| type | 入口页 | ||
|---|---|---|---|
| status | 已发布 | ||
| level | 通用 | ||
| topic |
|
目标：用最短路径建立 AI Agent 的全局认知，并把学习推进到“能做项目、能评测、能写进简历”。
很多人学 Agent 会卡在两个地方：一是把 Agent 当成“更长的 prompt”，二是看了一堆框架教程却没有可验证产出。这个目录负责解决第一公里问题：先建立地图，再动手做最小项目，最后用评测和复盘把项目变成作品。
| 顺序 | 文档 | 你会得到什么 |
|---|---|---|
| 1 | Agent 学习地图 | 区分 chatbot、workflow、agent、multi-agent、coding agent、computer-use agent |
| 2 | 前 7 天学习计划 | 每天学什么、做什么、交付什么 |
| 3 | 高质量资源筛选清单 | 判断一个 GitHub 项目/教程/论文是否值得投入时间 |
新手不要一上来追求“全自动通用 Agent”。更稳的闭环是：
- 先做 workflow：固定步骤，少量工具，明确输入输出。
- 再加 agent loop：让模型在有限步数内决定下一步工具调用。
- 补 trace 和 eval：记录每一步，并用 20 条 case 评估成功率。
- 最后做项目包装：写 README、架构图、失败分析和简历表达。
- Anthropic: Building effective agents：非常适合建立 workflow 和 agent 的边界感。
- Anthropic: Writing effective tools for agents：工具设计比“多接几个 API”重要得多。
- OpenAI Agents SDK：学习 handoff、guardrail、tracing 等生产化概念。
- LangGraph：学习持久执行、状态图、人类审核和长任务恢复。
- Model Context Protocol：理解 Agent 如何标准化连接外部工具和数据源。
- 完全新手：先读
01-agent-map.md，不要急着装框架。 - 已会 API 调用：直接读
02-first-7-days.md，把 toy demo 推到有 eval 的项目。 - 准备求职：重点读
03-resource-quality-checklist.md和projects/下三个项目蓝图。 - 仓库维护者：查看 内容 Backlog，按原路径继续补空缺内容。
| 文档 | 类型 | 状态 | 难度 | 主题 |
|---|---|---|---|---|
| Agent Learning Map：Agent 学习地图 | 教程 | 已发布 | 入门 | Agent |
| First 7 Days：前 7 天学习计划 | 教程 | 已发布 | 入门 | Agent |
| Resource Quality Checklist：高质量资源筛选清单 | 教程 | 已发布 | 入门 | Agent |