一張精心策劃的學習地圖：9 個階段、23 個動手練習、240+ 精選資源。
從 Prompt Engineering 到 Harness Engineering，從零到生產級 Agent。
共享 Stage 0-2 基礎之後，根據你的目標選擇 CLI 能力者之路或 Agent 構建者之路。
不同職業對 AI Agent 的需求不同——這裡為 5 種典型角色設計了對應的學習路徑與重點。
這個項目最重要的知識框架——從寫好提示詞，到管理上下文，到讓 Agent 行為框架本身可編程。
點擊每個階段展開查看練習、資源和學習目標。
💡 提示：點擊任意練習卡片可查看該練習的完整 README。
適合 PM、知識工作者、想快速提效的人。專注於熟練使用 Claude Code、Codex、Gemini CLI 等現有工具，不寫代碼。
路徑：Stage 0-2 共修基礎 → 跳過 Stage 3/4/6/7（編程內容）→ 直接學 Stage 5（Claude Code 生態）+ Stage 7.5（高階概念）+ Stage 8（Agent 接口）。同步學 tracks/cli/ 三個專屬文檔（A1/A2/A3）。
適合開發者、研究者，想從零構建自己的 Agent 系統。覆蓋 Tool Use、框架對比、RAG、多 Agent、生產部署等全棧能力。
路徑：從 Stage 0 一路打到 Stage 8。Stage 3-4 是 Agent 構建轉折點，Stage 6 是記憶/RAG，Stage 7 是生產級 + 可觀測性。配合 walkthroughs/build-first-agent-in-7-steps 端到端實戰。
學什麼：Python 基礎、CLI 操作、Git 版本控制、API 概念、JSON 格式。這是一切的起點——確保你的開發環境就緒。
動手做：安裝 Ollama → 拉取 gemma4:e4b 模型（約 7.5GB）→ 運行第一個本地 LLM 對話。
學什麼：Token 概念、API 調用方式、LLM 供應商對比、本地 vs 雲端 LLM 的取捨。理解 LLM 的本質——一個概率性的文本生成器。
學什麼：System Prompt 設計、Few-shot 示例、Chain-of-Thought 推理鏈、Context Engineering 入門。這是概念三層演進的第一層。
練習形式：內嵌在 stage 文檔的 <details> 折疊塊中，每個練習 8-15 行核心代碼。
學什麼：Function Calling、ReAct 循環、工具選擇策略、Schema 設計。這是從使用者到構建者的轉折點——你將手寫第一個 Agent 循環。
學什麼：LangGraph、CrewAI、Smolagents、Pydantic AI 四大框架對比。理解不同框架的設計哲學——圖狀態機 vs 角色扮演 vs CodeAct vs 類型安全。
學什麼：MCP Server 協議、Skills 系統、Plugins 架構、Subagents 子代理。這是 Claude 生態的全景圖——從工具協議到技能系統到多代理編排。
已有的 meta 示例：tool-calling-tutor — 一個可安裝的 Claude Code Skill，用於診斷 tool-calling 問題。
學什麼：向量數據庫、Embedding 原理、文檔分塊策略、完整 RAG 管道、Agent 長期記憶。讓你的 Agent 擁有「記憶」——能記住對話歷史和外部知識。
學什麼：多 Agent 編排模式、Agent 評估方法、可觀測性/監控、高級 SDK（Streaming + Caching）、FastAPI 部署。這是概念三層演進的頂層——Harness Engineering。
學什麼：12 個高階概念的閱讀地圖：PAR 循環（Plan-Act-Reflex）、Agent-as-Judge、Guardrail 模式、Reflexion 持久記憶迴圈等。沒有代碼，純粹的概念理解。
定位：這是 Stage 7 到 Stage 8 之間的「橋樑」——用一週時間消化高階概念，為最後的 Agent 接口學習做準備。
學什麼：Computer Use（屏幕操控）、Browser Use（網頁瀏覽）、Code Sandbox（代碼沙箱）。讓 Agent 不僅能對話，還能「看見」和「操作」真實世界。
練習形式：練習內嵌在 stage 文檔中，因為涉及特殊環境（瀏覽器、屏幕錄製等）。
每個練習文件夾遵循統一結構。按以下順序操作，最大化學習效果。
選擇你的語言版本（zh-TW / zh-Hans / English），理解練習目標和預期成果。
讀 requirements.txt，執行 pip install -r requirements.txt。注意同時包含 openai 和 anthropic SDK。
⚠️ 關鍵：starter.py 是完整解答，不是 TODO 骨架。先自己嘗試寫，哪怕寫不出來也沒關係。
讀 starter.py（Path A: Ollama），理解差距。運行它，觀察輸出。看末尾的 # === 自我驗證 === 塊。
執行 pytest test.py 驗證理解。測試使用 mock，不需要真實 API 調用。
讀 starter_anthropic.py（Path B: Anthropic），對比本地 vs 雲端的實現差異。pytest test_anthropic.py。
看 README 的 📚 callout，路由到 Datawhale hello-agents、Anthropic Cookbook 等深度教程繼續學習。
當你需要深入某個主題時，查閱 resources/ 下的專項指南。每個主題都有三語版本。
三種預算方案，從完全免費到全雲端。推薦混合方案——本地練習 + 雲端對比。
| 方案 | 說明 | 預算 |
|---|---|---|
| 全本地 Ollama | 所有練習用本地 LLM，零 API 費用 | $0 |
| 混合推薦 ⭐ | 本地練習（Path A）+ 雲端對比（Path B，用 Haiku） | $2–5 |
| 全 Sonnet | 所有練習用 Claude Sonnet，最高質量 | $20–50 |
模型選擇建議：
Stage 1-2 用 gemma4:e4b（本地，$0）
Stage 3+ 用 qwen2.5:3b（本地，$0，可靠的 tool-use 支持）
雲端對比用 claude-haiku-4-5（$1/$5 per 1M tokens，最便宜）