ai-agents-from-zero：一份把教程、源码和面试题捆在一起的 Agent 学习仓库
🚀 2026 最系统的 AI Agent 速成指南｜智能体实战教程 · 完整学习路径 + 实战项目 + 面试题库 · 对标大模型应用开发工程师岗位 · 覆盖LangChain / LangGraph / Coze / Dify / MCP / skills / LLM / RAG / 提示词 · 企业级部署与微调 · 从0到企业级落地 + 从学习到上线项目 + 面试准备一体化
秒懂
- 它是什么？
- 这个仓库用中文整理了一条从 LLM 基础到企业级 Agent 落地的学习路线，附带可运行项目与面试题库。它的价值在于覆盖面，短板在于深度和更新节奏需要你自己判断。
- 适合谁用？
- 适合想从零进入大模型应用开发、偏好中文资料且需要一条完整路线的初学者，尤其是前端、后端或产品背景的转岗者。不适合已经能独立搭建 RAG 或 Agent 的工程师，因为仓库的讲解颗粒度偏入门，源码项目数量有限，框架版本也可能滞后。
- 能商用吗？
- 可以。MIT 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 6 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
它解决的是信息碎片化，不是技术难题
市面上关于 AI Agent 的中文内容不少，但大多是一篇篇独立的帖子，或者要付费的训练营。这个仓库想填的坑是：把大模型基础、提示词、低代码平台、代码框架、RAG、MCP、微调、部署、面试题，按一条学习路径串起来。目标读者很明确，是想应聘大模型应用开发工程师或 AI Agent 工程师的人，尤其是从其他技术栈转过来、没有系统学过 LLM 应用开发的那批人。它不解决某个具体的工程性能问题，比如推理延迟或检索精度。它解决的是你不知道下一步该学什么、去哪里找可跑代码的问题。这一点从仓库结构就能看出来，目录按能力域划分，每个域下面又有对应章节和案例链接。
内容组织：一条从概念到项目的纵向主线
仓库的目录分成若干大块。开头是 LLM 基础，包括 Transformer、MoE、自注意力，以及 Ollama、云端部署这类调度平台。接着是提示词工程，再往下是 Coze 和 Dify 两个低代码平台，然后进入 LangChain、LangGraph 这类代码框架，之后是 MCP、A2A 协议，RAG 与检索，最后是微调和部署。这个顺序不是随意排的，它对应一个典型的学习曲线：先理解模型能做什么，再学会用提示词控制它，然后用低代码工具快速搭出原型，最后用代码框架实现更复杂的逻辑。README 里提到两个已经完成的实战项目，一个是 NL2SQL 加 LangGraph 的电商问数，另一个是 DeepAgents 多智能体的深度研搜。这两个项目的源码放在独立仓库里，教程正文只给入口和说明。这种把教程和源码分开的做法，好处是主仓库不会变得臃肿，坏处是你得在两个仓库之间跳转。
技术栈选择：Python 主线，低代码与代码框架并行
仓库明确把主线放在 Python 加 LangChain 加 LangGraph 上，理由是很多课程围绕 Spring AI 或 langchain4j，偏 Java 生态。这个选择对国内开发者有现实意义，因为招聘 JD 里 Python 路线的岗位确实更多。但仓库没有把低代码平台当作次要内容，Coze 和 Dify 各占一整块，还配了商户运营管家这类偏业务向的项目。这种并行安排反映了一个判断：低代码适合快速验证想法，代码框架适合做需要深度定制的系统。对于初学者，先学 Coze 再学 LangGraph 会平滑一些，因为前者屏蔽了模型调用和工具注册的细节。不过要注意，仓库覆盖的框架不止 LangChain 和 LangGraph，还列了 DeepAgents、MCP、A2A，甚至 Cursor 和 Codex。范围广是优点，但也意味着单个主题的篇幅可能被压缩。
怎么开始用：从在线阅读到克隆源码
上手方式有两种。第一种是直接访问在线文档，地址是 didilili.github.io/ai-agents-from-zero，适合先浏览目录和章节，不涉及任何安装。第二种是克隆仓库到本地，因为 README 里没有给出 git clone 的具体命令，你需要自己执行 git clone https://github.com/didilili/ai-agents-from-zero.git。仓库根目录有几个关键文件：教程目录大纲.md 是完整导航，教程案例链接汇总.md 汇总了所有案例的源码和在线演示，AI智能体与大模型应用开发面试题库.md 是独立的面试题文件，新手入门与常见问题.md 处理环境问题。实战项目的源码不在主仓库，电商问数项目在 shopkeeper-agent 仓库，深度研搜项目在 deepsearch-agents 仓库，你需要分别克隆。环境方面，教程涉及 Ollama、Xinference、vLLM、Docker 这些工具，具体安装步骤分散在各章节里，没有统一的 setup 脚本。
一个明显的短板：更新承诺与仓库现状的落差
README 的措辞很激进，用了「全网最系统」「地表最强」这类说法，还承诺 2026 持续更新。但仓库的最近一次推送是 2026 年 6 月 23 日，这个日期本身不算旧，问题在于没有发布任何 release。对于教程类仓库，release 不是必需，但缺少版本标签意味着你无法追踪内容的重大变更，只能靠 git log 自己看。另一个隐患是技术栈的时效性。LangChain 和 LangGraph 的 API 变动频繁，教程里如果写了具体的调用代码，几个月后可能就失效。README 没有说明这些代码是在哪个版本下验证的，只提到「按人工实际跑通的思路整理」。这句话暗示作者测试过，但没给出测试时的框架版本号。如果你照着做发现报错，可能需要先查框架的 changelog。
与同类中文教程的差异：免费、开源、带面试题库
仓库自己点出了主要竞品：收费训练营和碎片化帖子。跟收费训练营比，它的优势是免费且开源，内容可以自由复制和修改，MIT 许可证也允许商用，只要保留版权声明。跟碎片化帖子比，它的优势是有一条完整的目录，从概念到项目再到面试。但跟另一类竞品比，也就是官方文档和框架自带教程，它的劣势就出来了。LangChain 官方文档有更详细的 API 说明和更新记录，LangGraph 的官方示例也一直在维护。这个仓库的价值在于帮你筛选和排序，告诉你先学什么后学什么，而不是提供比官方更准确的信息。它更像一个带路标的课程大纲，而不是一份技术手册。如果你已经有能力直接读官方文档，这个仓库的边际价值会低很多。
维护成本与许可证：适合个人学习，不适合直接当团队教材
仓库采用 MIT 许可证，这意味着你可以复制、修改、甚至把它整合进商业课程，前提是保留原作者的版权声明。对个人学习者，这个许可证几乎没有限制。但对团队来说，如果你想把它作为内部培训的统一教材，就要考虑维护成本。教程内容依赖大量外部项目，LangChain、LangGraph、Coze、Dify 这些平台的界面和 API 都在变，仓库作者需要持续跟进才能保持内容不过时。README 里承诺「长期更新」，但单靠一个维护者很难跟上所有框架的节奏。实际使用中，你可能需要自己修补过时的章节，或者把仓库 fork 一份，按团队的技术栈版本做二次编辑。另外，仓库里嵌入了赞助商的推广链接，指向优云智算的 Agent Plan 套餐。这是开源项目常见的变现方式，不影响内容本身，但你在阅读教程时要知道，某些推荐可能带有商业动机。
编辑结论
适合想从零进入大模型应用开发、偏好中文资料且需要一条完整路线的初学者，尤其是前端、后端或产品背景的转岗者。不适合已经能独立搭建 RAG 或 Agent 的工程师，因为仓库的讲解颗粒度偏入门，源码项目数量有限，框架版本也可能滞后。采用前先核对三件事：教程目录大纲里是否有你缺的知识点，两个实战项目（shopkeeper-agent 与 deepsearch-agents）的源码是否能在你的环境跑通，面试题库的更新时间是否覆盖你目标岗位的近期考点。这个仓库本质是一份持续维护的索引和入门教材，不是一份可以照着抄的工程规范。
社区笔记