AI Agent 學習地圖 — 從基本 LLM 概念到自己打造多 agent 系統 結構化 7 階段學習路徑，從「LLM 是什麼、token 怎麼算」一路到 multi-agent 編排、本地部署， 每階段都有必做的 動手練習、必修閱讀、精選 project 🎯 專案介紹 這個專案是為 想學習 AI 或 AI agent 的人 設計的。 本 repo 把網路上散落各處的高品質專案、教材、動手練習、必修閱讀蒐集起來，按 從零開始、循序漸進 的順序整理成 7 個階段 ——每階段都會清楚指出 該學什麼、必做哪些 動手練習、推薦哪幾個 project、進入下一階段前該檢查什麼 。 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。 📋 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 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 bash 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 🛠️ 必做動手練習 — 每階段都有 1-5 個 mini project（題目 + 成功標準， 自己動手寫 ，不是現成 demo），光看不練不算學會 🎯 精選 145+ 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） 🌏 中文 / 英文雙語 — 繁中為主、英文版完整對照 🎓 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 — 主幹最少 14-19 週、現實 5-6 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） | Stage | 主題 | 關鍵內容 | 預估時程 | |---|---|---|---| | 0 | 基礎準備 | Python · CLI · git · API · JSON | 1-2 週 | | 1 | LLM 入門 | token · API · 各家 LLM 比較 · 本地 LLM | 1 週 | | 2 | Prompt 設計 | 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 | CLI Agent 入門 + 選擇 | 6 主流 CLI 比較 · 安裝 · 第一次跑 | 1 週 | | A2 | CLI Workflow Patterns | CLAUDE.md · slash command · 多步驟拆解 | 1-2 週 | | A3 | Integration & Production | MCP 接 CLI · CI 自動化 · cost / observability | 1-2 週 | Track A 預估總時程 ：3-5 週（含 Stage 0-2 約 6-8 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 ⭐ | Tool Use & Agent 入門 | function calling · ReAct · 5 個動手練習 | 2-3 週 | | 4 | Agent 框架 | LangGraph · AutoGen · CrewAI · Smolagents | 2-3 週 | | 5 ⭐⭐ | Claude Code 生態 | MCP · Skills · Plugins · Marketplace（兩條路徑都會用到） | 3-4 週 | | 6 | Memory · RAG · 進階 | vector DB · long-term memory · contextual retrieval | 2 週 | | 7 | 進階 Multi-Agent | multi-agent orchestration · eval · observability · SDK 進階 | 2-4 週 | Track B 預估總時程 ：主幹最少 14-19 週 、現實 5-6 個月 （每週 5-8 hr 兼職） 💡 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 2025 年之後變化最快的領域，需要持續投入 上面有缺的就從 Stage 0 補齊；都會了就 直接跳 Stage 1 。 主幹分 4 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）：Claude Code 生態系 — MCP / Skills / Plugins，這是整條路線的核心 Part 4（Stage 6-7）：進階整合 — memory / RAG / multi-agent 協作 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。 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： 📖 不懂某個詞？ （LLM、agent、RAG、token、MCP、Skill、向量資料庫⋯）→ resources/glossary.md — 30 多個常出現的詞，每個 30-80 字解釋 + 哪 stage 講細的 🍳 想動手做出來 （寫 Skill / 寫 MCP server / 接 Word / 接 NotebookLM / 接 Zotero）→ resources/cookbook.md — 5 個 step-by-step recipe（每個 30-50 分鐘） 🔑 MCP / Skills / Plugins 用語怎麼解釋 → RESOURCES.md §三個核心用語 🔌 接 Notion / Obsidian / Excel / GitHub 等日常工具 → RESOURCES.md §接日常工具 或完整 57 條目錄 resources/mcp-skills-catalog.md 🔬 研究 workflow + multi-LLM delegation skill 對 → RESOURCES.md §研究工作流 📚 同主題的 awesome list / 中文社群 → RESOURCES.md §同主題清單 🤝 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 。 Maintainer 內部進度與 launch checklist 放在 .github/launch-checklist.md （內部文件）。 🙏 致謝 Inspiration Datawhale Hello-Agents — 系統性 agent 教學的範本，本 repo 的「章節 + 進度」結構就是受這份啟發 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： bibtex @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 = {7-stage learning path from prerequisites to advanced multi-agent systems, with curated projects + hello-X demos. Bilingual (zh-TW / English).} } 📈 Star History License MIT。Maintained by @WenyuChiou 。 ⭐ 如果這個 repo 對你有幫助，歡迎給個 Star — 這對作者繼續更新是很大的鼓勵

Summary

This repository provides a structured, 7-stage learning roadmap for AI agents, guiding users from LLM fundamentals to multi-agent system development. It targets aspiring AI practitioners, developers, and researchers with a curated, hands-on curriculum and bilingual support, accelerating practical skill acquisition.

How It Works

The project presents a progressive 7-stage map covering LLM basics, prompt engineering, tool use, agent frameworks (LangGraph, AutoGen, CrewAI), and advanced multi-agent orchestration. It emphasizes practical application via mandatory hands-on exercises and 145+ curated projects, including local LLM execution. Two learning tracks—CLI Power User and Agent Builder—cater to diverse goals, enabling flexible progression.

Quick Start & Requirements

• Primary install: Clone the repo (git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git) and start from stages/00-foundations.md.
• Prerequisites: Basic Python (functions, APIs, JSON) and Git (clone, commit, push).
• Estimated setup time: Main path: 14-19 weeks minimum, realistically 5-6 months (5-8 hrs/week).
• Relevant links: README.en.md

Highlighted Details

• Two learning paths: Track A (CLI Power User) and Track B (Agent Builder).
• Features 1-5 hands-on mini-projects per stage with defined success criteria.
• Curates 145+ projects with detailed descriptions and local LLM execution guides.
• Bilingual content (Traditional Chinese and English).
• Covers the "Claude Code ecosystem" (MCP, Skills, Plugins, SDK).
• Offers 5 specialized extension paths for various user roles.

Maintenance & Community

• Maintained by @WenyuChiou.
• Community contributions welcomed via Issues/PRs; guidelines in CONTRIBUTING.md.
• Links to related "awesome lists" for MCP servers and Claude Code tools are provided.

Licensing & Compatibility

• License: MIT.
• Compatibility: MIT license permits commercial use and integration into closed-source projects.

Limitations & Caveats

• This is a learning resource, not a deployable application.
• Requires significant self-discipline due to the rapid evolution of agentic AI.
• Assumes foundational programming/version control skills; users lacking these must complete Stage 0.
• Estimated timelines are substantial, reflecting a deep dive.