持续整理值得系统学习的 AI Agent 开源课程、教材和工程项目，并按 Agent 基础、Context Engineering、Harness、MCP、Evaluation 与生产工程组织学习路线。

这是一篇长期维护的 AI Agent 学习资料索引。

当前目标：从 Agent 基础原理开始，逐步进入 Agent Harness、Context Engineering、MCP、Multi-Agent、Evaluation 和生产级 Agent 工程。

学习路线

目前比较认可的一条路线：

Agent 基础原理
      ↓
Tool Calling / Agent Loop / ReAct
      ↓
Memory / RAG / Planning
      ↓
Context Engineering
      ↓
Agent Harness
      ↓
Skills / MCP / Subagents
      ↓
Evaluation / Observability
      ↓
Production Agent
      ↓
Coding Agent / General Agent

对应到具体学习资料：

AI Agents in Depth
        ↓
Deep Agents 实战
        ↓
Hugging Face Agents Course
        ↓
Agents From Scratch
        ↓
Deep Agents / Deep Agents JS
        ↓
Agentic AI Engineering
        ↓
阅读真实 Agent 项目源码

当前优先学习两套主课程：

1. AI Agents in Depth

仓库：bojieli/ai-agent-book

在线阅读：AI Agents in Depth

这套资料适合作为 Agent 第一套主教材，用来建立完整心智模型。

重点关注：

Agent 到底是什么
Agent Loop 如何工作
Context 在 Agent 中扮演什么角色
Tool Calling 为什么重要
Memory、Planning、RAG 如何组合
Agent 系统如何从简单循环逐渐演化成复杂系统

学习定位

Agent 第一套主教材。

阅读时重点建立整体心智模型，优先理解设计原因，再进入具体框架实现。

2. Deep Agents 实战

仓库：datawhalechina/deepagents-in-action

在线课程：Deep Agents 实战

Datawhale 的中文开源课程，围绕 LangChain / LangGraph / Deep Agents 展开，目前提供 16 章图文、视频和实验模板。

课程从第一个 Agent 一路进入任务规划、文件系统、Subagents 和 Context Management。

认知篇
├─ Agent Framework → Agent Harness
└─ 第一个 Deep Agent

核心篇
├─ Virtual Filesystem
├─ Context Engineering
├─ Task Planning
├─ Subagents
└─ Async Subagents

进阶篇
├─ Skills
├─ Long-term Memory
├─ Human-in-the-Loop
├─ Sandbox
├─ Filesystem Permissions
└─ MCP

前沿
├─ Grading Rubrics
├─ Streaming
├─ Interpreters
└─ Dynamic Subagents

重点关注：

Agent Harness
Context Engineering
Filesystem
Planning
Subagents
Skills
MCP
Sandbox

学习定位

Agent 第二套主课程。

ai-agent-book 负责建立 Agent 心智模型，deepagents-in-action 负责把理论逐步落到现代 Agent Harness。

这套课程计划认真跑实验，重点观察 Deep Agents 如何处理 Context、Filesystem、Planning、Subagent 和 MCP。

3. Hugging Face Agents Course

仓库：huggingface/agents-course

课程网站：Hugging Face Agents Course

Hugging Face 官方 Agent 课程，适合横向理解不同 Agent Framework 的共同抽象。

主要覆盖：

Agent 基础
↓
Function Calling
↓
smolagents
↓
LlamaIndex
↓
LangGraph
↓
Agentic RAG
↓
Observability / Evaluation
↓
Final Project

学习定位

Agent 基础补充课程。

重点观察不同框架如何实现 Tool、Memory、Planning 和 Agent Loop，框架 API 按需学习。

4. Microsoft AI Agents for Beginners

仓库：microsoft/ai-agents-for-beginners

微软维护的 Agent 入门课程，包含 Agent 基础、设计模式、Framework、生产部署、本地 Agent、安全等内容。

当前技术栈比较偏 Microsoft Agent Framework、Foundry 和 Azure AI。

学习定位

补充资料。

重点看 Agent Design Pattern、Production 和安全相关章节，微软生态代码按需阅读。

5. LangChain Agents From Scratch

仓库：langchain-ai/agents-from-scratch

LangChain 官方课程，通过构建一个 Email Agent，把几个生产级 Agent 能力串起来：

Agent Basics
      ↓
Agent Evaluation
      ↓
Human-in-the-Loop
      ↓
Memory
      ↓
完整 Email Agent
      ↓
Deploy

这里最值得关注的是：

Agent
+ Eval
+ HITL
+ Memory
+ Deployment

学习定位

第一个完整 Agent 项目。

重点观察一个 Agent 从 Demo 变成完整应用时，需要增加哪些基础设施。

6. LangChain Deep Agents

仓库：langchain-ai/deepagents

Deep Agents 是 LangChain 生态中值得重点研究的一套 Agent Harness。

核心 API：

create_deep_agent()

整个 Harness 围绕这些能力组织：

Planning
Filesystem
Subagents
Skills
Memory
Context Management
Backend

Deep Agents 底层建立在 LangChain Agent 与 LangGraph Runtime 上。

为什么值得读源码

这里开始可以观察真实 Agent Harness 如何处理：

Agent Loop
Middleware
Context
Filesystem
Memory
Skills
Subagent
Sandbox
Evaluation

学习定位

从课程进入源码阅读的桥梁。

7. Deep Agents JS

仓库：langchain-ai/deepagentsjs

TypeScript 版本对前端 / Node.js 开发者尤其值得关注。

import { createDeepAgent } from "deepagents";

const agent = createDeepAgent();

核心能力大致包括：

Planning
├─ write_todos

Filesystem
├─ read_file
├─ write_file
├─ edit_file
├─ ls
├─ glob
└─ grep

Delegation
└─ task

Context Management
└─ Filesystem-based workflow

学习定位

重点源码项目。

Python 版本负责理解 Deep Agents 整体设计，JS 版本更适合进入源码、调试和二次开发。

8. Learn AI Agents From Scratch

仓库：Haozhe-Xing/agent_learning

另一套完整度很高的中文 Agent 开源教材。

覆盖范围：

LLM Fundamentals
↓
Tools
↓
Memory
↓
Planning
↓
RAG
↓
Context
↓
Harness
↓
Skills
↓
Agentic RL
↓
Multi-Agent
↓
Evaluation
↓
Security
↓
Deployment

学习定位

工具书 / 补充教材。

遇到某个概念时，可以回来查对应章节，再继续追论文、源码和工程实现。

9. Complete Agentic AI Engineering Course

仓库：ed-donner/agents

偏工程实战的一套 Agentic AI Engineering 课程。

会接触多个主流 Agent 技术栈：

OpenAI Agents SDK
CrewAI
LangGraph
Google ADK
Pydantic AI
MCP

学习定位

工程练习项目。

基础原理和 Harness 学到一定程度后，再用这套课程快速横向接触不同 Agent Framework。

10. Agentic AI System Course

仓库：bryanyzhu/agentic-ai-system-course

这套课程很接近 Agent Engineer 的知识地图，尤其值得关注 Harness、MCP、Observability、Cost 和 Production。

One Tool Call
↓
Agent Loop
↓
Tools
↓
Prompt / Context / Cache
↓
Short-term / Long-term Memory
↓
Planning
↓
Multi-Agent
↓
Agent Harness
↓
HITL
↓
MCP / IPC / Connectors
↓
Skills / Subagents
↓
Backend Infrastructure
↓
Observability
↓
Cost / Latency / Model Strategy
↓
Safety / Ops

学习定位

Agent Engineering 系统课程。

适合完成基础阶段后，用来补工程化能力。

11. Multi-Agent Course

仓库：hamzafarooq/multi-agent-course

偏现代 Agent 架构与多 Agent 协作：

Agent Loop / ReAct / Harness
        ↓
Skills / Subagents
        ↓
Agentic RAG / Knowledge Graph
        ↓
Evaluation / Guardrails
        ↓
MCP / A2A / ADK
        ↓
Voice Agent

学习定位

Multi-Agent / MCP / A2A 扩展资料。

12. Towards AI Agentic AI Engineering Course

仓库：towardsai/agentic-ai-engineering-course

偏 production-grade Agent：

Agent Architecture
LangGraph
RAG
LLMOps
Evaluation
Deployment

学习定位

Production Agent 补充课程。

13. Agent Evaluation

仓库：ksm26/Evaluating-AI-Agents

Evaluation 是 Agent 工程中非常容易被忽略的一层。

重点内容：

Tracing
↓
Observability
↓
Dataset
↓
Evaluator
↓
LLM-as-a-Judge
↓
Component Evaluation
↓
Experiment
↓
Production Monitoring

学习定位

Agent Evaluation 专项。

能够独立写出一个完整 Agent 后，就应该开始补这一层。

14. AWS Strands Agents Course

仓库：aws-samples/sample-getting-started-with-strands-agents-course

课程覆盖 Agent 基础、MCP、Multi-Agent 和生产部署：

Strands Agent 基础
↓
Advanced Agent + MCP
↓
Multi-Agent
↓
Production Deployment / AgentCore

还会涉及 A2A、Memory、Observability、LangFuse 和 RAGAS。

学习定位

云端 Agent / Production 扩展资料。

学习资料分层

以后发现新的 Agent 项目，统一放进下面几个分类。

1. 原理 / 教材

重点解决：

Agent 为什么这样设计？

资料：

2. Agent 实战课程

重点解决：

如何真正构建一个 Agent？

资料：

3. Agent Harness

重点解决：

复杂 Agent 如何长期运行？

资料：

重点概念：

Context Engineering
Filesystem
Planning
Middleware
Skills
Memory
Subagents
Sandbox
Permissions
HITL

4. Agent Engineering / Production

重点解决：

Agent 如何从 Demo 走向可观测、可评估、可部署的生产系统？

资料：

当前学习计划

现阶段不同时铺开所有课程，主线按照下面顺序推进：

① AI Agents in Depth
        ↓
建立 Agent 整体心智模型

② Deep Agents 实战
        ↓
理解 Context Engineering 和 Agent Harness

③ Agents From Scratch
        ↓
做一个完整 Agent 应用

④ Deep Agents JS
        ↓
开始阅读真实 Harness 源码

⑤ Deep Agents / Coding Agent
        ↓
研究更复杂的 Agent Architecture

辅助资料：

Hugging Face Agents Course
Microsoft AI Agents for Beginners
agent_learning
ed-donner/agents
Agentic AI System Course

用来查缺补漏。

学习时重点关注的问题

以后学习每一套 Agent 课程，都用同一组问题观察。

Agent Loop

模型什么时候调用工具？
什么时候结束？
错误之后如何继续？
如何避免无限循环？

Context

哪些内容进入 Context？
Context 太长怎么办？
历史消息如何压缩？
工具结果放在哪里？

Tool

Tool 如何描述？
Tool 如何发现？
Tool 如何鉴权？
Tool 调用失败怎么办？

Memory

短期 Memory 放哪里？
长期 Memory 放哪里？
什么时候写？
什么时候读？

Planning

计划由谁生成？
Todo 如何维护？
计划变化之后如何更新？

Subagent

什么时候创建 Subagent？
Context 是否隔离？
任务结果如何返回？
如何并行？

Harness

Harness 为 Agent 提供哪些基础设施？
哪些能力属于 Runtime？
哪些属于 Framework？
哪些属于 Harness？

Evaluation

怎么判断 Agent 做得好？
怎么复现失败？
怎么做 Regression Test？
怎么观察 Trace？

这组问题比单纯记 Framework API 更有价值。

当前重点技术栈

LLM
│
├─ Tool Calling
├─ Structured Output
│
Agent Loop
│
├─ ReAct
├─ Planning
│
Context Engineering
│
├─ Memory
├─ RAG
├─ Filesystem
├─ Compaction
│
Agent Harness
│
├─ Middleware
├─ Skills
├─ MCP
├─ Subagents
├─ Sandbox
├─ HITL
│
Engineering
│
├─ Evaluation
├─ Observability
├─ Security
├─ Persistence
└─ Deployment

长期目标是看到一个新的 Agent Framework 时，可以快速判断：

它解决了哪一层问题？
核心抽象是什么？
Context 怎么组织？
Agent Loop 在哪里？
工具系统在哪里？
状态放在哪里？
如何扩展？
如何评测？

做到这一点之后，再学习新的 Agent Framework，学习成本会低很多。

学习记录模板

以后每学完一个章节，在 Blog 中继续追加独立学习笔记，并从这篇总索引链接过去。

## YYYY-MM-DD

学习内容：

- 课程：
- 章节：
- 源码：

今天理解：

1.
2.
3.

关键概念：

- Agent Loop：
- Context：
- Tool：
- Memory：
- Harness：

代码 / Demo：

-

还有疑问：

1.
2.

下一步：

-

这篇文章作为 AI Agent 学习总索引长期维护；具体课程学习笔记单独拆文章，再从这里链接过去。

AI Agent 开源学习资料：从基础原理到 Agent Harness 与生产工程

On this page