Datawhale干货 

作者：陈思州，Datawhale成员

本文目标是把社区里优秀分享、官方博客、论文、开源项目和真实工程经验，整理成一份可以照着执行的 AI Agent 学习 todo list。

这是一份最新 AI Agent 学习路线

我们做了一个很完整的 AI Agent 开源仓库：Agent Learning Hub。

Agent 领域变化很快。当前更值得投入的不是老式"角色扮演多 agent 框架"，而是这些更贴近真实生产力的方向。

更贴近真实生产力的方向

也收录了 learn-claude-code、claw0、hello-agents、OpenClaw、Hermes、DeerFlow、smolagents 等值得读源码/跟做的项目。

适合想系统学习 AI Agent、做真实项目的学习者。

P.S. 因排版限制，原本可跳转的链接都没能保留。完整带链接版本在开源仓库：https://github.com/datawhalechina/Agent-Learning-Hub，欢迎 Star🌟

如何使用：新手和大佬

• 如果你是新手：从 Part 1 顺序往下，每完成一项就打勾。

• 如果你已经会 LLM 应用：跳到 Part 2，重点补 Agent loop、工具调用、评测和工程化。

• 如果你想做项目：直接看 Part 4 项目阶梯，每一档做一个可运行作品。

• 如果你只想找资料：看 Part 5 精选资源，优先读官方文档和经典论文。

TO DO LIST 

这个路线核心是整理一条能照着做的 todo list：从最小 Agent Loop、工具调用、RAG、Memory，到如今最火的 Claude Code / OpenClaw / Hermes 这类现代 Agent Harness，再到 Skills、MCP、A2A、评测、trace 和安全。

Part 1、入门：搞定 Agent 基本功

阶段 0：理解什么是 Agent

阶段 1：搭一个最小 Agent 循环

阶段 2：工具调用、RAG 与记忆

Part 2、进阶：从能跑能上线

阶段 3：吃透一个现代 Agent Harness

阶段4：多 Agent 是协调，不是魔法

阶段 5：Skills、协议与能力打包

阶段 6：浏览器与计算机操作 Agent

Part 3、工程化：让 Agent 真的能用

阶段 7：评测、可观测性与安全

阶段 8：把一个 Agent 送上线

Part 4、项目阶梯：边学边做

Part 5、精选资源：按需查询

官方指南与博客

项目地图

项目不要按 star 数乱读，建议按学习目的分层：

Skills、协议与工具

现代 Agent 系统

论文

GitHub 仓库

值得读的博客

Claude Code 学习路径

学习原则：贯穿始终

• 先动手，再深读。

• 宁可做小的可靠 agent，也不做炫的 demo。

• 工具用严格 schema。

• 加 agent 前先加 eval。

• 重要的运行都留 trace。

• 把 multi-agent 当协调问题，不是魔法。

• 危险操作留人在 loop 里。

• 尊重平台规则、版权和数据访问边界。

---

持续更新中

一起“点赞”三连↓