datawhalechina/Agent-Learning-Hub

它是什么：

Agent-Learning-Hub 是一份精心策划、仅含 README 的学习路线图，面向希望构建实用、可靠 AI 智能体的人。它由 Datawhale 成员（陈思州）维护，刻意避免成为随机链接集合——而是组织为可操作的待办清单。

核心理念：

该项目认为该领域已经发生转变。与其采用旧式角色扮演/多智能体框架（如 CrewAI 风格的“团队”），它建议重点关注：

1. 编码智能体（Claude Code、Codex 风格）——最佳的真实世界智能体工程示例
2. 智能体工具链工程——工具协议、权限、状态、反馈、重放、CI、评估
3. 个人常驻智能体（OpenClaw、Hermes 风格）——长期运行、本地优先、跨应用
4. 协议——技能、MCP（工具）、A2A（智能体间）、ACP（宿主应用）
5. 评估与安全——没有评估、追踪和权限边界，智能体只是演示

结构：

• 如何使用——根据你的水平提供四个入口（初学者、已了解 LLM 应用、想构建项目、或仅需资源）
• 学习待办清单——从阶段 0（“理解什么是智能体”）到阶段 8（“交付真实智能体”）共 9 个阶段，每个阶段包含复选框、推荐阅读、开源项目参考和具体交付物
• 项目阶梯——从计算器智能体到生产级工具链的 11 个难度递增的项目
• 精选资源——官方文档/博客、项目地图、技能/协议工具、现代智能体系统、应避免或略读的旧框架、论文和 GitHub 仓库

关键观点：

• 不要过度投资于旧的 CrewAI/AutoGen 风格角色扮演框架——理解它们但不要将其作为主要路径
• 智能体的能力主要来自其工具链，而不仅仅是模型
• 区分工具（可调用接口）、技能（可复用的程序性知识）、MCP（外部工具/数据连接）和 A2A（智能体间）
• 评估和安全对于生产级智能体是不可妥协的

目标受众：

• 希望逐步进阶的初学者
• 希望从基础 API 调用升级到完整智能体系统的 LLM 应用开发者
• 希望实践具体项目的构建者

内容细节说明： README 包含具体检查清单（例如，阶段 1：构建一个 50-150 行的最小智能体循环；阶段 5：编写包含名称、描述、步骤、验收标准的 SKILL.md；阶段 7：生成至少包含 20 个任务的评估表）。它还维护了一份精选论文列表（ReAct、Toolformer、Reflexion、Generative Agents、Voyager、AgentBench、WebArena、SWE-bench、GAIA、OSWorld、τ-bench 等）以及值得研究的现代智能体系统。

语气： 实用、观点鲜明、面向职业发展——它明确告诉读者该投入时间于什么、该跳过什么，而非中立聚合。