重磅 |完备的 AI Agent 学习路线，最详细的资源整理！

Datawhale 整理了一份系统化的 AI Agent 学习路线，从最小 Agent 循环到工程化上线，提供可执行的 Todo List 和精选资源。

本文由 Datawhale 成员陈思州撰写，旨在为 AI Agent 学习者提供一份结构化的学习路线图。文章将学习过程划分为五个部分：入门（理解 Agent、搭建最小循环、工具调用与 RAG）、进阶（现代 Agent Harness、多 Agent 协调、Skills 与 MCP 协议）、工程化（评测、可观测性与上线）、项目阶梯（边学边做）以及精选资源。文章强调实践优先，推荐学习现代 Agent 系统（如 Claude Code、OpenClaw），并提供了贯穿始终的学习原则。由于排版限制，文中链接未保留，完整资源需访问其 GitHub 开源仓库。

- 提供从入门到工程化的系统化 AI Agent 学习路线。 路线覆盖 Agent 循环、工具调用、RAG、现代 Agent Harness、多 Agent 协调、MCP 协议、评测与安全等核心主题，适合不同阶段的学习者。

- 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。

• 宁可做小的可靠 agent，也不做炫的 demo。
• 加 agent 前先加 eval。
• 把 multi-agent 当协调问题，不是魔法。
• 危险操作留人在 loop 里。

AI 初评：86

来源：Datawhale

作者：Datawhale

分类：人工智能

语言：中文

阅读时间：4 分钟

字数：916

标签： AI Agent, 学习路线, Agent 开发, MCP, RAG

阅读完整文章