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.

Português | Chinês simplificado | Inglês

awesome-agentic-ai-zh

🤖 Um roteiro de aprendizagem que vai de «o que é um agente de IA» a «construir um sistema confiável»

Escolha primeiro uma rota e avance passo a passo. Conceitos-chave, exercícios práticos e recursos selecionados estão organizados para você.

📱 Para ler no celular, use o site de leitura online.

🎯 Para que serve este roteiro?

Um AI Agent (agente de IA) é «um sistema de IA capaz, para atingir um objetivo humano, de decidir o próximo passo e agir por conta própria». Depois de receber o objetivo, ele observa a situação atual, escolhe o próximo passo, usa ferramentas se necessário e, conforme o resultado, continua, corrige, para ou devolve o controle à pessoa. Pode realizar trabalhos automaticamente por você, mas apenas dentro das regras e permissões que você deu. Um chatbot que responde uma única vez, ou um script cujos passos estão todos pré-fixados, não é necessariamente um agente. Este repo não exige que você conheça todos os termos desde o início, mas o guia em três etapas, na ordem:

1. Entender primeiro a base: o que são LLM (Large Language Model, um modelo capaz de ler e escrever linguagem), Prompt, API (Application Programming Interface, uma interface para um programa chamar um serviço) e Token.
2. Depois construir: fazer o modelo chamar ferramentas, executar uma Agent Loop, ler documentos e lembrar de coisas.
3. Por fim tornar confiável: adicionar permissões, Eval, aprovação humana, observabilidade e recuperação de falhas.

Aqui o papel é roteiro de aprendizagem + recursos selecionados + pequenos exercícios diretamente executáveis. Quando um capítulo completo é necessário, levamos você à documentação oficial, Datawhale Hello-Agents ou ao Cookbook correspondente, em vez de reescrever outra enciclopédia. Quando é preciso conectar um modelo, cada exercício explica então o caminho na nuvem ou local.

Os termos técnicos importantes são primeiro explicados com palavras simples em sua primeira aparição, e então o termo em inglês formal é mantido. Se esquecer uma palavra, consulte diretamente o glossário.

🚀 Comece agora

1. Nunca programou: comece por Stage 0: preparação básica; se API ou CLI Agent não lhe forem familiares, use o guia de configuração para iniciantes.
2. Já sabe Python, Git e API: comece por Stage 1: fundamentos de LLM.
3. Ainda não sabe qual rota seguir: veja primeiro a tabela de escolha Track A / Track B abaixo.

Antes de seguir o Track A ou Track B, confirme primeiro os Stages 0–2; quem segue apenas a rota de usuário cotidiano pode abrir direto o guia de papel.

O que você quer fazer agora?	Rota recomendada	Entrada da rota
Concluir trabalho com um CLI Agent como Claude Code, Codex, OpenCode	Track A — Usuário avançado de CLI	A1: escolher um CLI Agent
Escrever você mesmo agentes, loops de ferramentas, Workflows e serviços	Track B — Construtor de agentes	Stage 3: primeira Agent Loop
Usar a IA com segurança no dia a dia, sem programar por enquanto	Rota de usuário cotidiano	Guia do usuário cotidiano

💻 Expandir: baixar para o local

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

Após o download, abra primeiro stages/00-foundations.md, ou vá direto para sua primeira parada pela tabela acima.

Do Stage 0 ao Stage 8, com a estação de leitura Stage 7.5

Este mapa totaliza 8 Stages temáticos + a preparação Stage 0 + a estação de leitura avançada Stage 7.5, ou seja, 10 estações de aprendizagem. Os leitores dos Tracks A/B confirmam primeiro as bases comuns Stage 0–2; quem já sabe Python, Git e API pode pular o Stage 0. O usuário cotidiano pode seguir direto o guia de papel.

Bases comuns: Stage 0–2

Stage	O que este passo resolve?	O que você poderá fazer depois?
0 · Preparação básica	O computador e as ferramentas básicas estão prontos?	Chamar uma API pública com Python, ler JSON (JavaScript Object Notation, formato de texto comum para trocar dados entre programas) e salvar resultados com Git
1 · Fundamentos de LLM	Em que diferem LLM, Token, Context e modelos?	Chamar um LLM e escolher um modelo na nuvem ou local conforme a necessidade
2 · Design de prompts	Como expressar claramente objetivo, dados, regras e saída?	Comparar, em um caso fixo, os limites de Zero-Shot, One-Shot, Few-Shot e CoT (Chain-of-Thought, método de raciocínio que trata o problema por passos intermediários)

Track A: usar um CLI Agent para terminar o trabalho

A ordem oficial é A1 → A2 → Stage 5 → A3 → Stage 8.

Ordem	O que este passo resolve?	O que você poderá fazer depois?
A1 · Escolher um CLI Agent	O que são respectivamente OpenRouter, OpenCode, Pi, Ollama?	Escolher a ferramenta certa e concluir uma primeira pequena tarefa
A2 · Criar um fluxo repetível	Como deixar as regras e os passos para a próxima vez?	Escrever Project Instructions, Skills e fluxos de trabalho reutilizáveis
5 · Ecossistema Claude Code	Como se distinguem MCP, Skills, Plugins, Hooks e Subagents?	Leia primeiro o núcleo 5.1–5.4; 5.5–5.8 conforme a necessidade do trabalho
A3 · Conectar ao trabalho real	Como conectar com segurança ferramentas externas, CI e processos de equipe?	Realizar a integração com privilégios mínimos, verificação humana e registro
8 · Interfaces do agente	Como o agente manipula navegador, tela e Sandbox?	Decidir se a tarefa usa CLI, Browser, Computer Use ou API

Track B: construir um agente do zero

Ordem	O que este passo resolve?	O que você poderá fazer depois?
3 · Uso de ferramentas e primeira Agent Loop	Como o modelo chama ferramentas com segurança e repete o próximo passo?	Fazer uma Agent Loop com número máximo de rodadas e validação de parâmetros
4 · Workflow Graph e frameworks de agentes	Como desenhar vários passos como mapa de trabalho?	Escolher Workflow, Agent, Graph e Framework
5 · Ecossistema Claude Code	Como MCP, Skills, Plugins, Hooks e Subagents cooperam?	Combinar ferramentas, regras e capacidades reutilizáveis
6 · Memory · RAG (Retrieval-Augmented Generation, primeiro busca dados relevantes e depois responde com eles)	Como o agente consulta documentos, salva e recupera informações importantes?	Criar um RAG mínimo, long-term memory e um fluxo de contextual retrieval
7 · Engenharia de produção de agentes: testável, visível, parável, recuperável	Como o agente opera com estabilidade em ambiente real?	Adicionar Eval, observabilidade, orçamento, Human-in-the-loop (HITL, aprovação humana) e recuperação
7.5 · Mapa de conceitos agentic avançados	Quais outros padrões avançados valem a pena conhecer?	Escolher entre 12 conceitos os temas necessários como PAR loop, agent-as-judge
8 · Interfaces do agente	Como o agente manipula um ambiente real além da API?	Escolher Computer Use, Browser Use ou Code Sandbox

No Stage 4, entenda primeiro o Workflow Graph e depois o construa com um framework; no Stage 7, adicione Eval, observabilidade, aprovação e recuperação para que o mesmo mapa de trabalho funcione com estabilidade.

🔭 Ordem de aprendizagem: Stage 2 Prompt → Stage 3 Agent Loop → Stage 4 Workflow Graph / Framework → Stage 5 ferramentas e regras → Stage 6 Context Engineering → Stage 7 production. Prompt, Context, Harness, Loop e Graph trabalham juntos; não são cinco camadas, nem gerações de produto que se substituem.

Após A3 ou Stage 7, você pode começar o projeto Capstone; para registrar o progresso, use PROGRESS.md.

⏱️ Expandir: estimativa de tempo (referência de planejamento, não um prazo)

• Track A: cerca de 8–10 semanas. O foco é usar CLI Agent existentes para concluir o trabalho.
• Track B: tronco principal cerca de 16–22 semanas; com 5–8 horas por semana, normalmente leva 5–7 meses.
• Stage 5 é o Hub de ferramentas e regras: Track A vê como usar, Track B vê como combinar.
• Stage 8 é o Hub de interfaces de operação: Track A vê como delegar, Track B vê como conectar ao seu próprio agente.

O cronograma é apenas uma referência de planejamento. Faça primeiro o passo à sua frente; não precisa ler o mapa inteiro de uma vez.

Continue segundo o seu papel

Imagem estática

Rota	Para quem	Com o que você lidará?
🔬 Pesquisador	Pós-graduandos, pós-doutores, PI	Evidências bibliográficas, fluxos reproduzíveis, Multi-Agent Review
💻 Desenvolvedor	Engenheiros de software	CLI Delegation, Code Review, testes e restauração
🎓 Professor	Professores, instrutores	Preparação de aulas, feedback, privacidade e prompts de ensino
📊 Trabalhador do conhecimento	Consultores, PM, analistas	Fluxos de e-mail, reuniões e relatórios
👥 Usuário cotidiano	Usuários de IA que não programam necessariamente	Escrita, aprendizagem, privacidade e uso seguro

💡 Como aprender sem travar

1. Vá por apenas um Stage de cada vez: responda primeiro à pergunta central do capítulo.
2. Leia primeiro termos-chave e obrigatórios: são usados diretamente nos exercícios seguintes.
3. Copie diretamente o primeiro comando: execute primeiro um teste offline, não precisa copiar um arquivo em branco.
4. Mude apenas uma coisa de cada vez: execute o teste logo após, para saber qual alteração causou o resultado.
5. Só avance após cumprir a condição de conclusão: entender não é o mesmo que saber fazer.

Cada starter.py é uma referência executável. Leia primeiro o enunciado e as condições de sucesso, modifique um lugar e execute o teste novamente. Para o método completo, veja como usar este material.

📚 Entradas de aprendizagem para favoritar

Aqui colocamos apenas as entradas mais usadas; a lista completa está em RESOURCES.md. As estrelas indicam a prioridade de aprendizagem, não uma classificação de projetos.

Uso	Entrada	Quando usar?	Importância
Início	Guia de configuração para iniciantes	Primeira instalação e execução	⭐⭐⭐⭐⭐
	Como usar este material	Antes de começar o primeiro exercício prático	⭐⭐⭐⭐⭐
	Tabela de progresso	Para saber o próximo passo ou registrar o concluído	⭐⭐⭐⭐
Aprender	Glossário de termos-chave	Ao encontrar palavras estranhas como Token, RAG, MCP	⭐⭐⭐⭐⭐
	Entrada de exemplos executáveis	Para rodar direto testes offline e casos pequenos	⭐⭐⭐⭐⭐
	Cookbook prático	Para fazer Skills, MCP, Office, Zotero ou LLM local	⭐⭐⭐⭐
Consultar	Armário de recursos	Quando não se sabe se consultar Guia, Catálogo ou Cookbook	⭐⭐⭐⭐⭐
	Lista completa de recursos	Para encontrar docs oficiais, cursos, comunidades e leitura adicional	⭐⭐⭐⭐
	Guia de escolha de CLI Agent	Para preparar o Track A ou comparar ferramentas CLI	⭐⭐⭐⭐
	Mapa de cursos e certificações	Para distinguir certificados de conclusão, distintivos de habilidade e exames de certificação	⭐⭐⭐⭐

🤝 Vamos melhorar este mapa juntos

• Erros de conteúdo, links quebrados ou informações desatualizadas: abra uma Issue.
• Para acrescentar um projeto ou recurso de aprendizagem: indique «qual Stage e o que ele ensina».
• Para preparar um PR: leia primeiro CONTRIBUTING.md e o guia de estilo.
• Atualizações recentes: veja CHANGELOG.md.

🧰 Expandir: modo completo de contribuição e verificação automática

Você pode corrigir texto, acrescentar um espelho trilingue, reportar tópicos ausentes ou manter a longo prazo um Stage / rota de papel. Ao adicionar um link de projeto do GitHub, a verificação automática ajuda a ver estado de arquivamento, licença e última atualização; a inclusão ainda é decidida pelo mantenedor conforme o valor de aprendizagem.

O papel completo e as regras estão em CONTRIBUTORS.md.

🙏 Inspirações importantes e projetos relacionados

• Datawhale Hello-Agents — para leitores que precisam de capítulos completos e implementação em profundidade.
• Comunidade Datawhale — comunidade chinesa de aprendizagem colaborativa em machine learning, que oferece muitas entradas de aprendizagem confiáveis.
• liyupi/ai-guide — mais voltada a uma biblioteca de recursos ampla; este repo cuida da ordem de aprendizagem.

📖 Expandir: colaboradores e formato de citação

@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}
}

☕ Apoio e contato

Este roteiro de aprendizagem usa licença MIT e continuará gratuito e público. Para dúvidas e sugestões gerais, use Issues; para contato privado, escreva para wenyuchiou12@gmail.com.

Se este mapa ajudou você, deixe uma ⭐ Star, ou pague um café para o autor.

License

MIT. Maintained by @WenyuChiou.