .env  # 填入 ANTHROPIC_API_KEY
uv sync               # 安装依赖
uv run python main.py # 运行练习

# 或使用 Ollama（本地模型，零成本）
cd ollama
ollama pull llama3.2  # 拉取模型
ollama run llama3.2   # 交互式运行

典型适用场景

坑与注意

1. 时间预估偏理想：Track B 主干路线标注"最少 16-22 周"，现实中 Track B 建议 5-7 个月。如果你是兼职学习（每周 5-8 小时），做好 8-12 个月的准备。

2. "awesome" 类 repo 的通病：路线图质量依赖作者持续更新，截至 2026 年 7 月该 repo 维护状态活跃，但建议 star + 定期 check 更新。

3. 练习代码依赖最新版依赖：部分练习使用 anthropic Python SDK 新版（>=0.25），旧版 API 略有差异；Ollama 版本要求 0.1.38+。

4. 三语维护不等于高质量翻译：该 repo 的三语处理原则是"概念理解 + 英文正式术语 + 白话定位"，中文部分有独立撰写而非薄翻译，质量相对可靠，但某些专有名词（尤其是 MCP/Skills 生态）建议以官方英文文档为准。

5. Stage 5 是关键枢纽：Stage 5（Claude Code 生态）和 Stage 8（Agent Interfaces）是两条 Track 的共用 hub，无论走哪条路都会在此交汇，建议认真学习。

6. 不要跳过 Stage 0：即使你有 Python 基础，Stage 0 中关于"API Key 管理 / JSON 基础 / CLI 基础"的内容对后续至关重要，建议快速过一遍。

与同类对比

awesome-agentic-ai-zh 最适合：有一定编程基础（至少会 Python）、想系统学习 AI Agent 开发、且偏好中文资料的自学者或团队。

一句话推荐结论

这是目前中文生态中结构最完整、配套最实用的 AI Agent 学习路线图——Track B 走完，你就从"LLM 用户"进化成了"Agent 系统构建者"。