Datawhale出品：AI Agent学习路线图，从零到能做项目的完整指南

Datawhale成员陈思州维护的Agent Learning Hub仓库在GitHub上获得了近1200个Star。这个仓库不是一个大而全的论文列表，而是一份可以照着执行的AI Agent学习todo list。如果你想系统学习AI Agent开发，这份路线图值得收藏。

为什么需要这份路线图？

AI Agent领域变化很快，网上资料多而杂。很多学习者的问题不是找不到资料，而是不知道该学什么、按什么顺序学、学到什么程度算够。

Agent Learning Hub解决的就是这个问题：它把社区里优秀的分享、官方博客、论文、开源项目和真实工程经验，整理成一份可以打勾的todo list。

学习路线总览

Stage 0：理解什么是Agent

在这个阶段，你需要搞清楚几个基本概念：

• 区分chatbot、workflow、agent、multi-agent
• 理解agent的基本循环：观察 → 思考 → 行动 → 观察
• 明白什么时候不该用agent

推荐阅读Anthropic的《Building Effective Agents》和OpenAI的《A Practical Guide to Building Agents》。

Stage 1：构建最小Agent循环

动手写一个50-150行的最小agent：

• 用一个LLM API完成对话
• 让模型输出结构化JSON
• 定义工具函数（搜索、计算器、读文件）
• 解析tool call / function call
• 执行工具并把结果喂回模型
• 加上最大步数、超时和错误处理

Stage 2：工具使用、RAG和记忆

学会检索增强生成（RAG）、多工具接入、短期/长期记忆管理。推荐阅读LlamaIndex和LangChain文档。

Stage 3：Agent工程化

把agent从demo变成可部署的产品：权限管理、状态持久化、评测、CI/CD集成。

Stage 4：高级主题

多agent协作、MCP协议、A2A通信、安全边界、生产环境部署。

当前最值得投入的方向

路线图明确指出，当前更值得投入的不是老式”角色扮演多agent框架”，而是这些方向：

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：agent的能力很大一部分来自工具协议、权限、状态、反馈、回放、CI、评测
3. 个人Agent：长运行、本地优先、跨应用、记忆、skills、消息入口，更像”个人操作系统”
4. Skills / MCP / A2A / ACP：能力复用、工具连接、agent连接、宿主应用连接
5. 评测和安全：没有eval、trace、权限边界的agent只能算demo

项目阶梯

如果你想通过做项目来学习，路线图提供了项目阶梯：

• 入门：做一个能搜索网页并回答问题的agent
• 进阶：做一个能读代码库、回答技术问题的agent
• 高级：做一个能自动修bug、提PR的编码agent

给站长的建议

作为站长，你可能不需要从零构建agent框架，但理解agent的工作原理对你很有帮助：

• 如果你在做AI相关的站，理解agent能帮你设计更好的产品
• 如果你想用AI自动化运维，agent是最好的工具
• 如果你想跟上技术趋势，agent是当前最热门的方向之一

本文参考来源：GitHub – datawhalechina/Agent-Learning-Hub