一、它到底解决了什么问题

入门

想学 AI Agent（智能体，指能自己调用工具、分步完成任务的 AI 程序）的人，最常见的困境不是找不到资料，而是资料太多。收藏夹里躺着几十篇论文和博客，却不知道先看哪一篇、看到什么程度算学会。

Agent-Learning-Hub 做的事很朴素：它不提供代码框架，也不提供在线服务，而是把社区里公认有价值的分享、官方文档、论文和真实工程经验，整理成一份能从上往下打勾的学习待办清单。

Agent-Learning-Hub 项目封面

你可以把它理解成一张健身房的训练计划表：它不替你做动作，但会告诉你今天练哪块肌肉、做几组、什么时候该加重量。项目由 Datawhale 成员陈思州维护，目前有 8000 多颗星标。

它不是"又一个 Agent 框架"，而是一份学习路线 + 资料索引 + 项目阶梯三合一的路线图。

二、开始之前先想清楚两件事

入门

这份清单是给"想动手做 Agent"的人准备的，不是给"想了解 AI 行业动态"的人准备的。如果你的目标只是知道 Agent 是什么，看完百科就够了，不必往下走。

第一件事，确认你有基础的编程能力。清单从 Stage 1 开始就要求你调用大模型接口、定义工具函数、解析模型返回的结构化数据，这些都需要能读懂一段 Python 或 JavaScript 代码。完全没写过代码的话，建议先补一门入门语言课再回来。

第二件事，准备一个能用的大模型 API Key（接口密钥，相当于调用大模型服务的通行证）。国内可用的有 DeepSeek、通义千问、智谱等，国外有 OpenAI、Anthropic。学习阶段用量不大，通常几块钱就能跑完整个清单的练习。

不需要提前买服务器，也不需要 GPU。清单里的练习全部在本地电脑上完成即可。

三、怎么用这份清单

入门

项目只有 README 一个核心页面，所以"安装"这一步其实就是打开网页。访问项目主页或官网 https://datawhalechina.github.io/Agent-Learning-Hub/，你会看到一份带勾选框的清单。

用法按你的起点分四种情况，对号入座即可：

  • 完全新手：从 Stage 0 开始，从上往下逐项打勾，不要跳。
  • 已经会做 LLM 应用：直接从 Stage 2 或 Stage 3 切入，重点补 Agent 循环、工具调用、评测和工程化。
  • 想直接做作品：翻到 Project Ladder，从 Level 1 开始，每一档做出一个能跑的东西。
  • 只想找资料：看 Curated Resources，优先读官方文档和经典论文，跳过二手解读。

建议把仓库 Fork（复制一份到自己账号下）或 Star（收藏），这样清单的勾选状态能跟着你的账号走，也方便随时回来查。

每个 Stage 末尾都写了"产出"要求，比如 Stage 0 要求写一页短笔记，回答"我的场景为什么需要 Agent，而不是普通 workflow"。这些产出不是可选项，跳过它们，后面的阶段会越来越吃力。

四、八个阶段分别在学什么

进阶 · 推荐细读

清单把学习路径切成 8 个阶段，难度递增，每个阶段都有一个明确的交付物。

Stage 0 建立概念：区分聊天机器人、工作流、Agent、多 Agent 四者的差别，理解 Agent 的基本循环是"观察 → 思考 → 行动 → 再观察"。这一阶段最重要的收获其实是反向的：学会判断什么时候不该用 Agent。任务流程稳定、普通脚本能解决时，硬上 Agent 只会增加不确定性。

Stage 1 搭最小循环：会调用大模型接口完成对话，会让模型输出结构化 JSON，会定义一个工具函数（比如搜索、计算器、读文件），会解析模型发出的工具调用请求。这是整个学习路线上最关键的动手环节。

Stage 2 到 Stage 3 是分水岭：从"能跑通"走向"能调试"。你需要读懂一个 Agent harness（运行框架，指承载 Agent 运行的外壳程序，负责工具注册、权限、状态保存、上下文压缩等）的目录结构，找出它的核心模块，跑通最小示例，并加上一个自己的工具。

Stage 4 多 Agent：核心观点是"多 Agent 是协调，不是魔法"。要学会用 supervisor（主管节点）或 graph（流程图）管理多个 Agent，而不是让它们自由聊天。同时要能判断什么时候单 Agent 反而更好。

Stage 5 技能与协议：这一阶段区分了三个容易混淆的概念。Tool 是可调用的接口，Skill 是可复用的流程知识，MCP（模型上下文协议，一种让 AI 连接外部工具和数据的统一标准）负责接入外部数据源。理解这三者的边界，比记住它们的名字重要得多。

Stage 6 到 Stage 8 走向真实场景：浏览器操作、评测与安全、最终发布一个别人能 clone 下来跑的 Agent 项目。Stage 7 特别强调：没有评测、没有调用记录、没有权限边界的 Agent，只能算演示，不能算产品。

五、Project Ladder：用七个作品检验学习成果

进阶 · 推荐细读

光看清单容易产生"我好像懂了"的错觉。Project Ladder 用七个由浅入深的项目来戳破这种错觉，每一档都对应一项具体能力。

档位 项目 练到的能力
1 计算器 Agent 最小的工具调用循环
2 网页研究 Agent 搜索、筛选、引用、总结
3 PDF 问答 Agent 检索增强生成、文本切分、引用来源
4 代码审查 Agent 读取代码改动、风险排序、测试建议
5 浏览器 Agent 页面观察、点击、信息提取、失败恢复
6 类 Claude Code 迷你 Agent 命令行、文件编辑、权限、会话、上下文压缩
7 类 OpenClaw 网关 消息通道、路由、会话、记忆、心跳、投递

建议不要贪快。每一档做完后，回过头问自己：如果输入换成一个没见过的例子，它还能跑通吗？跑不通的地方，就是真正没掌握的地方。

六、容易踩的坑

进阶 · 推荐细读

坑一：把精力押在老式多 Agent 框架上。 项目明确提醒，已经泛化成模板的"角色扮演式"多 Agent 框架可以了解，但不该成为主线。当前更值得投入的是编码类 Agent、运行框架工程、个人助理类 Agent，以及技能与协议体系。

坑二：只看不写。 清单里的推荐阅读加起来有几十篇，如果只读不做，很容易陷入"资料收集癖"。建议每读完一篇官方文档，立刻在 Stage 对应项上打勾，并写三行笔记记录它改变了你哪个认知。

坑三：跳过评测直接上线。 Stage 7 要求准备至少 20 个任务的测试集，记录成功率、失败原因、调用次数、成本和延迟。这一步最枯燥，但也是区分"玩具"和"工具"的唯一标准。

坑四：给危险工具开绿灯。 发邮件、删文件、付款、发布内容这类操作，必须加人工确认。清单里提到的提示注入、数据外泄、工具滥用，都是真实存在的风险，不是理论担忧。

七、给你的判断建议

深入 · 老手可选

如果你已经做过几个 Agent 小项目，这份清单对你的价值不在入门部分，而在 Stage 5 和 Stage 7 这两块。技能打包和评测安全，恰恰是大多数自学者的空白区。

如果你完全零基础，建议把它当成半年的学习地图，而不是一周冲刺的待办表。每周推进一个 Stage 的一到两项，配合 Project Ladder 做作品，节奏刚好。

最后提醒一点：Agent 领域变化很快，清单里的链接和推荐会持续更新。建议定期回来看一眼仓库的提交记录，看看维护者最近把哪些内容挪到了更靠前的位置——那通常意味着这个方向的优先级在上升。

项目信息

项目 值
仓库 datawhalechina/Agent-Learning-Hub
语言 HTML
Star 8,189
Fork 829
主页 https://datawhalechina.github.io/Agent-Learning-Hub/

参考链接

延伸阅读

想继续探索？这些同领域的教程可能也适合你：