didilili/ai-agents-from-zero: ein chinesischsprachiger Lernpfad für Agent-Engineering mit Python

Ein Lernpfad statt einer Bibliothek

Das Repository liefert keinen installierbaren Code, sondern eine Lernroute. Die README beschreibt das Ziel als Kombination aus 系统教程, 可跑源码, 面试题库, 企业级实战项目 und einer laufenden Aktualisierung des Technologie-Stacks. Adressiert sind damit zwei Gruppen: Berufseinsteiger und Quereinsteiger aus Frontend, Backend oder Produktmanagement, die in Richtung AI-Anwendungsentwicklung wechseln wollen, sowie erfahrene Entwickler, die konkrete Frameworks wie LangChain und LangGraph kennenlernen möchten. Die Hauptsprache des Materials ist Chinesisch, was der README selbst über das Language-Badge signalisiert. Das ist die erste und härteste Einschränkung für jeden Leser außerhalb des chinesischsprachigen Raums. Der Inhalt ist als Lehrgang angelegt, nicht als Referenzdokumentation. Wer eine API nachschlagen will, ist hier falsch.

Wie der Stoff gegliedert ist

Die README zeigt eine Kapitelstruktur, die mit Grundlagen beginnt: LLM-Grundbegriffe, Transformer, MoE, Selbstaufmerksamkeit, dazu Modellbetrieb über Ollama und Cloud-Anbieter. Abschnitt 02 wechselt auf die Low-Code-Schiene mit Coze und Dify und einem ersten Projekt namens 商户运营管家, das laut README Marktforschung, Video-Reproduktion, Werbeplakate, Verkaufsargumente und Kommentaranalyse abdeckt. Danach folgt der Code-Pfad mit LangChain, LangGraph und DeepAgents, ergänzt um Model Context Protocol und A2A für Werkzeuganbindung und Agent-zu-Agent-Kommunikation. Der RAG-Block nennt Vektor-Datenbanken, sparse und hybride Suche, BGE-Rerank, Wissensgraphen und RAGAS. Später kommen Deployment mit Docker, Ollama, Xinference und vLLM sowie Feintuning mit PEFT, LoRA, QLoRA, DeepSpeed und Llama-Factory. Die Reihenfolge ist didaktisch begründet: erst Begriffe, dann Low-Code-Werkzeuge, dann Code, dann Betrieb.

Zwei vollständige Beispielprojekte und ihr Umfang

Die README nennt zwei abgeschlossene Praxisprojekte. Das erste ist 电商问数, ein NL2SQL-Projekt auf Basis von LangGraph, dessen Quellcode im separaten Repository didilili/shopkeeper-agent liegt und laut README am 3. Mai fertiggestellt wurde. Das zweite ist 深度研搜, ein Multi-Agent-Projekt mit DeepAgents, dessen Code unter didilili/deepsearch-agents liegt und am 17. Mai fertig wurde. Beide Projekte sind ausgelagert, das Lern-Repository enthält also nicht den gesamten Code, sondern verweist darauf. Die README betont, dass die Beispiele nach dem Prinzip 能跑起来 zusammengestellt wurden, also mit Umgebungsbeschreibung und Hinweisen zur Fehlersuche. Ob die Projekte mit aktuellen Versionen von LangGraph und DeepAgents noch lauffähig sind, lässt sich aus der README nicht ableiten. Genau das ist die Frage, die vor dem Nachbauen zu klären ist.

Einstieg: was die README konkret vorgibt

Die README verlinkt einen Abschnitt 快速开始 sowie eine Datei 新手入门与常见问题.md, in der Umgebungsfragen und typische Stolpersteine gesammelt sind. Ein vollständiger Kommandoablauf steht nicht in der README selbst; die Installation erfolgt offenbar über die verlinkten Projekt-Repositories. Als Hauptsprache ist Python angegeben, das Repository führt Python auch als Primary language. Die genannten Werkzeuge sind Docker, Ollama, Xinference und vLLM für den Betrieb, Llama-Factory und DeepSpeed für das Feintuning. Wer den Lernpfad ernsthaft durchlaufen will, braucht daher eine Python-Umgebung und mindestens eine Möglichkeit, ein Modell lokal oder über einen Cloud-Anbieter zu betreiben. Die README erwähnt in diesem Zusammenhang AWS und Alibaba Cloud sowie AutoDL, ohne eine dieser Optionen als Standard zu setzen.

Die Interviewfragensammlung als eigener Bestandteil

Ein Teil des Repositories ist keine Anleitung, sondern eine Fragensammlung: AI智能体与大模型应用开发面试题库.md, verlinkt aus der README und nach eigenen Angaben nach Kompetenzfeldern gegliedert, mit Querverweisen zu den Kapitelnummern im Haupttext. Die README behauptet, ein Teil der Fragen stamme aus echten Interviews großer Firmen und öffentlichen Erfahrungsberichten. Diese Herkunft lässt sich anhand des Repositories nicht überprüfen, und sie ist auch nicht der Punkt. Der Punkt ist die Kopplung: Wer eine Frage nicht beantworten kann, findet über den Verweis zurück ins Kapitel. Das ist ein sinnvoller Aufbau für Prüfungsvorbereitung, aber es ist kein Ersatz für dokumentierte Projektarbeit. Eine Fragensammlung altert zudem schneller als ein Konzeptkapitel, weil sich Frageformate mit den Tools ändern.

Grenzen und Fälle, in denen das Repository nicht passt

Die README ist stark werblich formuliert, mit Formulierungen wie 地表最强 und einer Zielgruppe, die ausdrücklich mit 万元级培训课表 verglichen wird. Solche Selbstbeschreibungen sind kein Qualitätsnachweis. Wer den Inhalt bewerten will, muss die Kapitel selbst lesen. Drei konkrete Einschränkungen fallen auf. Erstens die Sprache: Ohne Chinesischkenntnisse ist der Lernpfad praktisch nicht nutzbar, und die README gibt keine Hinweise auf eine englische Fassung. Zweitens die Auslagerung: Ein erheblicher Teil des Codes liegt in separaten Repositories, was Versionsstände auseinanderlaufen lässt. Drittens die Zielsetzung: Das Repository ist Lernmaterial, keine Bibliothek. Wer eine stabile Abstraktion für Produktionscode sucht, wird hier nicht fündig, und wer eine Zertifizierung oder einen Nachweis für Arbeitgeber braucht, bekommt ihn hier ebenfalls nicht. Das Repository ist die falsche Wahl für alle, die eine gepflegte API mit Release-Zyklen erwarten.

Alternative: offizielle Framework-Dokumentation

Der naheliegende Vergleich ist die offizielle Dokumentation von LangChain und LangGraph selbst. Der Unterschied liegt im Ansatz: Die offizielle Dokumentation ist englischsprachig, versionsgebunden und wird zusammen mit der Bibliothek gepflegt, enthält also für jede Version die passenden Beispiele. Das vorliegende Repository verfolgt das Gegenteil, nämlich einen sprachlich einheitlichen Lehrgang, der mehrere Frameworks, Plattformen und Betriebswerkzeuge in einer Progression verbindet. Der offizielle Weg liefert keine Lernreihenfolge und keine Interviewfragen, dafür stimmen die Beispiele mit der installierten Version überein. Wer bereits weiß, was er bauen will, ist mit der offiziellen Dokumentation schneller. Wer nicht weiß, wo er anfangen soll, und Chinesisch liest, profitiert von der Reihenfolge in diesem Repository. Beide Wege schließen sich nicht aus, aber sie lösen unterschiedliche Probleme.

Lizenz, Wartung und was vor dem Einstieg zu prüfen ist

Das Repository steht unter MIT. Das ist eine permissive Lizenz: Nutzung, Änderung und Weitergabe sind erlaubt, sofern der Urheberrechtshinweis und der Lizenztext erhalten bleiben. Für Lernmaterial ist das unproblematisch. Zu beachten ist, dass die Lizenz nur den Inhalt dieses Repositories abdeckt; die beiden ausgelagerten Projekt-Repositories können eigene Lizenzen haben, die vor einer Übernahme in eigene Projekte zu prüfen sind. Der letzte Push liegt laut Repository-Metadaten auf dem 23. Juni 2026, das Repository ist nicht archiviert. Release-Einträge wurden nicht abgerufen, es gibt also keine Versionsnummern, an denen man den Stand festmachen könnte. Die README kündigt an, dass die Kapitel mit dem Technologie-Stack mitwandern sollen, was bedeutet, dass ältere Kapitel veralten können, ohne als veraltet markiert zu werden. Wer den Stoff produktiv nutzen will, sollte vor jedem Kapitel prüfen, ob die darin verwendeten Bibliotheksversionen noch den aktuellen entsprechen.

Redaktionelles Fazit

Wer Chinesisch liest und einen strukturierten Einstieg in Python-basierte Agent-Entwicklung sucht, findet hier einen breiten, MIT-lizenzierten Lernpfad mit zwei dokumentierten Beispielprojekten. Wer ausschließlich englischsprachige Materialien nutzen kann oder eine produktionsreife Bibliothek mit SemVer-Garantien braucht, sollte nicht adoptieren. Vor dem Einstieg lohnt ein Blick in 教程更新日志.md, um zu prüfen, wie regelmäßig die Kapitel tatsächlich nachgezogen werden, und in die beiden verlinkten Quellcode-Repositories shopkeeper-agent und deepsearch-agents, um den Umfang der Beispiele realistisch einzuschätzen.

Offizielle Quellen

1. didilili/ai-agents-from-zero on GitHub
2. Issues
3. License: MIT
4. Project website
5. README