事情是这样的。
9月27号那天，我在 TRAE 论坛干了一件现在回头看有点疯狂的事，一天之内，连发了8篇帖子。
系列名我起得很简单，就叫 Learn Agent。每篇只干一件事，把一个开源教程掰开揉碎，它讲什么、最炸的是哪块、适合谁、不适合谁、第一行代码怎么敲，全给你摊开。
8篇发完，看着帖子一个个沉下去，我自己反倒琢磨出一个发之前压根没意识到的事。
这8个教程，根本不是8个平行的备选项。
它们拼在一起，刚刚好是一张地图。一张从「一行代码都不会写」，一路走到「把 Agent 部署上生产、甚至拿着项目去面大厂」的完整地图。
所以就有了今天这篇。把8篇合成1篇，比单篇讲得更细，还按知识顺序重新排了一遍。你可以先收藏，但我得把丑话说前头，收藏从来不等于学会，这事我们后面细聊。
先报个家底，免得你看到一半说我夹带私货。
8个教程里有7个出自同一个组织，Datawhale。对，就是那个以用爱发电做中文开源教程闻名的 Datawhale。剩下的一个 zero2Agent，是作者 Onefly 一个人一篇篇更出来的，131篇。
但它们有几个一模一样的脾气。全部开源免费，全部中文，全部能跑，而且几乎都不写玩具 Demo。协议基本都是 CC BY-NC-SA 4.0，署名、非商业、相同方式共享，翻译成人话就是，随便学，随便转，就是别拿去卖钱。
好，家底报完，上地图。
我把8个教程按知识顺序分成了五层。
第一层，入场，完全不用会写代码，对应 Vibe Vibe 和 Easy-Vibe。
第二层，懂模型，Happy-LLM，带你亲手训一个出来。
第三层，造 Agent，Hello-Agents，这是整张地图的主干。
第四层，补两块主干讲不深的短板，All-in-RAG 管记忆和检索，Jev Cookbook 管决策和安全。
第五层，上生产、找工作，Deep Agents 实战和 zero2Agent。
来，一层一层逛。
第一层的入场券，门槛低到什么程度呢，低到你只需要会说人话。
先聊 Vibe Vibe。
Vibe Coding 这个词，是 Andrej Karpathy 在2025年2月带火的。他当时说了一句特别有画面感的话，叫「完全沉浸于编程的氛围中，忘记代码的存在」。后来大家把这件事总结成一个身份转变，从 Coder 到 Commander，你不再是写代码的人，你是指挥 AI 写代码的人。
道理听着很爽，但零基础的人真上手，第一反应永远是，我连对话框里该打什么都不知道。
Vibe Vibe 解决的就是这个。国内第一个把 Vibe Coding 做成体系的开源教程，四大板块，基础篇、进阶篇、实践篇、优质文章篇。
我最喜欢的是基础篇的编排，它不着急教你技术，先教你像产品经理一样思考。里面有个「灵魂三问」，用户是谁，痛点在哪，为什么用你的产品。想明白这三句再动手。还有个三轮迭代法我特别认同，先让 AI 把界面的「脸」做出来，再长业务逻辑的「脑」，最后才接上数据存储。多少人死在一上来就纠结数据库，第一版界面都没见过。
真正有工程含量的是进阶篇，16章，把一个人从写代码到产品跑在公网上的全流程拆了个干净。环境、架构、PRD 驱动开发、UI/UX、环境变量和安全、数据库、测试、Localhost 到公网、Git、CI/CD、域名、云服务器运维、SEO、用户反馈。技术栈直接对齐现代生产环境，Next.js 16、React、TypeScript、Tailwind、shadcn/ui、Drizzle ORM、PostgreSQL。
说真的，这套东西你放三年前，是一个初级全栈工程师一整年的工作经验。
实践篇还按人群分了项目，文科商科生做内容创作和数据展示，理工科学生做算法可视化，职场人士做工作流自动化。它默认你不是程序员，也不打算把你训练成程序员，它只想让你把脑子里那个想法变成能用的东西。
顺着第一层再往里走，是 Easy-Vibe。
如果说 Vibe Vibe 像一本启蒙读本，短平快，心法和交付流程为主，那 Easy-Vibe 就是一所四年制大学，100多篇文章，3+1 阶段，一路开到 Agent 工程化。
Stage 1 给纯新手，从写一个贪吃蛇起步，认识 Cursor、Claude、Trae 这些 AI IDE，然后找创意、做原型、接入文本图像视频各种 AI 能力。
Stage 2 是初中级全栈，Figma 画设计、组件库、设计转代码，Git、Supabase 写后端、Zeabur 部署、Stripe 接支付，最后交一个 SaaS 大作业出来。
而 Stage 3，是我觉得全仓库最「Agent 味」的部分。它直接开了一整套 Claude Code 核心技能，MCP、Skills、Agent Teams、长任务处理、Superpowers 工程化开发、从 Vibe Coding 到 Spec Coding、Claude Agent SDK。还有13个跨平台真实项目，微信小程序、Android、iOS、PWA、浏览器插件、Electron 语音转文字、VS Code 插件，甚至还有 Qt 工业 HMI。
附录更夸张，9大领域80多个交互式专题，用动画讲「从晶体管到 CPU」，用可点击的演示讲 RAG 数据流。我翻的时候有个细节一下打动我了，仓库根目录放了 llms.txt 和 CLAUDE.md，也就是说，这份教材本身就是对 AI Agent 友好的，它已经在用 AI 时代的方式组织知识了。
这两个怎么选，我的建议很简单。完全零基础，从 Vibe Vibe 的第一章「觉醒」开始，先爽到再说。想要一条走到底的长路线，或者你本来就是产品经理、创业者、在职开发者，直接进 Easy-Vibe。
好，第一层逛完了。从这一层往上，画风突变，你得开始碰 Python 了。
第二层，我管它叫「懂模型」。
你天天在指挥模型，但有没有一瞬间好奇过，模型里面到底在干嘛，为什么它能接上你的话，为什么它有时候蠢得离谱。
想弄明白这个，Happy-LLM 是地图上唯一的选择。
Datawhale 出品，9大章节，前4章是原理，从 NLP 基础研究方法讲起，注意力机制、手把手搭 Transformer、三种预训练语言模型路线对比，Encoder-only、Encoder-Decoder、Decoder-Only，一路讲到大语言模型的训练策略和涌现能力。
但让我对它肃然起敬的是第五章。
这一章，你要用 PyTorch 从零把 LLaMA2 搭出来，自己训练 Tokenizer，自己完成预训练和有监督微调，最后产出一个 215M 参数的小模型。作者把训好的 Base 版和 SFT 版都传到了 ModelScope，你可以直接下载，也可以对着 SwanLab 上的训练曲线看人家是怎么训的。
215M 什么概念，跟现在动辄几千亿参数的模型比，它就是个玩具。但这是你一行行代码亲手搭出来的玩具，那种「原来这玩意内部是这样」的通透感，看十篇科普都换不来。愚钝如我，当年学 Transformer 的时候就是卡在「道理我都懂但它到底怎么跑起来的」，差的就是这么一次亲手实现。
第六章讲训练实践，预训练、SFT、LoRA、QLoRA。第七章落应用，评测、RAG、Agent 三件套。第八章直接顶到前沿，Agentic-RL，GRPO、OPD、Search-R1、ReTool，讲怎么用强化学习训练会搜索、会写代码的 Agent。
到这一层，你已经知道模型是怎么来的了。但会训模型和会造 Agent，中间还隔着一条大河。
第三层，过河，靠 Hello-Agents。它是整张地图的绝对主干，仓库大概7万 Star。
这本书一上来先做了个我特别欣赏的切割。它说市面上的 Agent 分两派，一派是 Dify、Coze、n8n 这种流程驱动的，本质是低代码搭积木，软件工程派；另一派是真正以 AI 驱动的 AI Native Agent。这本书只教后者，教你从 LLM 的使用者，蜕变为 Agent 系统的构建者。
16章，5个部分。
第二部分最扎实。第四章，不许你调任何框架，纯手写 ReAct、Plan-and-Solve、Reflection 这三个经典范式，把「推理然后行动」这个循环拆开揉碎。第五章反过来让你玩一遍低代码平台，知道拖拖拽拽的边界在哪。第六章逛主流框架，AutoGen、AgentScope、LangGraph。第七章，基于 OpenAI 原生 API 从零造轮子，你会写出自己的 Agent 框架，就叫 HelloAgents，都更新到 V1.0.0 了。
先不用轮子，再用轮子，最后自己造轮子。这个顺序，是这本书最良心的地方。
后面五章高级内容全跑在你自研的框架上。记忆与检索、上下文工程、通信协议三连，MCP、A2A、ANP，然后是 SFT 到 GRPO 的 Agentic-RL 训练，最后是性能评估。
第13到15章是三个综合案例。智能旅行助手，MCP 加多智能体协作；自动化深度研究智能体，复现 DeepResearch；还有个我特别喜欢的，赛博小镇，让一堆 Agent 在一个小镇里生活，模拟社会动态。Agent 和游戏的结合，浪漫得不行。
第16章，毕业设计，做一套完整的、属于你自己的多智能体应用。
为什么我反复说它是主干，你先记住这句话，等逛完第四第五层，我把接缝给你标出来，你会发现后面所有教程几乎都能挂在这本书身上。
主干课给你一张完整的地图，但地图上有两块地方，它只能带你路过，没法带你深挖。
第四层，就是补这两块短板的。
第一块，记忆和检索。
Agent 的记忆从哪来，绝大多数时候是从检索来的。你问公司内部制度，它得先去文档库里翻；你让它分析财报，它得先把 PDF 吃进去。这套「先翻资料再回答」的技术，就是 RAG。
All-in-RAG，Datawhale 的 RAG 全栈教程，10章29节，环境基线 Python 3.12.7 加 Docker，从「四步构建一个 RAG」起步，一路干到生产级。
数据怎么加载、怎么分块，向量嵌入怎么做，多模态图文嵌入怎么搞，向量数据库 Milvus 怎么落地怎么调优，稠密加稀疏的混合检索，查询重构和分发，Text2SQL 怎么让模型查结构化数据库，最后还有一整套系统评估方法。
最让我想拍桌子的是第七章，它直接讲到了 GraphRAG 和 Agentic RAG。前面的 RAG 是你问一句它查一次，Agentic RAG 是让 RAG 自己拥有决策能力，这次要不要查、查哪个库、查到一半发现不够要不要再查一轮，全由 Agent 自己判断。
你看，检索的尽头，也是 Agent。
实战部分更有意思，项目叫 What-to-eat-today，今天吃什么。基础篇先用普通 RAG 完整搭一遍，选修篇再用图 RAG 架构整个重构，图数据建模、Milvus 索引、智能查询路由。同一个项目，被连续打磨两遍。我一直觉得这是学架构最好的方式，你只有亲手重构过一次，才知道第一种方案的疼在哪。
第二块短板，更冷门，但我觉得更要命，决策的可靠性。
先问你个问题，Agent 拿工具干活，最危险的环节是什么。
是它在不该动手的时候动了手。误删文件、误发邮件、误执行高危命令，你看到的 Agent 事故新闻，根子几乎都在这。
Jev Cookbook 切的就是这个口子。先说清楚 Jev 是什么，它是 TypeSafe 家 System One 的旗舰模型，但它跟你熟悉的 ChatGPT 完全不是一个物种。普通大模型吐给你的是文本，你的程序得再想办法把文本解析成决策，这个过程慢、贵、还动不动坏掉。Jev 干脆不做文本生成，它原生输出的是类型化决策和校准概率，分支、排序、路由，直接交给代码。
这本书是 Datawhale 给它补的中文教程，十一章，外加全站文档翻译和500多个文件的知识库，不需要机器学习背景，有 Python 基础就能上。
它的方法论内核是三个原语，Noul、Choice、Score，外加一条提问纪律，一题只问一件事，复杂判断拆成多个小问题，组合全交给代码。书里还花大力气掰扯四个特别容易混的概念，概率、置信度、正确率、校准。
第9章是我最想安利给所有 Agent 开发者的。在 Pi 和 DeepSeek Harness 两个真实框架里，让 Jev 在工具执行之前先做一次语义判断，像个门卫一样 gate 在那，这次操作该不该放行，但最终的权限和动作仍然留在代码手里。模型负责判断，代码负责授权。我读到这章的时候真的有点激动，因为这套「执行前先判断」的结构，就是工具安全那个死结的解法。
第10章更狠，教你用 RLCD 方法微调一个开源同类模型 Laya，从中文数据集构造、训练，到本地兼容服务部署，端到端跑通。想自己造一个判断模型的人，这在中文教程里基本找不到第二份。
而且它的表达方式一点都不学术，18篇官方配方照着改就能用，231道公开题做四维评测，12个实战项目里居然还有贪吃蛇、扫雷和狼人杀。。。用游戏讲闭环控制，这思路可以的。
第五层，留给要见真章的人，上生产，和找工作。
先说 Deep Agents 实战。
作者沧海九粟，LangChain 官方认证大使。这门课围绕 LangChain 官方的 Deep Agents 框架，推荐 0.7.x 版本，16章图文，配齐 B 站视频和可运行实验模板，GitHub 上2000多 Star。
开篇先帮你掰三个天天听见但没人讲清楚的词，Runtime、Framework、Harness，到底各是什么。然后5分钟跑通第一个 Agent。
核心四章，讲透四件生产里最关键的事。虚拟文件系统，这是 Context Engineering 的核心，你得亲眼看见 Agent 怎么把内容和中间结果存进文件里；任务规划与分解；子 Agent 怎么做上下文隔离；还有异步子 Agent。
进阶六章，是一整套生产护栏。Skills 能力包、长期记忆、Human-in-the-Loop 人工审批、沙箱隔离执行、FilesystemPermission 声明式读写边界、MCP 工具生态。书里还专门解读了 v0.7 版本，基础输入 Token 直降65%，以及为什么默认行为会改、你的应用受不受影响、怎么用评测和 Trace 验证迁移。这种「讲变更背后原因」的写法，比单纯的 changelog 高了不知道几个段位。
最后两章是 Beta 能力预览，用 QuickJS 的 eval 加 task 函数，让 Agent 直接用代码编排工具和数据，跑六种编排模式，观察真实的调用事件流。
如果说 Deep Agents 实战教你的是「用最先进的框架造生产级 Agent」，那 zero2Agent 教的就是「把所有框架全部拆了，看里面到底怎么运转」。
这是第五层的另一本，也是我私心最喜欢的一本。131篇文章，12个完整模块。
开头17篇 Agent Basic，回答那个所有过来人都问过的灵魂问题，为什么 Demo 能跑，一落地就不稳定。模型 API、Tool Calling、Context、Memory、Loop、Infra，一个个钉过去。
中间的手写 Harness 系列是全书最顶的部分。OpenClaw 模块用9篇文章，从60行代码推导 Agent，我给你看三行，
workflow = node + node，有向路径，没有循环。
chatbot = workflow + loop，套一层外层循环，多轮对话。
agent = chatbot + tools，图内回路，模型自己驱动工具。
三行。Agent 的定义就这么钉死了。
然后是12篇手写 Claude Code，从 Loop、Tools、Subagent、Teams 一路写到 Worktree 隔离，全程不调库。还有 Pi Coding Agent 的树形 Session Runtime，Codex CLI 的 Rust 双层架构和平台原生沙箱，DeepSeek Harness 的插件、接缝、事实源和控制平面。框架调研模块一口气横评了13个，AutoGen、LangChain、Google ADK、Semantic Kernel、Eino、DeerFlow、Vercel AI SDK，全在内。
训练模块7篇，SFT、RL、GRPO、PPO、数据配比、仿真沙箱、评估回流到部署，一个闭环。
如果你是来找工作的，直接翻面试通关模块。17篇，17个考察维度，配套一本绿皮书，《Agent 面试500问》，757道真题，蚂蚁、阿里、字节、腾讯、携程、百度，按真实面经出现的频次排序，每道题都给你「新手答 vs 高手答」两种版本。最后还有个 Final Project，OfferPilot，12篇带你手写10层 Harness，做一个面试诊断 Agent，从 PRD 一路到部署。简历项目和面试话术，一次性给你配齐。
好，8个教程全部逛完。
回到开头我卖的那个关子，现在把地图的接缝给你标出来，这也是这篇汇总文真正值钱的地方。
Happy-LLM 的第七、八章讲应用和 Agentic-RL，它其实就是 Hello-Agents 的前传；而 Hello-Agents 第11章的 SFT 到 GRPO，又反过来跟 Happy-LLM 的训练部分严丝合缝。
Hello-Agents 第八章讲记忆与检索，把那一章单独展开、往工程里做深，就是 All-in-RAG。
Hello-Agents 第六章带你逛了一圈框架，等你选定 LangGraph 生态、要往生产走，Deep Agents 实战就是它的续篇。
Easy-Vibe 的 Stage 3 教你用 Claude Code，zero2Agent 教你写 Claude Code。一个是驾驶课，一个是发动机维修课，先当司机还是先当机械师，看你想干什么。
而 Jev Cookbook 不跟任何一个重叠，它补的是整张地图上空着的那个位置，判断。模型负责生成，谁来为决策的可靠性兜底，它给了一个答案。
你看，这哪是8个仓库啊，这是一整套课程体系，只是从来没有人把它们画在同一张图上。
我知道看到这里，你最想问的是，大几百篇文章，我到底该从哪开始。
我不自量力地给四条路线，仅供参考。
如果你完全零基础，或者你是产品经理、创业者，别碰任何带算法字样的东西。Vibe Vibe 第一章开始，做出第一个能演示的东西，建立信心比什么都重要。想走得远，再接 Easy-Vibe 的 Stage 2 和 Stage 3。
如果你是在校学生，时间多，想吃透，Happy-LLM 加 Hello-Agents 这条线，老老实实跟半年，你对 Agent 的理解会超过大部分只会调 API 的从业者。
如果你是在职程序员，想转 Agent 方向，Hello-Agents 的前三章快速翻过，直接进手写范式和自研框架，然后按需读 All-in-RAG，再用 Deep Agents 实战补生产工程，最后 zero2Agent 横向拉满。
如果你在找工作，zero2Agent 当主线，绿皮书刷起来，再用 Hello-Agents 的毕业设计做简历项目。这个组合，已经是明牌了。
路线给完了，说几句可能不太中听的。
第一，别想着8个全啃。这不是谦虚，这是物理规律。选一条主线跟到底，剩下的当字典查。
第二，别只读。这些课没有一本是给你躺着看完的，环境冲突、依赖报错、Token 烧钱、独立 Python 环境，一个都跑不掉。Happy-LLM 官方都建议你不同章节用不同环境。跟一章，跑一章，卡住就去翻 issue，这才是正确姿势。一开始你可能会觉得笨拙，花的时间比想象中长，这太正常了，所有 Commander 都是从笨拙的 Coder 变的。
第三，收藏夹吃灰是常态，我自己也还在摸索。但哪怕你只打开其中一个仓库，敲下第一行命令，你就已经比昨天的自己多走了一步。
写到这，我突然想起 Karpathy 发那条推文时的样子。
一个人，一两句话，把「写代码」这件事持续了几十年的门槛，当众给炸了。然后地球另一边的一群中国年轻人，用爱发电，把最新的东西翻译成中文、做成能跑的实验、配上视频和面试题，CC 协议，全部白送。131篇是一个人一篇篇敲出来的，757道题是一道道攒出来的，215M 的模型是一行行搭出来的。
放在十年前，你想学最前沿的技术，得等英文资料、等出书、等培训机构开课。而现在，你和这些东西之间，只隔着一个 GitHub 链接，和一点点动手的勇气。
我有时候觉得，教程可能是开源世界里最浪漫的产品。它不服务任何商业模式，它只服务一件事，我想让更多人学会这件事。
回到9月27号那天，8篇帖子发出去的时候，我没想这么多。就是单纯地，在信息的洪流里捞到了好东西，想喊一声，让更多人看见，磨平一点点信息差。
现在地图画完了。
路，得你自己走。
谢谢你看我的文章，我们，下次再见。
传送门，按地图顺序排列。
第一层 入场
1，Vibe Vibe，论坛原帖 【Learn Agent】Vibe Vibe —— 人人都能学会的 AI 编程（Vibe Coding）指南 ，仓库 GitHub - datawhalechina/vibe-vibe: AI for All: The First Systematic Vibe Coding Tutorial | From Zero to Full-Stack, Bring Your Ideas to Life | Live at: www.vibevibe.cn ；全民AI学习第一课，首个系统化 Vibe Coding 开源教程 | 零基础到全栈实战，让人人都能借助 AI 实现自己的想法与创意 | 在线地址：www.vibevibe.cn · GitHub ，在线阅读 https://www.vibevibe.cn/
2，Easy-Vibe，论坛原帖 【Learn Agent】Easy-Vibe —— 从零开始学 AI 编程，把想法真正做成产品 ，仓库 https://github.com/datawhalechina/easy-vibe
第二层 懂模型
3，Happy-LLM，论坛原帖 【Learn Agent】Happy-LLM —— 从零开始构建大模型：一份能让你亲手训出 LLaMA2 的 LLM 系统教程 ，仓库 https://github.com/datawhalechina/happy-llm
第三层 造 Agent
4，Hello-Agents，论坛原帖 【Learn Agent】Hello-Agents —— Datawhale 出品的系统性智能体学习教程：从零开始构建 AI Native Agent ，仓库 https://github.com/datawhalechina/Hello-Agents
第四层 补短板
5，All-in-RAG，论坛原帖 【Learn Agent】all-in-rag —— Datawhale 出品：RAG 技术全栈教程，从基础到 GraphRAG / Agentic RAG 的工程化路线 ，仓库 https://github.com/datawhalechina/all-in-rag
6，Jev Cookbook，论坛原帖 【Learn Agent】Jev Cookbook —— 适合中国宝宝的 Jev 入门教程 ，仓库 https://github.com/datawhalechina/jev-cookbook
第五层 上生产与求职
7，Deep Agents 实战，论坛原帖 【Learn Agent】Deep Agents 实战 —— 基于 LangChain / LangGraph 的中文开源课程，从第一个 Agent 到生产级 Harness ，仓库 https://github.com/datawhalechina/deepagents-in-action
8，zero2Agent，论坛原帖 【Learn Agent】zero2Agent —— 面向程序员的 Agent 工程教程：从概念到生产 ，仓库 https://github.com/ranxi2001/zero2Agent ，在线阅读 https://onefly.top/zero2Agent