---

🎯 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：

核心	做什麼	規模
學習路線圖	把網路散落的高品質專案、教材、必修閱讀，按從零開始、循序漸進整理成 8 個階段（含 Stage 5 + Stage 8 兩個共用 hub）+ 2 條學習路線 + 5 條延伸路徑	8 stages、2 tracks
資源 curation	每階段精選 240+ 個 project（含星等、適合誰、教什麼、怎麼跑），加上中文 AI 生態(DeepSeek / Zhipu / Kimi 等)MCP / Skill 完整 catalog	240+ projects、65 MCP/Skill
簡單 illustrative 案例	每階段附 1-5 個基礎練習（70-150 行 starter + dual-path Ollama/Anthropic SDK 對照 + mock-based test）	23 個練習 folder

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
• ☕ 支持這個專案
• 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 3-8 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）

Stage	主題	關鍵內容	預估時程
0	基礎準備（Foundations）	Python · CLI · git · API · JSON	1-2 週
1	LLM 基礎（LLM Basics）	token · API · 各家 LLM 比較 · 本地 LLM	1 週
2	Prompt 設計（Prompt Engineering）	系統 prompt · few-shot · CoT	1-2 週

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

Stage	主題	關鍵內容	預估時程
A1	選一個 CLI Agent，開始用它做事（CLI Agent Intro & Selection）	8 主流 CLI 比較 · 安裝 · 第一次跑	1 週
A2	建立可重複使用的 CLI 工作流程（CLI Workflow Patterns）	CLAUDE.md · slash command · 多步驟拆解	1-2 週
A3	把 CLI Agent 接進真實工作流程（Integration & Production）	MCP 接 CLI · CI 自動化 · cost / observability	1-2 週
+5	Stage 5 — Claude Code 生態（共用 hub）	MCP · Skills · Plugins · Subagents、Track A 必看 5.1-5.4 / 選讀 5.5-5.7	1-2 週（Track A 視角）
+8	Stage 8 — Agent Interfaces（共用 hub）	Computer Use · Browser Use · Code Sandbox、Track A 視角看 Track A 怎麼用	1-2 週（Track A 視角）

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）

Stage	主題	關鍵內容	預估時程
3 ⭐	工具使用與第一個 Agent（Tool Use & Hello Agent）	function calling · ReAct · 5 個動手練習	2-3 週
4	Agent 框架（Agent Frameworks）	LangGraph · AutoGen · CrewAI · Smolagents	2-3 週
5 ⭐⭐	Claude Code 生態系（Claude Code Ecosystem）（共用 hub、Track A 也學）	MCP · Skills · Plugins · Subagents	3-4 週（Track B 視角）
6	上下文管理（Context Engineering）：RAG 與 Memory	vector DB · long-term memory · contextual retrieval	2 週
7	多 Agent 系統與穩定運作（Multi-Agent & Production）	multi-agent orchestration · eval · observability · SDK 進階	2-4 週
7.5	進階 Agentic Workflow 概念（Advanced Agentic Concepts）（reading map）	工作邊界 · PAR loop · agent-as-judge · 12 個進階概念 + reading list	1 週（不寫 code）
8 ⭐⭐	Agent 操作介面（Agent Interfaces）（共用 hub、Track A 也學）	Computer Use · Browser Use · Code Sandbox、2024-2026 frontier	2-3 週（Track B 視角）

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。

路線	適合誰	主題
🔬 研究人員	研究生、博後、PI	文獻整理 · paper 寫作 · multi-agent review
💻 開發者	軟體工程師	Cursor · Aider · CLI delegation · code review
🎓 教師	老師、講師	備課 · 投影片 · 學生 feedback · 隱私 / 倫理 · prompt 範本
📊 知識工作者	顧問、PM、分析師	Email · 會議紀錄 · report 自動化
👥 日常使用者	ChatGPT / Claude.ai 使用者	寫信 · 學習 · 隱私場景 · CLI agent 入門

---

💡 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

你的狀況	去哪	內容
完全沒寫過 code、第一次接觸 AI agent	resources/setup-guide.md	30-45 分鐘從零裝好（API key、Python、第一個 hello-world）
不知道挑哪個 LLM provider	resources/setup-guide.md A	Anthropic / OpenAI / DeepSeek / Kimi / NVIDIA NIM 對照
同主題 awesome list / 中文社群	RESOURCES.md 同主題清單	5-10 分鐘逛一輪

📖 概念 / 用語

你的狀況	去哪	內容
不懂某個詞（LLM / agent / RAG / token / MCP / Skill / 向量資料庫…）	resources/glossary.md	30+ 詞、每個 30-80 字 + 哪 stage 講細的
想搞懂 agent 為什麼有的在 terminal、有的在 Telegram、有的在 Jetson	resources/agent-paradigms.md	5 種 agent 型態 mental model + Hermes / OpenClaw 例子
MCP / Skills / Plugins 用語對照	RESOURCES.md 三個核心用語	1 頁速查表
想找帶證書的線上 AI agent 課（英文 + 中文）	resources/courses.md	10 門 credible、會發證書的課，分 tier；含「完成證書 ≠ 學歷」誠實 caveat

🛠 動手實作

你的狀況	去哪	內容
想動手寫 Skill / MCP server / 接 Word / Zotero / 本機 LLM	resources/cookbook.md	6 個 step-by-step recipe、每個 30-50 分鐘
想用 subagent 但不知該派誰、怎麼派、派什麼工作	resources/subagent-cookbook.md	15 個複製貼上即用的 dispatch recipe
自己寫 subagent / 組合多個 / debug 跑壞的（進階）	resources/subagent-advanced.md	description 寫法 4 個 bug + composition 3 pattern + debug 5 切點
卡在 tool calling（LLM 不呼叫 / schema 寫不好 / ReAct loop 跑不停）	examples/stage-5/tool-calling-tutor/	可裝進 Claude Code 的 skill、4-symptom diagnostic
動手練習怎麼正確使用（主動 vs 被動模式）	docs/HOW_TO_USE.md	5-10 分鐘讀完、配合每個 stage 用

🔌 接日常工具 / 找 MCP server

你的狀況	去哪	規模
接 Notion / Obsidian / Excel / GitHub 等工具	RESOURCES.md 接日常工具	7-8 個 highlight
完整 MCP server / Skill 目錄（含星等、分類）	resources/mcp-skills-catalog.md	65+ 條、16 大分類

🔬 研究 / production 級

你的狀況	去哪	內容
研究 workflow + multi-LLM delegation skill	RESOURCES.md 研究工作流	本 repo 維護者出品的 Claude Code 研究 skill 對
CLI agent 8 家對照 + production 搭配	resources/cli-agents-guide.md	Track A 的核心參考、148 行
Schema 設計規則（tool calling 必看）	resources/schema-design-cheatsheet.md	5 條黃金規則 + 5 個 anti-pattern

---

🤝 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。

🤖 新增 project 的連結會自動過審核 — PR 一加新的 github.com/owner/repo 連結，一個 GitHub Action 會留言貼出它的 star 數、license、是否封存、最後更新，並對照策展標準標出已封存 / 停更（>6 個月）/ 無 license 的項目。純資訊、不擋 PR，收不收仍由 maintainer 決定（目前只在 maintainer 開的 branch 上跑，fork PR 因 token 限制暫略）。

📅 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）。

---

💬 顧問 / 聯絡

公開學習版（MIT），歡迎自由取用。

目前以顧問為主：團隊或公司若需 prompt review / audit 或 AI agent workflow 諮詢，歡迎來信（博士生、時間有限）：📧 wenyuchiou12@gmail.com

---

🙏 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).}
}

---

☕ 支持這個專案

這份學習地圖是免費、開源（MIT）。如果它對你有幫助，除了給個 ⭐ Star，也歡迎請作者喝杯咖啡、支持它持續更新：

或直接點 repo 右上角的 ❤ Sponsor 按鈕。（GitHub Sponsors 審核中，通過後會一併加上。）

---

License

MIT。Maintained by @WenyuChiou。