Agent Learning Hub

一份精心策划的 AI Agent 学习路线图，旨在帮助开发者构建实用、可靠的 Agent，而非仅仅收藏各种零散的链接。

这个仓库的核心展示内容即是这份 README。其目标是将社区中的优秀分享、官方博客、论文、开源项目和真实工程经验，整理成一份可执行的 AI Agent 学习 Todo List。

维护者

由 陈思州 (Datawhale 成员) 维护。

如何使用

• 新手用户：请按「学习 Todo List」从上到下执行，每完成一项就打勾。
• 已掌握 LLM 应用的开发者：从 Stage 2 或 Stage 3 开始，重点补充 Agent loop、工具调用、评测和工程化能力。
• 项目导向型：直接查看「项目阶梯（Project Ladder）」，每一档完成一个可运行的作品。
• 资料查阅者：直接查看「精选资源（Curated Resources）」，优先阅读官方文档和经典论文。

当前重点学习方向

Agent 领域变化极快。当前更值得投入的不是老式的“角色扮演多 Agent 框架”，而是以下更贴近真实生产力的方向：

优先级	学习内容	原因
1	Claude Code / Codex 风格的编码 Agent	真实代码库、shell、文件编辑、测试、权限、上下文压缩，是最好的 Agent 工程样本。
2	Agent Harness 工程化	Agent 的核心能力很大程度上源于 Harness：工具协议、权限、状态、反馈、回放、CI、评测。
3	OpenClaw / Hermes 风格的个人 Agent	长运行、本地优先、跨应用、记忆、技能（Skills）、消息入口，更像“个人操作系统”。
4	Skills / MCP / A2A / ACP	Skills 负责能力复用，MCP 连接工具，A2A 连接 Agent，ACP 连接宿主应用。
5	评测（Evaluation）与安全	没有 Eval、Trace 和权限边界的 Agent 只能算 Demo。

不建议将精力重押在已经泛化为模板的老式 crew/role-play 框架上。它们可以作为了解对象，但不应成为学习的主线。

学习 Todo List

Stage 0: 理解什么是 Agent

• 区分 chatbot、workflow、agent 和 multi-agent。
• 理解 Agent 的基本循环：observe -> think -> act -> observe。
• 明白什么时候不该用 Agent：当任务可预测、流程稳定，且普通脚本就能解决时，Agent 反而会增加不确定性。
• 阅读 Anthropic: Building effective agents。
• 阅读 OpenAI: A practical guide to building agents。

产出：写一页短笔记，回答“我的场景为什么需要 Agent，而不是普通 workflow？”

Stage 1: 构建最小化 Agent Loop

• 会使用 LLM API 完成普通对话。
• 会让模型输出结构化 JSON。
• 会定义一个工具函数（例如 search、calculator、read_file）。
• 会解析模型的 tool call / function call。
• 会执行工具，并将工具结果反馈给模型。
• 会给 Agent loop 增加最大步数、超时和错误处理机制。

推荐阅读：

• OpenAI Function Calling
• Gemini API Function Calling
• Claude Tool Use

产出：一个 50-150 行代码的最小化 Agent，能够自主选择工具、执行工具并返回最终答案。

Stage 2: 学习工具调用、RAG 和记忆

• 实现检索增强生成（RAG）：chunk、embed、retrieve、引用式回答。
• 将搜索、数据库、文件、浏览器、代码执行接入作为工具。
• 区分短期上下文、会话记忆和长期记忆。
• 处理工具调用失败、空结果、重复调用、幻觉引用。
• 让 Agent 在回答中给出引用来源或证据。

推荐阅读：

• LlamaIndex Agents
• LangChain Docs
• Gemini API Code Execution
• Model Context Protocol

开源项目参考：

项目	对应 Stage 2 的理由
GPT Researcher	最接近“资料研究助手”的成品：搜索、抓取、筛选、引用、生成长报告。
Open Deep Research	LangGraph 编写的 Deep Research 示例，适合学习多轮搜索、状态管理和引用输出。
STORM	Stanford OVAL 的研究写作系统，适合学习大纲、提问、多视角资料综合。
Khoj	个人 second brain，适合学习本地文档、网页、语义搜索和长期记忆。
Onyx	企业级 RAG/search assistant，适合学习 connectors、hybrid search、权限和生产化。
AnythingLLM	本地 RAG + Agents 产品，适合初学者快速理解完整应用形态。
RAGFlow	文档理解型 RAG 引擎，适合学习 ingestion、chunking、retrieval、grounded answer。
mem0	记忆层组件，适合学习如何为 Agent 添加长期记忆。
Letta	面向 stateful agents 的记忆/上下文平台，适合学习上下文管理。

产出：一个资料研究助手，输入主题后自动搜索、筛选、总结并输出引用链接。

Stage 3: 研究现代 Agent Harness

先选定一个现代 Agent 系统进行深入学习。重点不是“框架 API 怎么调”，而是它如何组织工具、上下文、权限、状态、日志、子任务和反馈。

系统	适用场景	学习目标
Claude Code Docs	编码 Agent 产品	学习真实编码 Agent 的 CLI、工具、权限、hooks、subagents、MCP。
learn-claude-code	从零实现 Agent Harness	从 0 到 1 复刻 Claude Code 风格的 Harness。
claw0	从零实现 OpenClaw 网关	从 Agent loop 一路构建 session、channel、gateway、memory、heartbeat、delivery、resilience、concurrency。
hello-agents	中文 Agent 教程	从零开始构建智能体，适合系统性补充 Agent 原理与实践。
OpenClaw	本地优先个人 Agent	学习本地长运行 Agent、Skills、消息入口、系统工具和安全边界。
Hermes Agent	自托管成长型 Agent	学习长期记忆、Skills、toolsets、多平台消息网关和迁移能力。
CyberClaw	透明 Agent 架构	学习全行为审计、两段式安全调用、双水位记忆和心跳任务。
LangGraph	有状态图编