Loading repository data…
WenyuChiou / repository
awesome-agentic-ai-zh
A 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。
#agentic-ai#agentic-workflows#ai-agent#ai-agents#awesome-list#chinese-llm
Live repository statistics
★ 4.5KStars
⑂ 586Forks
◯ 1Open issues
◉ 4.5KWatchers
README preview
awesome-agentic-ai-zh
🤖 AI Agent 學習地圖 — 從基本 LLM 概念到自己打造多 agent 系統
🎯 專案介紹
本 repo 角色定位：學習路線圖 + 240+ 資源 curation + 簡單 illustrative 案例——三件事為核心、幫想學 AI / AI agent 的人從「不知道從哪開始」走到「能設計多 agent 系統」。
具體做法：
| 核心 | 做什麼 | 規模 |
|---|---|---|
| 學習路線圖 | 把網路散落的高品質專案、教材、必修閱讀，按從零開始、循序漸進整理成 8 個階段（含 Stage 5 + Stage 8 兩個共用 hub）+ 2 條學習路線 + 5 條延伸路徑 | 8 stages、2 tracks |
| 資源 curation | 每階段精選 240+ 個 project（含星等、適合誰、教什麼、怎麼跑），加上中文 AI 生態(DeepSeek / Zhipu / Kimi 等)MCP / Skill 完整 catalog | 240+ projects、65 MCP/Skill |
| 簡單 illustrative 案例 | 每階段附 1-5 個基礎練習（70-150 行 starter + dual-path Ollama/Anthropic SDK 對照 + mock-based test） | 23 個練習 folder |
走完整條路線，你會從「LLM 使用者」進階到「agent 系統建構者」——能看懂 framework 在做什麼、能設計多 agent 協作、能寫自己的 MCP server。
📖 關於中英文混用：本專案保留 AI Agent 領域常見英文術語（Prompt Engineering / Context Engineering / Harness / MCP / Skills / RAG 等），因為官方文件、paper、GitHub repo 與 API 文件多以英文為主。每個重要概念會提供 中文理解名 + 英文正式術語 + 一句白話定位，讓讀者能先理解概念，再對接英文生態。完整對照見
resources/glossary.md。
📋 目錄
📚 快速開始
🚀 第一次接觸 AI agent / 沒寫過 code？
先看 resources/setup-guide.md — 30-45 分鐘從零帶你申請 API key、裝好 Python、跑出第一個 LLM hello-world。
線上閱讀
- 學習地圖（兩條學習路徑） — 看完這節決定走 Track A 還 Track B
- Stage 0 基礎準備 — 已經會 Python / git / API 的人可以直接跳 Stage 1
本地下載
git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git
cd awesome-agentic-ai-zh
# 從 stages/00-foundations.md 開始
✨ 你會收穫什麼？
- 📖 完全免費 — MIT 授權，所有內容開放共學
- 🗺️ 兩條學習路徑 — Track A（CLI Power User）給「想 USE 現成 CLI agent」的人；Track B（Agent Builder）給「想 BUILD 自己 agent」的人。共用 Stage 0-2 基礎
- 🛠️ 基礎動手練習 — 每階段附 1-5 個 illustrative 練習（題目 + dual-path SDK 對照 + success criteria）。定位是基礎入門 + 路線確認——chapter-length 深度練習見對應 stage 的 hello-agents / Anthropic Cookbook callout
- 🎯 精選 240+ 個 projects — 每個都附星等推薦、適合誰、教什麼、怎麼跑（含本地 LLM 執行：Ollama、llama.cpp、LocalAI、MLX）
- 🌏 三語完整維護 — 繁中(canonical)/ 簡中 / English,三版皆完整維護、英文非薄翻譯
- 🎓 不只「框架」、還有「Claude Code 生態」 — MCP / Skills / Plugins / SDK 完整堆疊
- 🔬 5 條依使用者分流的延伸路線 — 研究員 / 開發者 / 老師 / 知識工作者 / 日常使用者
- ⏱️ 預估時程寫清楚 — Track A 8-10 週 / Track B 主幹最少 16-22 週、現實 5-7 個月（每週 5-8 hr）
🗺️ 學習地圖（兩條學習路徑）
走完 Stage 0-2（共用基礎） 之後，依你的目的選一條學習路徑：
- Track A — CLI Power User：你想用現成的 CLI agent（Claude Code、Codex、OpenCode、Gemini CLI 等）把工作做順、效率拉高，不打算自己從零寫 agent。3 個 sub-stage（A1-A3）。
- Track B — Agent Builder：你想從零打造自己的 agent——學 framework、寫 ReAct、設計 multi-agent。Stage 3-8 是主路線。
兩條學習路徑不互斥——多數人是先走 A 把 CLI 用起來，再回到 B 學內部運作；或反過來也行。Stage 5（Claude Code 生態）兩條路徑都會用到。
共用基礎（Stage 0-2）
| Stage | 主題 | 關鍵內容 | 預估時程 |
|---|---|---|---|
| 0 | 基礎準備（Foundations） | Python · CLI · git · API · JSON | 1-2 週 |
| 1 | LLM 基礎（LLM Basics） | token · API · 各家 LLM 比較 · 本地 LLM | 1 週 |
| 2 | Prompt 設計（Prompt Engineering） | 系統 prompt · few-shot · CoT | 1-2 週 |
Track A — CLI Power User（想用 CLI 把事情做完）
| Stage | 主題 | 關鍵內容 | 預估時程 |
|---|---|---|---|
| A1 | 選一個 CLI Agent，開始用它做事（CLI Agent Intro & Selection） | 7 主流 CLI 比較 · 安裝 · 第一次跑 | 1 週 |
| A2 | 建立可重複使用的 CLI 工作流程（CLI Workflow Patterns） | CLAUDE.md · slash command · 多步驟拆解 | 1-2 週 |
| A3 | 把 CLI Agent 接進真實工作流程（Integration & Production） | MCP 接 CLI · CI 自動化 · cost / observability | 1-2 週 |
| +5 | Stage 5 — Claude Code 生態（共用 hub） | MCP · Skills · Plugins · Subagents、Track A 必看 5.1-5.4 / 選讀 5.5-5.7 | 1-2 週（Track A 視角） |
| +8 | Stage 8 — Agent Interfaces（共用 hub） | Computer Use · Browser Use · Code Sandbox、Track A 視角看 Track A 怎麼用 | 1-2 週（Track A 視角） |
Track A 預估總時程：含 Stage 0-2（共用基礎）+ A1-A3 + Stage 5 + Stage 8（兩個共用 hub）= 約 8-10 週。核心參考：
resources/cli-agents-guide.md。
Track B — Agent Builder（從零打造 agent）
| Stage | 主題 | 關鍵內容 | 預估時程 |
|---|---|---|---|
| 3 ⭐ | 工具使用與第一個 Agent（Tool Use & Hello Agent） | function calling · ReAct · 5 個動手練習 | 2-3 週 |
| 4 | Agent 框架（Agent Frameworks） | LangGraph · AutoGen · CrewAI · Smolagents | 2-3 週 |
| 5 ⭐⭐ | Claude Code 生態系（Claude Code Ecosystem）（共用 hub、Track A 也學） | MCP · Skills · Plugins · Subagents | 3-4 週（Track B 視角） |
| 6 | 上下文管理（Context Engineering）：RAG 與 Memory | vector DB · long-term memory · contextual retrieval | 2 週 |
| 7 | 多 Agent 系統與穩定運作（Multi-Agent & Production） | multi-agent orchestration · eval · observability · SDK 進階 | 2-4 週 |
| 7.5 | 進階 Agentic Workflow 概念（Advanced Agentic Concepts）（reading map） | 工作邊界 · PAR loop · agent-as-judge · 12 個進階概念 + reading list | 1 週（不寫 code） |
| 8 ⭐⭐ | Agent 操作介面（Agent Interfaces）（共用 hub、Track A 也學） | Computer Use · Browser Use · Code Sandbox、2024-2026 frontier | 2-3 週（Track B 視角） |
Track B 預估總時程：主幹最少 16-22 週、現實 5-7 個月（每週 5-8 hr 兼職）
兩個共用 hub（Track A + Track B 都會用到）：
- Stage 5 = Claude Code 生態（MCP / Skills / Plugins / Subagents）—— Track A 學 MCP 接 CLI、Track B 學 agent runtime 結構
- Stage 8 = Agent Interfaces（Computer Use / Browser / Sandbox、2024-2026 frontier）—— Track A 學「怎麼用」委派任務、Track B 學「怎麼 build」embed 進 agent
兩個 hub 出現在兩條 track 內、視角不同、學的深度也不同（內文有 Track A / Track B 分視角段）。
💡 想看跨 stage 的完整範例？ 7 步打造你的第一個 AI Agent — 同一個 Paper Summary Bot 從 Stage 1 一路寫到 Stage 7，~350 行真實程式碼（Track B 適用）
走完主幹後，依你的身分挑一條延伸路線繼續走。不確定挑哪條？
💡 「日常使用者」這條路線不必走完主幹就能直接讀——是給「想用 AI、但不一定要寫 code」的人。
| 路線 | 適合誰 | 主題 |
|---|---|---|
| 🔬 研究人員 | 研究生、博後、PI | 文獻整理 · paper 寫作 · multi-agent review |
| 💻 開發者 | 軟體工程師 | Cursor · Aider · CLI delegation · code review |
| 🎓 教師 | 老師、講師 | 備課 · 投影片 · 學生 feedback · 隱私 / 倫理 · prompt 範本 |
| 📊 知識工作者 | 顧問、PM、分析師 | Email · 會議紀錄 · report 自動化 |
| 👥 日常使用者 | ChatGPT / Claude.ai 使用者 | 寫信 · 學習 · 隱私場景 · CLI agent 入門 |
💡 如何學習
這份路線圖兼顧概念與實作，目標是帶你從 LLM 使用者一路走到 agent 系統建構者。適合有基本 Python 能力的開發者、研究生、自學者。動手之前，先確認你有：
- 基本 Python — 寫過 function、用過 API、看得懂 JSON
- 基本 git — clone、commit、push
- 想學的動機 — agent 是 2024-2026 變化最快的領域，需要持續投入（2026 仍每月推新 model / 新 framework）
上面有缺的就從 Stage 0 補齊；都會了就直接跳 Stage 1。
主幹分 5 部分：
- Part 1（Stage 0-2）：基礎與 LLM 入門 — Python / git / API、什麼是 LLM、怎麼設計 prompt
- Part 2（Stage 3-4）：建構你的 Agent — 從 tool use 進化到 agent，學主流 framework
- Part 3（Stage 5） 共用 hub — Claude Code 生態系（MCP / Skills / Plugins / Subagents、Track A + B 都會用到）
- Part 4（Stage 6-7）：進階整合 — memory / RAG / multi-agent 協作 / harness engineering
- Part 5（Stage 8） 共用 hub — Agent Interfaces（Computer Use / Browser Use / Code Sandbox、2024-2026 frontier、Track A + B 都會用到）
🔭 三層概念進化：prompt engineering（Stage 2、單一 prompt 怎麼寫）→ context engineering（Stage 3 之後、怎麼動態組 system prompt + memory + retrieved chunks + tool schema）→ harness engineering（Stage 7、agent loop / eval / observability / deploy 整套包成 production system）。3 個術語對應 3 個 phase、不必另外找資源。詳見
stages/02-prompt-engineering.md#-進階context-engineering不是-prompt-engineering-了跟stages/07-multi-agent-production.md必修閱讀 5+6。
走完主幹（14-19 週）後，依你的身分（研究員 / 開發者 / 老師 / 知識工作者 / 日常使用者）挑一條延伸路線繼續走。
最重要的一句話：不要跳過 動手練習。每個 stage 的 動手練習都是「不動手就學不會」的東西，光讀過去後面會卡住。
🎓 動手練習怎麼用才對：每個練習 folder 裡的
starter.py是完整解答、不是 TODO skeleton。如果你 clone 下來直接cat starter.py+python test.pypass、會誤以為「我學會了」、其實沒寫一行 code。正確學習法：mv starter.py starter_reference.py、看 signature 不看 body、自己重寫、卡住才回去對照。完整方法論 + 每個 stage 的時間預算 + 卡住處理流程看docs/HOW_TO_USE.md。
準備好了嗎？從 Stage 0 開始。
📚 相關資源
完整的相關資源（用語說明 + 常用 MCP / Skill highlight + awesome lists + 中文社群）抽到 RESOURCES.md 避免主頁過長。
直接看常用入口、依情境分組：
🚀 入門 / 環境設定
| 你的狀況 | 去哪 | 內容 |
|---|---|---|
| 完全沒寫過 code、第一次接觸 AI agent | resources/setup-guide.md | 30-45 分鐘從零裝好（API key、Python、第一個 hello-world） |
| 不知道挑哪個 LLM provider | resources/setup-guide.md A | Anthropic / OpenAI / DeepSeek / Kimi / NVIDIA NIM 對照 |
| 同主題 awesome list / 中文社群 | RESOURCES.md 同主題清單 | 5-10 分鐘逛一輪 |
📖 概念 / 用語
| 你的狀況 | 去哪 | 內容 |
|---|---|---|
| 不懂某個詞（LLM / agent / RAG / token / MCP / Skill / 向量資料庫…） | resources/glossary.md | 30+ 詞、每個 30-80 字 + 哪 stage 講細的 |
| 想搞懂 agent 為什麼有的在 terminal、有的在 Telegram、有的在 Jetson | resources/agent-paradigms.md | 5 種 agent 型態 mental model + Hermes / OpenClaw 例子 |
| MCP / Skills / Plugins 用語對照 | RESOURCES.md 三個核心用語 | 1 頁速查表 |
| 想找帶證書的線上 AI agent 課（英文 + 中文） | resources/courses.md | 10 門 credible、會發證書的課，分 tier；含「完成證書 ≠ 學歷」誠實 caveat |
🛠 動手實作
| 你的狀況 | 去哪 | 內容 |
|---|---|---|
| 想動手寫 Skill / MCP server / 接 Word / Zotero / 本機 LLM | resources/cookbook.md | 6 個 step-by-step recipe、每個 30-50 分鐘 |
| 想用 subagent 但不知該派誰、怎麼派、派什麼工作 | resources/subagent-cookbook.md | 15 個複製貼上即用的 dispatch recipe |
| 自己寫 subagent / 組合多個 / debug 跑壞的（進階） | resources/subagent-advanced.md | description 寫法 4 個 bug + composition 3 pattern + debug 5 切點 |
| 卡在 tool calling（LLM 不呼叫 / schema 寫不好 / ReAct loop 跑不停） | examples/stage-5/tool-calling-tutor/ | 可裝進 Claude Code 的 skill、4-symptom diagnostic |
| 動手練習怎麼正確使用（主動 vs 被動模式） | docs/HOW_TO_USE.md | 5-10 分鐘讀完、配合每個 stage 用 |
🔌 接日常工具 / 找 MCP server
| 你的狀況 | 去哪 | 規模 |
|---|---|---|
| 接 Notion / Obsidian / Excel / GitHub 等工具 | RESOURCES.md 接日常工具 | 7-8 個 highlight |
| 完整 MCP server / Skill 目錄（含星等、分類） | resources/mcp-skills-catalog.md | 65+ 條、16 大分類 |
🔬 研究 / production 級
| 你的狀況 | 去哪 | 內容 |
|---|---|---|