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.

日本語 | 簡体字中国語 | 英語

awesome-agentic-ai-zh

🤖 「AI Agent とは何か」から「信頼できるシステムを作れるようになるまで」への学習マップ

まずはルートを一つ選び、あとは一歩ずつ進みましょう。重要な概念・実践演習・厳選リソースはすべて順番に並んでいます。

📱 スマホで読む場合はオンライン読書サイトをご利用ください。

🎯 このマップで何ができる？

AI Agent（AI エージェント）とは「人の目標のために、次の一手を自分で判断し行動する AI システム」です。目標を与えると、現状を見て次の一手を選び、必要に応じてツールを使い、その結果に応じて続行・修正・停止するか、あるいは人に操作を戻します。人の代わりに作業を自動化できますが、人が与えたルールと権限の範囲内でしか動きません。一度だけ答えるチャットボットや、各手順が決め打ちのスクリプトは、必ずしも Agent とは限りません。この repo は最初からすべての用語を知っていることを求めず、次の 3 つを順に体験させます：

1. まず基礎を理解：LLM（Large Language Model、言語を読み書きできるモデル）、Prompt、API（Application Programming Interface、プログラムがサービスを呼び出すためのインターフェース）、Token とは何か。
2. 次にものを作る：モデルにツールを呼ばせ、Agent Loop を回し、文書を読み、物事を覚えさせる。
3. 最後に信頼できるものにする：権限、Eval、人間の承認、観測、失敗からの復旧を加える。

ここでの役割は学習ロードマップ ＋ 厳選リソース ＋ そのまま実行できる小さな練習です。章全体が必要なときは、別の百科全書を書き直すのではなく、公式ドキュメント、Datawhale Hello-Agents、または該当する Cookbook へ案内します。モデルに接続する必要がある場合、各練習でクラウドまたはローカルの経路を説明します。

重要な技術用語は初出時にまず噛み砕いて説明し、その上で正式な英語表記を残します。用語を忘れたら、用語集を直接引いてください。

🚀 今すぐ始める

1. プログラミング経験がまったくない：Stage 0：基礎準備から。API や CLI Agent に不慣れならゼロから設定ガイドを併用。
2. すでに Python・Git・API が使える：Stage 1：LLM 基礎から。
3. どのルートにするかまだ迷っている：下の Track A／Track B 選択表を先に見る。

Track A または Track B に進む前に、まず Stage 0–2 を確認します。日常ユーザー系のみを進む人は役割ガイドを直接開けます。

今やりたいのは？	推奨ルート	ルートの入り口
Claude Code、Codex、OpenCode などの CLI Agent で仕事を片付ける	Track A — CLI パワーユーザー	A1：CLI Agent を選ぶ
自分で Agent・ツールループ・Workflow・サービスを書く	Track B — Agent ビルダー	Stage 3：最初の Agent Loop
日常で AI を安全に使うだけで、とりあえず書かない	日常ユーザー系ルート	日常ユーザーガイド

💻 展開：ローカルへダウンロード

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

ダウンロード後はまず stages/00-foundations.md を開くか、上の表から自分に合った最初の駅へ直接移動します。

Stage 0 から Stage 8 まで、さらに Stage 7.5 読書駅あり

このマップは合計で 8 つのテーマ Stage ＋ Stage 0 準備関 ＋ Stage 7.5 発展読書駅、つまり 10 の学習駅からなります。Track A／B の読者はまず Stage 0–2 共通基礎を確認します。すでに Python・Git・API が使える人は Stage 0 を飛ばせます。日常ユーザーは役割ガイドへ直接進めます。

共通基礎：Stage 0–2

Stage	このステップで何を解決？	修了後できること
0 · 基礎準備	パソコンと基本ツールの準備はできていますか？	Python で公開 API を呼び、JSON（JavaScript Object Notation、プログラム間でデータを交換する際によく使うテキスト形式）を読み、Git で成果を保存する
1 · LLM 基礎	LLM・Token・Context・モデルの違いは？	LLM を呼び出し、必要に応じてクラウドかローカルかを選ぶ
2 · Prompt 設計	目標・データ・ルール・出力をどう明確に伝えるか？	固定ケースで Zero-Shot・One-Shot・Few-Shot・CoT（Chain-of-Thought、中間ステップで問題を処理する推論プロンプト手法）の境界を比較する

Track A：CLI Agent を使って仕事を完遂する

正式な順序は A1 → A2 → Stage 5 → A3 → Stage 8 です。

順序	このステップで何を解決？	修了後できること
A1 · CLI Agent を選ぶ	OpenRouter・OpenCode・Pi・Ollama はそれぞれ何か？	正しいツールを選び、最初の小さなタスクを完了する
A2 · 再現可能なフローを作る	ルールと手順を次回にどう残すか？	Project Instructions・Skill・再利用フローを書く
5 · Claude Code エコシステム	MCP・Skills・Plugins・Hooks・Subagents の使い分けは？	まずコア 5.1–5.4 を読み、5.5–5.8 は勤務で必要な分だけ読む
A3 · 本番業務へ接続する	外部ツール・CI・チームの流れをどう安全に接続するか？	最小権限・人間の確認・記録で統合を完了する
8 · Agent 操作インターフェース	Agent はブラウザ・画面・Sandbox をどう操作するか？	タスクが CLI・Browser・Computer Use・API のどれかを判断する

Track B：ゼロから Agent を作る

順序	このステップで何を解決？	修了後できること
3 · ツール利用と最初の Agent Loop	モデルはツールを安全に呼び、次の一手をどう繰り返すか？	最大ラウンド数があり引数を検証する Agent Loop を作る
4 · Workflow Graph と Agent フレームワーク	複数ステップをどう作業マップとして描くか？	Workflow・Agent・Graph・Framework を選ぶ
5 · Claude Code エコシステム	MCP・Skills・Plugins・Hooks・Subagents はどう協力するか？	ツール・ルール・再利用能力を組み合わせる
6 · Memory・RAG（Retrieval-Augmented Generation、まず関連資料を探し、それに基づいて答える）	Agent は文書をどう検索し、重要情報を保存・取り出すか？	最小 RAG・long-term memory・contextual retrieval のフローを作る
7 · Agent 本番エンジニアリング：テスト可・観測可・停止可・復旧可	Agent は実環境でどう安定稼働するか？	Eval・観測・予算・Human-in-the-loop（HITL、人間の承認）・復旧を加える
7.5 · 発展 Agentic 概念マップ	さらにどの発展パターンを知る価値があるか？	12 概念から PAR loop・agent-as-judge など必要なテーマを選読する
8 · Agent 操作インターフェース	Agent は API 以外の実環境をどう操作するか？	Computer Use・Browser Use・Code Sandbox を選ぶ

Stage 4 ではまず Workflow Graph を理解し、それを framework で作ります。Stage 7 で Eval・観測・承認・復旧を加え、同じ作業図を安定して動かします。

🔭 学習順序：Stage 2 Prompt → Stage 3 Agent Loop → Stage 4 Workflow Graph／Framework → Stage 5 ツールとルール → Stage 6 Context Engineering → Stage 7 production。Prompt・Context・Harness・Loop・Graph は協働します。これらは 5 層でもなければ、互いに置き換わる製品世代でもありません。

A3 または Stage 7 の完了後、Capstone プロジェクトを始められます。進捗を記録するには PROGRESS.md を使います。

⏱️ 展開：時間の目安（目安であり締切ではない）

• Track A：約 8–10 週。既存の CLI Agent を使って仕事を片付けることが重點です。
• Track B：幹線は約 16–22 週。週 5–8 時間なら通常 5–7 ヶ月かかります。
• Stage 5 はツールとルールの Hub：Track A は使い方、Track B は組み合わせ方を見ます。
• Stage 8 は操作インターフェースの Hub：Track A は委任の仕方、Track B は自前 Agent への接続を見ます。

スケジュールは目安に過ぎません。まず目の前の一歩を終えればよく、地図全体を一度に読む必要はありません。

あなたの立場に合わせて進む

静的画像

ルート	対象	扱う内容
🔬 研究者	大学院生、ポスドク、PI	文献エビデンス、再現可能なフロー、Multi-Agent Review
💻 開発者	ソフトウェアエンジニア	CLI Delegation、Code Review、テストと復元
🎓 教員	先生、講師	授業準備、フィードバック、プライバシーと教学 Prompt
📊 知識ワーカー	コンサル、PM、アナリスト	メール・会議・レポートのワークフロー
👥 日常ユーザー	必ずしも書かない AI 利用者	執筆、学習、プライバシーと安全な利用

💡 つまずかずに学ぶには

1. 一度に進むのは Stage 一つだけ：まずこの章の核心的な問いに答える。
2. 核心語と必読を先に：後の練習で直接使うから。
3. 最初のコマンドをそのままコピー：まずオフラインのテストを走らせ、空ファイルを写す必要はない。
4. 一度に変えるのは一つだけ：終えたらすぐテストを再走し、どの変更が結果を生んだかを知る。
5. 完了条件を満たしてから次へ：理解したことと実行できることは違う。

各 starter.py は実行可能な参考です。まず課題と成功条件を読み、一カ所を変更してテストを再走します。全体の方法はこの教材の使い方を参照。

📚 まずブックマークする学習入り口

ここには最もよく使う入り口だけを置き、全リストは RESOURCES.md にあります。星印はプロジェクトのランキングではなく学習の優先順位を示します。

用途	入り口	いつ使う？	重要度
開始	ゼロから設定ガイド	初回のインストールと実行	⭐⭐⭐⭐⭐
	この教材の使い方	最初の実践練習の前	⭐⭐⭐⭐⭐
	学習進捗表	次のステップや完了項目の記録	⭐⭐⭐⭐
学習	コア用語集	Token・RAG・MCP などの見慣れない語に出会った時	⭐⭐⭐⭐⭐
	実行可能例入り口	オフラインテストや小さな事例を直接走らせたい時	⭐⭐⭐⭐⭐
	実践 Cookbook	Skill・MCP・Office・Zotero・ローカル LLM を作りたい時	⭐⭐⭐⭐
調べる	リソース棚	Guide・Catalog・Cookbook のどれを引くべきか分からない時	⭐⭐⭐⭐⭐
	完全なリソース一覧	公式ドキュメント・コース・コミュニティ・発展読書を探す時	⭐⭐⭐⭐
	CLI Agent 選択ガイド	Track A の準備や CLI ツールの比較	⭐⭐⭐⭐
	コースと認定マップ	修了証・スキルバッジ・認定試験の見分け	⭐⭐⭐⭐

🤝 このマップを一緒に改善する

• 内容の誤り・リンク切れ・古い情報： Issue を開いてください。
• プロジェクトや学習リソースを追加：どの Stage の何を教えるかを添えてください。
• PR を出す準備：まず CONTRIBUTING.md と執筆規範を読む。
• 最近の更新： CHANGELOG.md を確認。

🧰 展開：完全な貢献方法と自動チェック

テキストの修正、三言語ミラーの追加、不足トピックの報告、あるいは Stage／役割ルートの長期メンテナンスができます。GitHub プロジェクトリンクを新規追加すると、自動チェックがアーカイブ状態・ライセンス・最終更新の確認を補助します。採否は学習価値に基づきメンテナーが判断します。

完全な役割とルールは CONTRIBUTORS.md にあります。

🙏 重要な着想と関連プロジェクト

• Datawhale Hello-Agents — 完全な章と深い実装を必要とする読者向け。
• Datawhale コミュニティ — 中国語の機械学習共学コミュニティで、多くの信頼できる学習入り口を提供。
• liyupi/ai-guide — 広範なリソースライブラリ向け。本 repo は学習順序を担当します。

📖 展開：貢献者と引用形式

@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}
}

☕ 支援と連絡

この学習マップは MIT ライセンスで、引き続き無料公開します。一般的な質問や提案は Issue をご利用ください。非公開の連絡は wenyuchiou12@gmail.com までメールを。

このマップが役立ったら、⭐ Star をいただくか、作者にコーヒーをおごることでご支援ください。

License

MIT。Maintained by @WenyuChiou。