Agentic AI (Chinese)

Source: https://github.com/WenyuChiou/awesome-agentic-ai-zh at f4282ac68907
License: MIT
Read the English original

This edition is an AI-assisted translation.

Deutsch | Vereinfachtes Chinesisch | Englisch

awesome-agentic-ai-zh

🤖 Eine Lernlandkarte, die von „Was ist ein AI Agent” bis zu „ein zuverlässiges System bauen” führt

Wählen Sie zuerst eine Route, dann gehen Sie Schritt für Schritt vor. Wichtige Konzepte, Übungen und kuratierte Ressourcen sind für Sie sortiert.

📱 Zum Lesen auf dem Handy nutzen Sie bitte die Online-Lesestation.

🎯 Wofür hilft Ihnen diese Landkarte?

Ein AI Agent (KI-Agent) ist „ein KI-System, das für das Ziel eines Menschen selbstständig die nächste Schritte entscheidet und handelt”. Hat man ihm das Ziel gegeben, betrachtet er die aktuelle Lage, wählt den nächsten Schritt, nutzt bei Bedarf Werkzeuge und setzt dann je nach Ergebnis fort, korrigiert, stoppt oder gibt die Kontrolle an den Menschen zurück. Er kann Arbeit automatisch für Sie erledigen, aber nur innerhalb der Regeln und Rechte, die Sie ihm gegeben haben. Ein Chatbot, der nur einmal antwortet, oder ein Skript, dessen Schritte alle fest vorgegeben sind, ist nicht unbedingt ein Agent. Dieses Repo verlangt nicht, dass Sie alle Begriffe von Anfang an kennen, sondern führt Sie in drei Schritten nacheinander:

1. Zuerst die Grundlagen verstehen: Was sind LLM (Large Language Model, ein Modell, das Sprache lesen und schreiben kann), Prompt, API (Application Programming Interface, eine Schnittstelle, über die ein Programm einen Dienst aufruft) und Token.
2. Dann etwas bauen: das Modell Werkzeuge aufrufen lassen, eine Agent Loop ausführen, Dokumente lesen und sich Dinge merken.
3. Schließlich zuverlässig machen: Berechtigungen, Eval, menschliche Freigabe, Observability und Fehlerwiederherstellung hinzufügen.

Die Rolle hier ist Lernfahrplan + kuratierte Ressourcen + direkt ausführbare kleine Übungen. Brauchen Sie ein vollständiges Kapitel, führen wir Sie zur offiziellen Dokumentation, Datawhale Hello-Agents oder zum passenden Cookbook, anstatt eine weitere Enzyklopädie zu schreiben. Muss ein Modell angebunden werden, erklärt jede Übung den Cloud- oder lokalen Pfad.

Wichtige Fachbegriffe werden beim ersten Auftreten erst einfach erklärt, dann der englische Fachbegriff beibehalten. Haben Sie ein Wort vergessen, schlagen Sie direkt im Glossar nach.

🚀 Legen Sie jetzt los

1. Sie haben noch nie programmiert: beginnen Sie mit Stage 0: Grundvorbereitung; sind Ihnen API oder CLI Agent nicht vertraut, nutzen Sie den Einrichtungsleitfaden für Anfänger.
2. Sie beherrschen bereits Python, Git und API: beginnen Sie mit Stage 1: LLM-Grundlagen.
3. Sie wissen noch nicht, welche Route Sie nehmen: sehen Sie sich zuerst die Auswahltabelle Track A / Track B unten an.

Vor Track A oder Track B sichern Sie zuerst die Stages 0–2; wer nur den Alltagsnutzer-Route geht, kann direkt zum Rollenleitfaden springen.

Was möchten Sie jetzt tun?	Empfohlene Route	Routeneinstieg
Arbeit mit einem CLI Agent wie Claude Code, Codex, OpenCode erledigen	Track A — CLI Power User	A1: einen CLI Agent wählen
Selbst Agenten, Tool-Schleifen, Workflows und Dienste schreiben	Track B — Agent Builder	Stage 3: erste Agent Loop
KI im Alltag sicher nutzen, vorerst ohne zu programmieren	Alltagsnutzer-Route	Leitfaden für Alltagsnutzer

💻 Aufklappen: lokal herunterladen

git clone https://github.com/WenyuChiou/awesome-agentic-ai-zh.git
cd awesome-agentic-ai-zh

Öffnen Sie nach dem Download zuerst stages/00-foundations.md, oder gehen Sie über die Tabelle oben direkt zu Ihrer ersten Station.

Von Stage 0 bis Stage 8, dazu die LeseStation Stage 7.5

Diese Landkarte umfasst insgesamt 8 thematische Stages + die Vorbereitungsstufe Stage 0 + die vertiefende LeseStation Stage 7.5, also 10 Lernstationen. Track-A/B-Leser sichern zuerst die gemeinsamen Grundlagen Stage 0–2; wer bereits Python, Git und API beherrscht, kann Stage 0 überspringen. Der Alltagsnutzer kann direkt den Rollenleitfaden gehen.

Gemeinsame Grundlagen: Stage 0–2

Stage	Was löst dieser Schritt?	Was können Sie danach tun?
0 · Grundvorbereitung	Sind Computer und Grundelemente bereit?	Eine öffentliche API mit Python aufrufen, JSON (JavaScript Object Notation, gängiges Textformat zum Datenaustausch zwischen Programmen) lesen und Ergebnisse mit Git sichern
1 · LLM-Grundlagen	Worin unterscheiden sich LLM, Token, Context und Modelle?	Ein LLM aufrufen und je nach Bedarf ein Cloud- oder lokales Modell wählen
2 · Prompt-Gestaltung	Wie drückt man Ziel, Daten, Regeln und Ausgabe klar aus?	An einem festen Fall die Grenzen von Zero-Shot, One-Shot, Few-Shot und CoT (Chain-of-Thought, eine Schritt-für-Schritt-Reasoning-Methode) vergleichen

Track A: einen CLI Agent nutzen, um die Arbeit zu erledigen

Die offizielle Reihenfolge ist A1 → A2 → Stage 5 → A3 → Stage 8.

Reihenfolge	Was löst dieser Schritt?	Was können Sie danach tun?
A1 · Einen CLI Agent wählen	Was sind OpenRouter, OpenCode, Pi, Ollama jeweils?	Das richtige Werkzeug wählen und eine erste kleine Aufgabe erledigen
A2 · Wiederholbaren Ablauf erstellen	Wie behält man Regeln und Schritte für das nächste Mal?	Project Instructions, Skills und wiederverwendbare Workflows schreiben
5 · Claude-Code-Ökosystem	Wie unterscheiden sich MCP, Skills, Plugins, Hooks und Subagents?	Lesen Sie zuerst den Kern 5.1–5.4; 5.5–5.8 nach Arbeitsbedarf
A3 · An die echte Arbeit anbinden	Wie verbindet man externe Werkzeuge, CI und Teamprozesse sicher?	Integration mit Minimalrechten, menschlicher Prüfung und Protokollierung umsetzen
8 · Agent-Schnittstellen	Wie bedient der Agent Browser, Bildschirm und Sandbox?	Entscheiden, ob die Aufgabe CLI, Browser, Computer Use oder API braucht

Track B: einen Agenten von Null bauen

Reihenfolge	Was löst dieser Schritt?	Was können Sie danach tun?
3 · Werkzeugnutzung und erste Agent Loop	Wie ruft das Modell sicher Werkzeuge auf und wiederholt den nächsten Schritt?	Eine Agent Loop mit Maximalzahl an Runden und Parameter-Validierung bauen
4 · Workflow Graph und Agent-Frameworks	Wie zeichnet man mehrere Schritte als Arbeitskarte?	Workflow, Agent, Graph und Framework wählen
5 · Claude-Code-Ökosystem	Wie arbeiten MCP, Skills, Plugins, Hooks und Subagents zusammen?	Werkzeuge, Regeln und wiederverwendbare Fähigkeiten kombinieren
6 · Memory · RAG (Retrieval-Augmented Generation, zuerst relevante Daten finden, dann daraus antworten)	Wie fragt der Agent Dokumente ab, speichert und ruft wichtige Informationen ab?	Ein minimales RAG, long-term memory und einen contextual-retrieval-Fluss aufbauen
7 · Agent-Produktionsingenieurbau: testbar, sichtbar, stoppbar, wiederherstellbar	Wie läuft der Agent in einer echten Umgebung stabil?	Eval, Observability, Budget, Human-in-the-loop (HITL, menschliche Freigabe) und Wiederherstellung hinzufügen
7.5 · Landkarte fortgeschrittener Agentic-Konzepte	Welche weiteren fortgeschrittenen Muster lohnen sich?	Aus 12 Konzepten die benötigten Themen wie PAR loop, agent-as-judge wählen
8 · Agent-Schnittstellen	Wie bedient der Agent eine reale Umgebung jenseits der API?	Computer Use, Browser Use oder Code Sandbox wählen

Bei Stage 4 verstehen Sie zuerst den Workflow Graph und bauen ihn dann mit einem Framework; bei Stage 7 fügen Sie Eval, Observability, Freigabe und Wiederherstellung hinzu, damit dieselbe Arbeitskarte stabil läuft.

🔭 Lernreihenfolge: Stage 2 Prompt → Stage 3 Agent Loop → Stage 4 Workflow Graph / Framework → Stage 5 Werkzeuge und Regeln → Stage 6 Context Engineering → Stage 7 production. Prompt, Context, Harness, Loop und Graph arbeiten zusammen; es sind keine fünf Schichten und auch keine sich ablösenden Produktgenerationen.

Nach A3 oder Stage 7 können Sie das Capstone-Projekt beginnen; für den Fortschritt nutzen Sie PROGRESS.md.

⏱️ Aufklappen: Zeitschätzung (Orientierung, keine Frist)

• Track A: etwa 8–10 Wochen. Schwerpunkt ist die Nutzung vorhandener CLI Agenten zur Arbeitserledigung.
• Track B: Hauptstrang etwa 16–22 Wochen; bei 5–8 Stunden pro Woche sind meist 5–7 Monate nötig.
• Stage 5 ist der Werkzeuge-und-Regeln-Hub: Track A sieht, wie man ihn nutzt, Track B, wie man ihn kombiniert.
• Stage 8 ist der Bedien-Schnittstellen-Hub: Track A sieht, wie man delegiert, Track B, wie man ihn an den eigenen Agenten anbindet.

Der Zeitplan ist nur eine Orientierung. Erledigen Sie zuerst den Schritt vor Augen, Sie müssen nicht die ganze Karte auf einmal lesen.

Weiter nach Ihrer Rolle

Statisches Bild

Route	Für wen	Womit arbeiten Sie?
🔬 Forscher	Doktoranden, Postdocs, PI	Literaturbelege, reproduzierbare Abläufe, Multi-Agent Review
💻 Entwickler	Softwareingenieure	CLI Delegation, Code Review, Tests und Wiederherstellung
🎓 Lehrer	Lehrer, Dozenten	Unterrichtsvorbereitung, Feedback, Datenschutz und Lehr-Prompts
📊 Wissensarbeiter	Berater, PM, Analysten	E-Mail-, Meeting- und Berichtsworkflows
👥 Alltagsnutzer	KI-Nutzer, die nicht zwingend programmieren	Schreiben, Lernen, Datenschutz und sichere Nutzung

💡 Wie lernt man, ohne steckenzubleiben?

1. Immer nur einen Stage gehen: beantworten Sie zuerst die Kernfrage des Kapitels.
2. Kernbegriffe und Pflichtlektüre zuerst: sie werden direkt in den späteren Übungen gebraucht.
3. Kopieren Sie den ersten Befehl direkt: führen Sie zuerst einen offline-Test aus, Sie müssen keine leere Datei abschreiben.
4. Immer nur eine Sache ändern: führen Sie danach sofort den Test erneut aus, um zu wissen, welche Änderung das Ergebnis bewirkt hat.
5. Erst zur nächsten gehen, wenn die Abschlussbedingung erfüllt ist: Verstehen ist nicht gleich Können.

Jedes starter.py ist eine ausführbare Referenz. Lesen Sie zuerst Aufgabe und Erfolgsbedingung, ändern Sie eine Stelle und führen Sie den Test erneut aus. Die vollständige Methode finden Sie unter Wie man dieses Material nutzt.

📚 Lern-Einstiege zum Merken

Hier stehen nur die gängigsten Einstiege; die vollständige Liste ist in RESOURCES.md. Sterne geben die Lernpriorität an, keine Projektwertung.

Verwendung	Einstieg	Wann nutzen?	Wichtigkeit
Start	Einrichtungsleitfaden für Anfänger	Erste Installation und Ausführung	⭐⭐⭐⭐⭐
	Wie man dieses Material nutzt	Vor der ersten praktischen Übung	⭐⭐⭐⭐⭐
	Lernfortschrittstabelle	Um die nächste Stufe zu wissen oder Erledigtes zu notieren	⭐⭐⭐⭐
Lernen	Kern-Glossar	Bei unbekannten Wörtern wie Token, RAG, MCP	⭐⭐⭐⭐⭐
	Einstieg für ausführbare Beispiele	Um direkt Offline-Tests und kleine Fälle zu starten	⭐⭐⭐⭐⭐
	Praxis-Cookbook	Um Skills, MCP, Office, Zotero oder lokales LLM zu machen	⭐⭐⭐⭐
Nachschlagen	Ressourcen-Schrank	Wenn unklar ist, ob Guide, Catalog oder Cookbook	⭐⭐⭐⭐⭐
	Vollständige Ressourcenliste	Um offizielle Docs, Kurse, Communities und weiterführende Lektüre zu finden	⭐⭐⭐⭐
	CLI-Agent-Auswahlleitfaden	Um Track A vorzubereiten oder CLI-Werkzeuge zu vergleichen	⭐⭐⭐⭐
	Karte zu Kursen und Zertifikaten	Um Abschlusszertifikate, Skill-Badges und Zertifizierungsprüfungen zu unterscheiden	⭐⭐⭐⭐

🤝 Verbessern wir diese Landkarte gemeinsam

• Inhaltsfehler, defekte Links oder veraltete Informationen: eröffnen Sie ein Issue.
• Ein Projekt oder eine Lernressource ergänzen: geben Sie bitte an, „welchen Stage und was es lehrt”.
• Für eine PR: lesen Sie zuerst CONTRIBUTING.md und den Style-Guide.
• Neueste Änderungen: siehe CHANGELOG.md.

🧰 Aufklappen: vollständige Beitragsweise und automatische Prüfung

Sie können Text korrigieren, ein dreisprachiges Spiegelbild ergänzen, fehlende Themen melden oder eine Stage / Rollenroute langfristig pflegen. Beim Hinzufügen eines GitHub-Projektlinks hilft die automatische Prüfung, Archivstatus, Lizenz und letzte Aktualisierung einzusehen; ob es aufgenommen wird, entscheidet der Maintainer nach Lernwert.

Die vollständige Rolle und Regeln stehen in CONTRIBUTORS.md.

🙏 Wichtige Inspirationen und verwandte Projekte

• Datawhale Hello-Agents — für Leser, die vollständige Kapitel und tiefe Umsetzung brauchen.
• Datawhale-Community — chinesische ML-Lerngemeinschaft, die viele verlässliche Lernwege bietet.
• liyupi/ai-guide — eher eine Breiten-Ressourcenbibliothek; dieses Repo ordnet die Lernreihenfolge.

📖 Aufklappen: Mitwirkende und Zitierformat

@misc{awesome_agentic_ai_zh_2026,
  title = {awesome-agentic-ai-zh: A Structured Learning Roadmap for Agentic AI},
  author = {Chiou, Wenyu},
  year = {2026},
  url = {https://github.com/WenyuChiou/awesome-agentic-ai-zh}
}

☕ Unterstützung und Kontakt

Diese Lernlandkarte steht unter MIT-Lizenz und bleibt kostenlos öffentlich. Allgemeine Fragen und Vorschläge bitte über Issues; für privaten Kontakt schreiben Sie an wenyuchiou12@gmail.com.

Hat Ihnen diese Landkarte geholfen, geben Sie gerne einen ⭐ Star oder spendieren Sie dem Autor einen Kaffee.

License

MIT. Maintained by @WenyuChiou.