如果你已经看过很多 AI Agent 文章，却仍然说不清一个 Agent 到底由什么组成、上下文如何管理、工具怎样接入、效果又该怎么评估，那么你缺的可能不是更多零散教程，而是一条完整的学习路径。

最近在 GitHub 上快速走红的中文开源书 《深入理解 AI Agent：设计原理与工程实践》，正好补上了这一块。据本周趋势数据，它约新增 1.36 万 Star；截至 2026 年 7 月 28 日，仓库已经获得约 2.38 万 Star。

但它真正值得关注的地方并不是热度，而是内容形态：10 章完整正文、92 个配套实验，其中 70 多个可以独立运行。从 Agent 基础、上下文工程一路讲到评估、后训练、多模态和多 Agent 协作，适合想系统学习 Agent 工程的人。

项目是什么？

ai-agent-book 是李博杰开源的中文教材项目，全名为 《深入理解 AI Agent：设计原理与工程实践》，采用 Apache 2.0 许可证。

项目地址：https://github.com/bojieli/ai-agent-book

在线阅读：https://bojieli.github.io/ai-agent-book/

它并不是只有几页提纲的课程仓库，而是把书籍正文、插图、PDF、EPUB 和按章组织的实验代码放在了同一个项目中。读者可以在线阅读，也可以下载电子书，或者直接克隆仓库运行代码。

全书围绕一个非常清楚的公式展开：

Agent = LLM + 上下文 + 工具

这个框架看起来简单，却很好地解释了 Agent 工程的主要问题：模型负责理解与决策，上下文承载指令、历史与知识，工具让 Agent 真正感知环境并执行动作。

10 章内容覆盖了什么？

这本书的目录不是把热门概念简单排在一起，而是从基础能力逐步走向生产实践。

章节 核心主题 重点内容
第 1 章 Agent 基础 Agent 定义、工作流、Harness 工程
第 2 章 上下文工程 提示词、KV Cache、Skills、上下文压缩
第 3 章 记忆与知识库 用户记忆、RAG、结构化索引、知识图谱
第 4 章 工具 MCP、工具设计、异步 Agent、工具发现
第 5 章 Coding Agent 代码生成与生产级 Coding Agent
第 6 章 Agent 评估 环境、指标、统计显著性与模型选型
第 7 章 模型后训练 SFT、强化学习、工具调用训练
第 8 章 持续进化 从运行轨迹更新知识、指令、程序和参数
第 9 章 多模态交互 语音、Computer Use 与机器人
第 10 章 多 Agent 协作 分工、上下文共享与群体智能

这套结构的价值在于，它没有把“会调用工具”当作 Agent 学习的终点。工具接通以后，如何做记忆、如何评估成功率、怎样从轨迹中学习、什么时候需要多个 Agent，这些更接近真实工程的问题也在范围内。

为什么它适合系统学习？

1. 理论和代码按章节对齐

很多 Agent 教程的问题是，概念文章与示例代码互不相干。这个项目给每一章都配了对应实验，README 标明项目是否可运行、用于复现还是偏设计说明。

你可以在阅读上下文压缩、RAG、MCP 或 Coding Agent 时立刻查看实现，而不是读完一堆概念后，再去别处寻找不知道是否匹配的代码。

2. 内容覆盖完整工程链路

Agent 工程远不只是写一段系统提示词，再循环调用模型。一个能长期工作的 Agent，通常还需要处理：

  • 上下文窗口与成本控制
  • 跨会话记忆和外部知识检索
  • 工具协议、权限和异常恢复
  • 可重复的评估环境与指标
  • 运行轨迹、反馈信号和持续改进
  • 单 Agent 与多 Agent 的架构取舍

这本书把这些问题放进同一套框架里，适合建立完整知识地图。

3. 阅读入口足够友好

项目同时提供在线版、PDF 和 EPUB。在线版支持章节折叠、全文搜索和实验跳转；离线版更适合连续阅读。仓库还维护了英文、正体中文、日语、俄语等社区翻译版本。

对中文读者来说，这降低了进入门槛：可以先读懂整体结构，再按需要深入论文、协议与源码。

推荐的学习路线

面对 10 章和 92 个实验，不建议一上来就逐字阅读、逐个运行。更有效的方式，是先建立主干，再围绕自己的目标选择实验。

第一阶段：先搭起 Agent 的骨架

先读第 1、2 章，理解 模型、上下文、工具 三个部分如何协作。这个阶段的目标不是记住所有名词，而是能够解释一次 Agent 循环中发生了什么。

重点关注系统指令、工具调用记录、上下文压缩和 Agent Skills，它们会直接影响后面的所有实践。

第二阶段：补齐记忆与行动能力

继续读第 3、4、5 章，理解 Agent 如何记住用户、查询外部知识、调用 MCP 工具，以及 Coding Agent 为什么是一类重要的工程范式。

建议至少亲手运行一个记忆或 RAG 实验，再运行一个工具调用或 Coding Agent 实验。能改动代码并观察结果，比只把正文读完更重要。

第三阶段：学习怎样证明它有效

第 6 章很容易被初学者跳过，却是从 Demo 走向产品的关键。没有评估环境、指标和稳定样本，“感觉它变聪明了”通常不构成可靠结论。

读完评估章节后，再进入第 7、8 章理解 SFT、强化学习和持续进化，会更容易判断什么时候值得训练模型，什么时候只需要改进上下文或工具。

第四阶段：按兴趣扩展

最后根据目标选择第 9、10 章。做语音助手、浏览器操作或机器人，可以重点看多模态交互；做复杂工作流和团队协作，则重点看多 Agent 的任务拆分、上下文隔离与协调成本。

不同读者可以怎么读？

  • 刚入门 Agent 的开发者：先读第 1 至 4 章，跑少量入门实验，不必急着进入模型训练。
  • 正在做 Agent 产品的人：重点读第 2 至 6 章，把上下文、记忆、工具和评估连成一条工程链路。
  • 研究训练与自我进化的人：重点读第 6 至 8 章，先确认评估信号，再研究 SFT、RL 与轨迹学习。
  • 关注 Coding Agent 的人：以第 5 章为主线，再回看第 2、4、6 章，补齐上下文、工具与评估。
  • 研究多模态或多 Agent 的人：先掌握前四章基础，再进入第 9、10 章，避免只学会架构名词。

如何开始？

如果你只是想先判断内容是否适合自己，直接打开在线版，从目录和第 1 章开始即可。

想运行实验，可以克隆仓库：

1
2
git clone https://github.com/bojieli/ai-agent-book.git
cd ai-agent-book

每一章都有独立 README，列出配套项目、运行方式和依赖。部分实验需要模型 API Key，另一些评测、训练和机器人实验还需要额外仓库、算力或硬件，运行前应先看对应说明。

比较务实的做法是：先选一个与你当前项目最接近的实验，跑通后修改一个变量，再观察行为与评估结果。 这样更容易把书里的知识转化成自己的工程经验。

阅读前需要知道的边界

这本书很完整，但“全书开源”不等于所有实验都能零成本一键运行。

  • 部分实验需要第三方模型 API，会产生调用费用
  • 第 6、7、9、10 章有外部评测、训练或机器人仓库，需要单独获取
  • 后训练和强化学习实验对算力、环境配置要求更高
  • 多语言版本由社区维护，进度可能落后于中文原版
  • 项目仍在持续更新，章节内容与代码接口可能变化

因此更适合把它当作一套可以长期回看的教材与实验索引，而不是几小时内速通的课程。

我的评价

《深入理解 AI Agent》最值得推荐的一点，是它试图回答一个比“怎样搭出 Agent Demo”更大的问题：怎样把 Agent 变成一门可理解、可实验、可评估的工程学科。

它用“模型 + 上下文 + 工具”建立主线，再把记忆、RAG、MCP、Coding Agent、评估、后训练、多模态和多 Agent 放回这条主线中。对于已经被碎片化教程绕晕的人，这种结构本身就很有价值。

本周约新增 1.36 万 Star 说明市场确实需要一套这样的中文资料。不过真正值得收藏的，不是它正在 GitHub Trending 上，而是当你几个月后遇到上下文、评估或多 Agent 问题时，仍然可以回到对应章节找到理论、实验和进一步阅读入口。

参考链接

延伸阅读