awesome-agentic-ai-zh 项目推荐：一份走得完的中文 AI Agent 学习地图
中文圈学 AI Agent 的资源不缺——缺的是顺序。收藏夹里躺着三十个仓库、五个框架文档、十来篇论文，问题永远是「先看哪个、看到什么程度算过关、下一步跳去哪」。
WenyuChiou/awesome-agentic-ai-zh解的正是这件事：它不是又一份 awesome 清单，而是把资源排成有先后、有验收标准的 8 个阶段，并给每个阶段配了能在本地跑起来的入门练习。
一分钟速览
| 项 | 内容 |
|---|---|
| 仓库 | WenyuChiou/awesome-agentic-ai-zh |
| 在线文档站 | https://wenyuchiou.github.io/awesome-agentic-ai-zh/（作者自建，推荐直接读这里） |
| 定位 | 学习路线图 + 240+ 资源策展 + 简单示例练习 |
| 规模 | 8 个阶段、2 条学习路径、5 条延伸路线、23 组练习、65+ MCP/Skill 目录 |
| 语言 | 繁体中文（canonical）+ 简体中文 + English 三语 |
| 许可 | MIT |
| 维护者 | @WenyuChiou |
本站的编码 Agent 教程与最佳实践精选榜里它排在第 42 位（采集时 3,901 stars，分类为「学习合集」）。这篇单独拿出来讲，是因为它在同类清单里做了一件别人少做的事：给资源排序，并为每个序位配验收动作。
它和「awesome 清单」的区别
清单型仓库的问题是把选择成本原封不动交还给读者——两百个链接摆在一起，读者依然不知道从哪进。这个项目的做法是三件事各占一份：
| 组成 | 做什么 | 规模 |
|---|---|---|
| 学习路线图 | 把散落的项目、教材、必读材料按「从零到能设计多 agent 系统」排成阶段 | 8 阶段、2 条路径 |
| 资源策展 | 每个阶段精选项目，附星级推荐、适合谁、教什么、怎么跑 | 240+ 项目 |
| 示例练习 | 每阶段 1–5 个入门练习，70–150 行 starter，配 mock 测试 | 23 组练习 |
更值得说的是它明确承认自己不做什么。项目自述把 datawhalechina/hello-agents 列为中文圈章节级深度教材的标杆，并在每个阶段末尾放一个「想看章节级深度？去 hello-agents 第 X 章」的指路块。一个内容项目愿意把深度需求导流给别人，而不是硬把自己撑成教科书，这在开源文档里是少见的克制。
学习地图：先分岔，再深入
Stage 0–2 是共用基础，之后按目的分两条路径。这个分岔是这个项目结构上最实用的设计——「想用现成 CLI」和「想自己写 agent」本来就不该走同一条路。
共用基础
| 阶段 | 主题 | 关键内容 | 预估时长 |
|---|---|---|---|
| 0 | 基础准备 | Python · CLI · git · API · JSON | 1–2 周 |
| 1 | LLM 基础 | token · API · 各家 LLM 比较 · 本地 LLM | 1 周 |
| 2 | Prompt 设计 | 系统 prompt · few-shot · CoT | 1–2 周 |
Track A：CLI Power User
给「想把现成 CLI agent 用顺、不打算从零写 agent」的人。
| 阶段 | 主题 | 关键内容 | 预估时长 |
|---|---|---|---|
| A1 | 选一个 CLI Agent 开始用 | 8 家主流 CLI 对比 · 安装 · 第一次跑通 | 1 周 |
| A2 | 建可复用的工作流 | CLAUDE.md · slash command · 多步骤拆解 | 1–2 周 |
| A3 | 接进真实工作流 | MCP 接 CLI · CI 自动化 · 成本与可观测性 | 1–2 周 |
含共用基础与两个 hub，总时长约 8–10 周。
Track B：Agent Builder
给「想从零打造 agent」的人，是项目的主路线。
| 阶段 | 主题 | 关键内容 | 预估时长 |
|---|---|---|---|
| 3 ⭐ | 工具使用与第一个 Agent | function calling · ReAct · 5 个练习 | 2–3 周 |
| 4 | Agent 框架 | LangGraph · AutoGen · CrewAI · Smolagents | 2–3 周 |
| 5 ⭐⭐ | Claude Code 生态（共用 hub） | MCP · Skills · Plugins · Subagents | 3–4 周 |
| 6 | 上下文管理：RAG 与 Memory | 向量库 · 长期记忆 · contextual retrieval | 2 周 |
| 7 | 多 Agent 与稳定运行 | 编排 · eval · 可观测性 · SDK 进阶 | 2–4 周 |
| 7.5 | 进阶 Agentic 概念（阅读地图） | 工作边界 · PAR loop · agent-as-judge 等 12 个概念 | 1 周，不写代码 |
| 8 ⭐⭐ | Agent 操作界面（共用 hub） | Computer Use · Browser Use · Code Sandbox | 2–3 周 |
主干最少 16–22 周，现实 5–7 个月（按每周 5–8 小时兼职估）。这个时长估得挺实在——没有承诺「7 天速成」。
Stage 5 和 Stage 8 是两条路径共用的 hub，但视角不同：Track A 学「怎么用它委派任务」，Track B 学「怎么把它嵌进自己的 agent」。同一份材料按读者目的分视角写，省掉了两套重复内容。
走完主干后有 5 条按身份分流的延伸路线：研究人员、开发者、教师、知识工作者、日常使用者。最后一条不要求走完主干，是给「想用 AI 但不一定写代码」的人留的入口。
练习的形状：本地模型优先，云端做对照
这是我认为它最实用的一处设计。每个练习都出两条路径：
- Path A：
starter.py走 Ollama / OpenAI 兼容接口，本地模型跑，是默认练习路径 - Path B：
starter_anthropic.py走 Anthropic SDK，可选，用来对照云端质量
配套还有两份 mock 测试（test.py / test_anthropic.py，分别对应两种响应结构）、requirements.txt 双 SDK 固定版本、三语 README。
为什么这件事重要：学习期最容易被劝退的不是概念难，是账单。默认走本地模型意味着 Stage 1 到 Stage 3 可以零成本反复试错，而项目又给每个练习标了单次运行成本与整阶段预算，想比对云端质量时心里有数。本地模型的选型也写死了具体 tag——聊天与 prompt 练习用 gemma4:e4b，涉及 tool use / ReAct 的用 qwen2.5:3b（function calling 支持更稳）——不是含糊地说「用个本地模型」。
还有一个容易被忽略的提醒：starter.py 是完整解答，不是留白骨架。直接 cat 一遍再跑测试通过，会产生「我学会了」的错觉。项目自己给的正确用法是先把它改名成 starter_reference.py，只看函数签名不看实现，自己重写一遍，卡住再回头对照。这条方法论写在 docs/HOW_TO_USE.md 里。
想看跨阶段的完整例子，可以直接读 walkthroughs/build-first-agent-in-7-steps.md：同一个 Paper Summary Bot 从 Stage 1 一路写到 Stage 7，约 350 行真实代码。
除了路线，还有一批能当工具书用的文档
resources/ 下这几份可以脱离路线单独查：
| 文档 | 内容 | 什么时候用 |
|---|---|---|
setup-guide.md | 30–45 分钟从零到第一个 hello-world | 完全没配过环境 |
glossary.md | 30+ 个术语，每个 30–80 字并标注哪个阶段讲细 | 读文档遇到生词 |
cli-agents-guide.md | 8 家 CLI agent 对照与生产搭配 | 选 CLI 工具 |
mcp-skills-catalog.md | 65+ 条 MCP server / Skill，16 个分类 | 找现成 MCP |
cookbook.md | 6 个 30–50 分钟可完成的 recipe | 想动手写 Skill / MCP server |
subagent-cookbook.md | 15 个可直接复制的 subagent 派活模式 | 有 subagent 但不知派什么 |
schema-design-cheatsheet.md | 5 条黄金规则 + 5 个反模式 | tool schema 写不好 |
courses.md | 10 门带证书的在线课，分档，附「证书 ≠ 学历」的诚实提醒 | 想要证书 |
examples/stage-5/tool-calling-tutor/ 值得单独一提：它本身是一个可以装进 Claude Code 的 skill，带 5 个 eval 用例，用来诊断「LLM 不调工具 / schema 写不好 / ReAct 循环停不下来」这类症状。既是学习材料，也是 Stage 5 讲 skill 编写时的活样本。
维护上还有个细节：仓库的 GitHub Action 会在 PR 新增 github.com/owner/repo 链接时自动贴出该项目的 star 数、license、是否已归档、最后更新时间，并按策展标准标出停更超过半年或无 license 的项目。纯信息、不拦 PR，但让「清单腐化」这件事有了持续可见的抓手。
适合谁，不适合谁
适合：
- 有基本 Python（写过函数、调过 API、看得懂 JSON）和基本 git，想系统学 Agent 而不是碎片看视频
- 已经在用 Claude Code / Codex 这类 CLI，想把它从「能用」推到「接进工作流」——直接走 Track A
- 想搞清楚 LangGraph / CrewAI / Smolagents 到底差在哪，而不是挑一个背 API
- 学习期预算敏感，希望大部分练习本地跑
不适合：
- 想要章节级深度教材：这个项目的练习是 70–150 行的入门规模，深度需求它自己指向 hello-agents
- 完全不想碰代码：只有「日常使用者」那条延伸路线适合你，主干会很吃力
- 对中英混排敏感：项目刻意保留 Prompt Engineering / Context Engineering / Harness / MCP / RAG 等英文术语，理由是官方文档与论文以英文为主，但每个概念会给中文理解名 + 英文正式术语 + 一句白话定位
- 只读简体：繁体中文是 canonical 版本，简体与英文是镜像，个别页面可能滞后一到两个版本。要最新内容以繁体版为准
从哪开始
- 先开在线文档站读「学习地图」那一节，决定走 Track A 还是 Track B——这一步花 10 分钟，能省掉后面几周的错路
- 已经会 Python / git / API 的直接跳 Stage 1；没配过环境的先走
resources/setup-guide.md - 要做练习就 clone 到本地：
git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git
cd awesome-agentic-ai-zh
# 从 stages/00-foundations.md 开始- 动手前先读
docs/HOW_TO_USE.md那套用法——把starter.py改名再自己重写，别直接读答案
为什么本站不镜像它的内容
本站收录第三方教程时有一条原则：上游有自己维护的中文站点时，直接把读者送过去，不做二次镜像。 镜像的代价是内容滞后、链接漂移，读者读到的永远是某个时间点的快照，而收益仅仅是省一次跳转。
这个项目正是这种情况——作者维护着 https://wenyuchiou.github.io/awesome-agentic-ai-zh/，三语同步、更新频繁，还有 CHANGELOG.md 记录近期改动。所以本站只做这篇推荐与导流，内容请以上游仓库和它的官方站为准。
相关项目
同主题、不同切入角度，搜资源时可以一起用：
datawhalechina/hello-agents—— 中文圈章节级深度教材，本项目的深度指路目标liyupi/ai-guide—— 广度资源库，与本项目「结构化路线」互补wong2/awesome-mcp-servers·punkpeye/awesome-mcp-servers—— MCP server 清单hesreallyhim/awesome-claude-code—— Claude Code 工具与插件清单
本站相关：编码 Agent 教程与最佳实践精选榜 · 资深开发者的 AI Agent 学习路径 · MCP 生态开源项目 Top 100