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.

Français | Chinois simplifié | Anglais

awesome-agentic-ai-zh

🤖 Une feuille de route d’apprentissage qui va de « qu’est-ce qu’un agent IA » à « construire un système fiable »

Choisissez d’abord un parcours, puis avancez étape par étape. Concepts clés, exercices pratiques et ressources sélectionnées sont ordonnés pour vous.

📱 Pour la lecture sur mobile, utilisez le site de lecture en ligne.

🎯 À quoi sert cette feuille de route ?

Un agent IA (AI Agent) est « un système d’IA capable, pour atteindre un objectif humain, de décider de la prochaine étape et d’agir de lui-même ». Une fois l’objectif donné, il observe la situation actuelle, choisit la prochaine étape, utilise des outils si nécessaire, puis continue, corrige, s’arrête ou rend le contrôle à l’humaine en fonction du résultat. Il peut accomplir des tâches automatiquement à votre place, mais uniquement dans les règles et les permissions que vous lui avez fixées. Un chatbot qui répond une seule fois, ou un script dont chaque étape est figée à l’avance, n’est pas nécessairement un agent. Ce dépôt ne vous demande pas de connaître tous les termes au départ : il vous guide à travers trois étapes dans l’ordre :

1. Comprendre d’abord les bases : ce que sont le LLM (Large Language Model, un modèle capable de lire et écrire du langage), le Prompt, l’API (Application Programming Interface, une interface permettant à un programme d’appeler un service) et le Token.
2. Ensuite, construire : faire appel à des outils par le modèle, exécuter une Agent Loop, lire des documents et mémoriser des informations.
3. Enfin, fiabiliser : ajouter des permissions, des Eval, une validation humaine, de l’observabilité et une reprise sur échec.

Ici, le rôle est celui d’une feuille de route d’apprentissage + ressources sélectionnées + petits exercices directement exécutables. Lorsqu’un chapitre complet est nécessaire, nous vous dirigeons vers la documentation officielle, Datawhale Hello-Agents ou le Cookbook correspondant, plutôt que de réécrire une autre encyclopédie. Lorsqu’un modèle doit être connecté, chaque exercice explique ensuite le chemin cloud ou local.

Les termes techniques importants sont d’abord expliqués simplement lors de leur première apparition, puis le terme anglais officiel est conservé. Si vous oubliez un mot, consultez directement le glossaire.

🚀 Commencez dès maintenant

1. Vous n’avez jamais programmé : commencez par Stage 0 : préparation de base ; si l’API ou les CLI Agent vous sont peu familiers, consultez le guide de configuration pour débutants.
2. Vous maîtrisez déjà Python, Git et l’API : commencez par Stage 1 : bases des LLM.
3. Vous ne savez pas encore quel parcours suivre : consultez d’abord le tableau de choix Track A / Track B ci-dessous.

Avant de suivre le Track A ou le Track B, validez d’abord les Stages 0–2 ; ceux qui ne suivent que le parcours utilisateur quotidien peuvent ouvrir directement le guide de rôle.

Que voulez-vous faire maintenant ?	Parcours recommandé	Entrée du parcours
Accomplir un travail avec un CLI Agent tel que Claude Code, Codex, OpenCode	Track A — Utilisateur avancé de CLI	A1 : choisir un CLI Agent
Écrire vous-même des agents, des boucles d’outils, des workflows et des services	Track B — Constructeur d’agents	Stage 3 : première Agent Loop
Utiliser l’IA en toute sécurité dans la vie quotidienne, sans programmer pour l’instant	Parcours utilisateur quotidien	Guide de l’utilisateur quotidien

💻 Déplier : télécharger en local

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

Après le téléchargement, ouvrez d’abord stages/00-foundations.md, ou rendez-vous directement à votre première étape via le tableau ci-dessus.

Des Stages 0 à 8, avec un point de lecture Stage 7.5

Cette carte compte au total 8 Stages thématiques + le Stage 0 de préparation + le point de lecture avancée Stage 7.5, soit 10 stations d’apprentissage. Les lecteurs des Tracks A/B valident d’abord les bases communes des Stages 0–2 ; ceux qui maîtrisent déjà Python, Git et l’API peuvent sauter le Stage 0. L’utilisateur quotidien peut suivre directement le guide de rôle.

Bases communes : Stages 0–2

Stage	Que résout cette étape ?	Que pourrez-vous faire ensuite ?
0 · Préparation de base	Votre ordinateur et vos outils de base sont-ils prêts ?	Appeler une API publique en Python, lire du JSON (JavaScript Object Notation, format texte courant pour échanger des données entre programmes) et sauvegarder vos résultats avec Git
1 · Bases des LLM	En quoi le LLM, le Token, le Context et les modèles diffèrent-ils ?	Appeler un LLM et choisir un modèle cloud ou local selon vos besoins
2 · Conception de prompts	Comment exprimer clairement l’objectif, les données, les règles et la sortie ?	Comparer, sur un cas fixe, les limites de Zero-Shot, One-Shot, Few-Shot et CoT (Chain-of-Thought, méthode d’invite de raisonnement qui traite le problème par étapes intermédiaires)

Track A : utiliser un CLI Agent pour finir le travail

L’ordre officiel est A1 → A2 → Stage 5 → A3 → Stage 8.

Ordre	Que résout cette étape ?	Que pourrez-vous faire ensuite ?
A1 · Choisir un CLI Agent	Que sont respectivement OpenRouter, OpenCode, Pi, Ollama ?	Choisir le bon outil et accomplir une première petite tâche
A2 · Créer un flux reproductible	Comment conserver les règles et les étapes pour la prochaine fois ?	Écrire des Project Instructions, des Skills et des workflows réutilisables
5 · Écosystème Claude Code	Comment se distinguent MCP, Skills, Plugins, Hooks et Subagents ?	Lisez d’abord le cœur 5.1–5.4 ; 5.5–5.8 à lire selon les besoins du travail
A3 · Brancher dans le vrai travail	Comment connecter en toute sécurité des outils externes, la CI et les processus d’équipe ?	Réaliser l’intégration avec privilèges minimaux, vérification humaine et journalisation
8 · Interfaces d’agent	Comment l’agent manipule-t-il navigateur, écran et Sandbox ?	Décider si la tâche nécessite CLI, Browser, Computer Use ou API

Track B : construire un agent à partir de zéro

Ordre	Que résout cette étape ?	Que pourrez-vous faire ensuite ?
3 · Utilisation d’outils et première Agent Loop	Comment le modèle appelle-t-il des outils en sécurité et répète-t-il l’étape suivante ?	Créer une Agent Loop avec nombre maximal de tours et validation des paramètres
4 · Workflow Graph et frameworks d’agents	Comment dessiner plusieurs étapes sous forme de carte de travail ?	Choisir Workflow, Agent, Graph et Framework
5 · Écosystème Claude Code	Comment MCP, Skills, Plugins, Hooks et Subagents coopèrent-ils ?	Combiner outils, règles et capacités réutilisables
6 · Memory · RAG (Retrieval-Augmented Generation, on recherche d’abord les données pertinentes, puis on répond à partir de ces données)	Comment l’agent interroge-t-il des documents, conserve et récupère des informations importantes ?	Mettre en place un RAG minimal, une mémoire long terme et un flux de contextual retrieval
7 · Ingénierie de mise en production des agents : testable, observable, arrêtable, récupérable	Comment l’agent fonctionne-t-il de manière stable en environnement réel ?	Ajouter Eval, observabilité, budget, Human-in-the-loop (HITL, validation humaine) et reprise
7.5 · Carte des concepts agentic avancés	Quels autres patterns avancés valent la peine d’être connus ?	Choisir parmi 12 concepts les sujets utiles comme la PAR loop, l’agent-as-judge
8 · Interfaces d’agent	Comment l’agent manipule-t-il un environnement réel au-delà de l’API ?	Choisir Computer Use, Browser Use ou Code Sandbox

Au Stage 4, comprenez d’abord le Workflow Graph, puis réalisez-le avec un framework ; au Stage 7, ajoutez Eval, observabilité, validation et reprise pour que la même carte de travail fonctionne de manière stable.

🔭 Ordre d’apprentissage : Stage 2 Prompt → Stage 3 Agent Loop → Stage 4 Workflow Graph / Framework → Stage 5 outils et règles → Stage 6 Context Engineering → Stage 7 production. Prompt, Context, Harness, Loop et Graph travaillent ensemble ; ce ne sont pas cinq couches, ni des générations de produits qui se remplacent mutuellement.

Après le A3 ou le Stage 7, vous pouvez commencer le projet Capstone ; pour suivre vos progrès, utilisez PROGRESS.md.

⏱️ Déplier : estimation du temps (référence d'organisation, pas une date limite)

• Track A : environ 8–10 semaines. L’accent est mis sur l’utilisation de CLI Agent existants pour accomplir le travail.
• Track B : tronc commun d’environ 16–22 semaines ; avec 5–8 heures par semaine, il faut généralement 5–7 mois.
• Stage 5 est le Hub outils et règles : le Track A voit comment l’utiliser, le Track B voit comment le combiner.
• Stage 8 est le Hub interfaces d’exploitation : le Track A voit comment déléguer, le Track B voit comment le brancher sur son propre agent.

Le calendrier n’est qu’une référence d’organisation. Faites d’abord l’étape sous vos yeux, inutile de lire toute la carte d’un coup.

Continuez selon votre profil

Image statique

Parcours	Pour qui	Sur quoi travaillerez-vous ?
🔬 Chercheur	Étudiants en thèse, post-doctorants, PI	Preuves bibliographiques, processus reproductibles, Multi-Agent Review
💻 Développeur	Ingénieurs logiciels	CLI Delegation, Code Review, tests et restauration
🎓 Enseignant	Professeurs, chargés de cours	Préparation de cours, retour, confidentialité et prompts pédagogiques
📊 Travailleur du savoir	Consultants, PM, analystes	Flux de travail e-mails, réunions et rapports
👥 Utilisateur quotidien	Utilisateurs d’IA qui ne programment pas nécessairement	Rédaction, apprentissage, utilisation confidentielle et sûre

💡 Comment apprendre sans se bloquer ?

1. Un seul Stage à la fois : répondez d’abord à la question centrale du chapitre.
2. Lisez d’abord les mots-clés et le requis : ils sont utilisés directement dans les exercices suivants.
3. Copiez directement la première commande : exécutez d’abord un test hors ligne, inutile de recopier un fichier vide.
4. Une seule modification à la fois : relancez le test juste après, pour savoir quelle modification a causé le résultat.
5. Atteignez les conditions de fin avant d’avancer : comprendre ne veut pas dire savoir faire.

Chaque starter.py est une référence exécutable. Lisez d’abord l’énoncé et les conditions de réussite, modifiez un endroit, puis relancez le test. Pour la méthode complète, voir comment utiliser ce matériel.

📚 Entrées d’apprentissage à favoriser

Nous ne mettons ici que les entrées les plus courantes ; la liste complète est dans RESOURCES.md. Les étoiles indiquent la priorité d’apprentissage, pas un classement de projets.

Usage	Entrée	Quand l'utiliser ?	Importance
Démarrer	Guide de configuration pour débutants	Première installation et exécution	⭐⭐⭐⭐⭐
	Comment utiliser ce matériel	Avant de commencer le premier exercice pratique	⭐⭐⭐⭐⭐
	Tableau de progression	Pour savoir quelle est la prochaine étape ou noter ce qui est fait	⭐⭐⭐⭐
Apprendre	Glossaire des termes clés	En cas de mot inconnu comme Token, RAG, MCP	⭐⭐⭐⭐⭐
	Entrée des exemples exécutables	Pour lancer directement des tests hors ligne et petits cas	⭐⭐⭐⭐⭐
	Cookbook pratique	Pour faire des Skills, MCP, Office, Zotero ou un LLM local	⭐⭐⭐⭐
Rechercher	Placard à ressources	Si vous ne savez pas si chercher dans un Guide, un Catalog ou un Cookbook	⭐⭐⭐⭐⭐
	Liste complète des ressources	Pour trouver docs officielles, cours, communautés et lectures complémentaires	⭐⭐⭐⭐
	Guide de choix des CLI Agent	Pour préparer le Track A ou comparer des outils CLI	⭐⭐⭐⭐
	Carte des cours et certifications	Pour distinguer certificats d'achèvement, badges de compétence et examens de certification	⭐⭐⭐⭐

🤝 Améliorons cette carte ensemble

• Erreurs de contenu, liens morts ou informations obsolètes : ouvrez une Issue.
• Pour ajouter un projet ou une ressource d’apprentissage : précisez « quel Stage et quoi il enseigne ».
• Pour préparer une PR : lisez d’abord CONTRIBUTING.md et le guide de style.
• Dernières mises à jour : consultez CHANGELOG.md.

🧰 Déplier : mode de contribution complet et vérifications automatiques

Vous pouvez corriger du texte, ajouter un miroir trilingue, signaler des sujets manquants, ou maintenir sur le long terme un Stage / un parcours de rôle. Lors de l’ajout d’un lien de projet GitHub, la vérification automatique aide à consulter l’état d’archivage, la licence et la dernière mise à jour ; l’inclusion reste jugée par le mainteneur selon la valeur d’apprentissage.

Le rôle complet et les règles sont dans CONTRIBUTORS.md.

🙏 Inspirations importantes et projets associés

• Datawhale Hello-Agents — pour les lecteurs qui ont besoin de chapitres complets et d’une implémentation en profondeur.
• Communauté Datawhale — communauté chinoise d’apprentissage mutuel en machine learning, proposant de nombreuses entrées d’apprentissage fiables.
• liyupi/ai-guide — plutôt une bibliothèque de ressources larges ; ce dépôt gère l’ordre d’apprentissage.

📖 Déplier : contributeurs et format de citation

@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}
}

☕ Soutien et contact

Cette feuille de route d’apprentissage est sous licence MIT et restera gratuite et publique. Pour les questions générales et suggestions, utilisez les Issues ; pour un contact privé, écrivez à wenyuchiou12@gmail.com.

Si cette carte vous aide, n’hésitez pas à mettre une ⭐ Star, ou offrez un café à l’auteur.

License

MIT. Maintained by @WenyuChiou.