🎯 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：

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

• 🎯 專案介紹
• 📚 快速開始
  • 線上閱讀
  • 本地下載
  • ✨ 你會收穫什麼？
• 🗺️ 學習地圖（兩條學習路徑）
• 💡 如何學習
• 📚 相關資源
• 🤝 如何貢獻
• 🙏 致謝
• 🎓 引用
• License

📚 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 3-7 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）

Track A — CLI Power User（想用 CLI 把事情做完）

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）

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。

💡 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.py pass、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

📖 概念 / 用語

🛠 動手實作

🔌 接日常工具 / 找 MCP server

🔬 研究 / production 級

🤝 如何貢獻

這個 repo 是一個 AI 學習文件，如果你也有蒐集很好的資源，也歡迎貢獻：

• 🐛 回報 Bug — 內容錯誤、連結失效、過時資訊 → 開 Issue
• 💡 提建議 — 缺什麼 stage、該加哪個 project → 開 Issue 討論
• 📝 完善內容 — 改進現有 stage 內容、修 typo → 直接 PR
• ✍️ 新增 project — 在某個 stage 加 1-3 個 project，並附上「為什麼這個 project 適合放這個 stage」的說明
• 🌏 翻譯 — 補英文 companion 沒翻到的段落，或翻成其他語言
• 🌱 擔任 Stage / Branch maintainer — 長期 review 特定領域，詳見 CONTRIBUTORS.md

PR 流程跟 style 規範請看 CONTRIBUTING.md 跟 resources/style-guide.md。

📅 想看最近 ship 了什麼 → CHANGELOG.md（最近 14 天）。 Maintainer 內部進度與 launch checklist 放在 .github/launch-checklist.md（內部文件）。

🙏 致謝

Inspiration

• Datawhale Hello-Agents — 中文圈最完整的 chapter-length agent 教材，本 repo 的「章節 + 進度」結構受這份啟發；每個 stage / 練習 folder 都有 📚 callout 點過去深度章節。特別感謝。
• Datawhale 社群 — 中文 ML 共學社群的標竿，本 repo 多個 anchor project 來自這裡
• liyupi/ai-guide — 中文圈最大「AI 資源大全」，跟 Vibe Coding 教學齊全（涵蓋 Agent Skills / RAG / MCP / A2A / Harness Engineering）。本 repo 是「結構化路線」、ai-guide 是「廣度資源庫」，互為補充

其他相關專案

同主題、不同切入角度的清單，搜資源時可以一起用：

• wong2/awesome-mcp-servers — MCP server 清單，按分類整理
• punkpeye/awesome-mcp-servers — 另一份 MCP server 清單
• hesreallyhim/awesome-claude-code — Claude Code 相關工具與 plugin 清單

這些是純清單形式（看到再挑），本 repo 的不同點是有「從 Stage 0 一路走到 production 的學習順序」。

貢獻者

新貢獻者會自動出現在上方。完整列表 → GitHub Contributors。

個人

• @WenyuChiou — Maintainer

🎓 引用

如果這個學習地圖對你的學習或工作有幫助，歡迎引用：

@misc{awesome_agentic_ai_zh_2026,
  title = {awesome-agentic-ai-zh: A Structured Learning Roadmap for Agentic AI},
  author = {Chiou, Wenyu},
  year = {2026},
  url = {https://github.com/WenyuChiou/awesome-agentic-ai-zh},
  note = {8-stage learning path from prerequisites to Agent Interfaces (Computer Use / Browser Use / Sandbox), with curated projects + hello-X demos. Bilingual (zh-TW / English).}
}

📈 Star History

License

MIT。Maintained by @WenyuChiou。