datawhalechina/Agent-Learning-Hub

이것은 무엇인가:

Agent-Learning-Hub는 실용적이고 신뢰할 수 있는 AI 에이전트를 구축하려는 사람들을 위한 큐레이션된 README 전용 학습 로드맵입니다. Datawhale 멤버(陈思州)가 유지 관리하며, 무작위 링크 모음이 되지 않도록 의도적으로 피하고 실행 가능한 할 일 목록으로 구성합니다.

핵심 철학:

이 프로젝트는 이 분야가 변화했다고 주장합니다. 구식 역할극/멀티 에이전트 프레임워크(CrewAI 스타일의 "크루" 등)보다는 다음에 집중할 것을 권장합니다:

1. 코딩 에이전트(Claude Code, Codex 스타일) — 최고의 실제 에이전트 엔지니어링 샘플
2. 에이전트 하네스 엔지니어링 — 도구 프로토콜, 권한, 상태, 피드백, 재생, CI, 평가
3. 개인 상시 에이전트(OpenClaw, Hermes 스타일) — 장기 실행, 로컬 우선, 크로스 앱
4. 프로토콜 — 스킬, MCP(도구), A2A(에이전트 간), ACP(호스트 앱)
5. 평가 및 안전성 — 평가, 추적, 권한 경계 없이는 에이전트는 단지 데모일 뿐입니다

구조:

• 사용 방법 — 수준에 따른 4가지 진입점(초보자, LLM 앱을 이미 아는 사람, 프로젝트를 구축하려는 사람, 리소스만 원하는 사람)
• 학습 할 일 목록 — 스테이지 0("에이전트가 무엇인지 이해하기")부터 스테이지 8("실제 에이전트 출시")까지 9개 스테이지, 각 스테이지에는 체크박스, 권장 읽기, 오픈소스 프로젝트 참조, 구체적인 산출물 포함
• 프로젝트 사다리 — 계산기 에이전트부터 프로덕션 하네스까지 난이도가 점진적으로 높아지는 11개 프로젝트
• 큐레이션된 리소스 — 공식 문서/블로그, 프로젝트 맵, 스킬/프로토콜 도구, 현대 에이전트 시스템, 피하거나 훑어볼 레거시 프레임워크, 논문, GitHub 저장소

주요 관점:

• 오래된 CrewAI/AutoGen 스타일 역할극 프레임워크에 과도하게 투자하지 마세요 — 이해는 하지만 주요 경로로 삼지 마세요
• 에이전트의 능력은 주로 하네스에서 나오며, 모델만이 아닙니다
• 도구(호출 가능한 인터페이스), 스킬(재사용 가능한 절차 지식), MCP(외부 도구/데이터 연결), A2A(에이전트 간)를 구분하세요
• 평가와 안전성은 프로덕션 에이전트에게 필수입니다

대상 독자:

• 단계적 진행을 원하는 초보자
• 기본 API 호출에서 전체 에이전트 시스템으로 레벨업하려는 LLM 앱 개발자
• 연습할 구체적인 프로젝트를 원하는 빌더

콘텐츠 세부 사항 참고: README에는 구체적인 체크리스트가 포함되어 있습니다(예: 스테이지 1: 50-150줄의 최소 에이전트 루프 구축; 스테이지 5: 이름, 설명, 단계, 수용 기준이 포함된 SKILL.md 작성; 스테이지 7: 최소 20개 작업이 있는 평가 테이블 생성). 또한 큐레이션된 논문 목록(ReAct, Toolformer, Reflexion, Generative Agents, Voyager, AgentBench, WebArena, SWE-bench, GAIA, OSWorld, τ-bench 등)과 연구할 현대 에이전트 시스템을 유지합니다.

톤: 실용적이고, 의견이 있으며, 경력 지향적 — 중립적인 집계가 아니라 무엇에 시간을 투자하고 무엇을 건너뛸지 독자에게 명확히 알려줍니다.