datawhalechina/agent-learning-hub
Developer toolsЭта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал
Маршруты обучения агентов ИИ и сбор баз данных
Обзор
Кураторская дорожная карта для AI-агентов для тех, кто хочет создавать полезных и надёжных агентов, а не собирать случайные ссылки. Этот репозиторий поддерживает только одну основную поверхность дисплея: README. Цель — собрать отличные общие материалы для сообщества, официальные блоги, статьи, проекты с открытым исходным кодом и реальный инженерный опыт в последимый список учебных дел для AI-агента. - Если вы новичок: следуйте «Списку учебных задач» сверху вниз, отмечая каждый выполненный пункт. - Если вы уже умеете применять LLM: начните с этапа 2 или 3, сосредоточившись на циклах агентов, вызовах инструментов, оценке и инженерии. - Если хотите начать проект: просто посмотрите на «Лестницу проектов» и создайте по одному работоспособному проекту для каждого уровня. - Если хотите найти информацию: отметьте «Курированные ресурсы» и отдайте приоритет официальной документации и классическим статьям. Сфера агентов быстро меняется. Сейчас больше стоит инвестировать не в старую «ролевую мультиагентную рамочную структуру», а в эти направления, ближе к реальной продуктивности: Не рекомендуется сосредотачиваться на устаревших фреймворках команды/ролевой игры, которые стали шаблонами. Их можно понять, но они не должны быть основной нитью. - [ ] Различайте чат-бота, рабочий процесс, агента и мультиагента. - [ ] Понимайте базовый цикл агентов: наблюдайте -> думайте -> действуйте -> наблюдайте. - [ ] Знайте, когда не стоит использовать агентов: когда задачи предсказуемы, рабочие процессы стабильны, и обычные скрипты могут их решать, агенты фактически увеличивают неопределённость. - [ ] Читайте Anthropic: Создание эффективных агентов. - [ ] Читайте OpenAI: Практическое руководство по созданию агентов. Вывод: Напишите короткую заметку с ответом: «Почему моей сцене нужен агент, а не обычный рабочий процесс?» - [ ] Использует LLM API для завершения обычных разговоров. - [ ] Позволяет модели выводить структурированный JSON. - [ ] Определяет функцию инструмента, такую как поиск, калькулятор и read_file. - [ ] Парсирует вызов инструмента/функции модели.
Обзор (машинный перевод)
Кураторская дорожная карта для AI-агентов для тех, кто хочет создавать полезных и надёжных агентов, а не собирать случайные ссылки.
Этот репозиторий поддерживает только одну основную поверхность дисплея: README. Цель — собрать отличные общие материалы для сообщества, официальные блоги, статьи, проекты с открытым исходным кодом и реальный инженерный опыт в последимый список учебных дел для AI-агента.
Сопровождающий
Куратор: Чэнь Сычжоу (член Datawhale)
Как использовать
- Если вы новичок: нажмите «Список учебных дел» сверху вниз, отмечая каждый выполненный пункт.
- Если вы уже умеете применять LLM: начиная с Этапа 2 или 3, сосредоточьтесь на дополнении агентных циклов, вызовах инструментов, оценке и инженерии.
- Если хотите начать проект: просто посмотрите на «Лестницу проекта» и создайте по одному выполняемому проекту на каждом уровне.
- Если вам нужна только информация: прочитайте «Курированные ресурсы» и отдайте приоритет официальной документации и классическим статьям.
Чему учиться сейчас
Сфера агентов быстро меняется. Сейчас больше стоит инвестировать не в старую «ролевую мультиагентную рамочную структуру», а в эти направления, ближе к реальной продуктивности:
| Приоритет | Учиться | Почему |
|---|---|---|
| 1 | Кодовые агенты в стиле Клода / Codex | Реальные кодовые базы, оболочки, редактирование файлов, тестирование, разрешения и сжатие контекста — лучшие примеры инженерии агентов. |
| 2 | Инженерия агентных жгутов | Большая часть возможностей агента основана на жгутах: протоколах инструментов, разрешениях, статусе, обратной связи, воспроизведении, CI, обзорах |
| 3 | Персональные агенты в стиле OpenClaw / Hermes | Длительное выполнение, локальный приоритет, кросс-приложения, память, навыки, ввод сообщений — скорее «персональная операционная система». |
| 4 | Навыки / MCP / A2A / ACP | Skills отвечает за повторное использование возможностей, MCP связывает инструменты, A2A — агенты, ACP — к хост-приложениям. |
| 5 | Оценка и безопасность | Агенты без границ оценки, отслеживания или разрешений могут считаться только демонстрациями. |
Не рекомендуется сосредотачиваться на устаревших фреймворках команды/ролевой игры, которые стали шаблонами. Их можно понять, но они не должны быть основной нитью.
Учебный список дел
Этап 0: Понять, кто такой агент
- [ ] Различает чат-бота, рабочий процесс, агента и мультиагента.
Эта страница переведена автоматически. Технические детали смотрите в оригинале.
Рекомендуемые инструменты
Попробуйте другой запрос или уберите фильтр.
Установка
npx skillfish add datawhalechina/agent-learning-hub