ARTICLE · 1111817
深入理解AI Agent知多少:从 10 章 109 个实验出发,亲手把 Agent造一遍
💡 福利：关注本公众号并私信发送【智能体学习】，即可获得智能体系统性学习资料，先到先得！
你有没有这种感觉：RAG、MCP、Agent Skill、Coding Agent、多 Agent 协作……每个词都听过，每个 Demo 都跑过，但让你从零搭一个真正能上生产的 Agent 系统，心里还是没底。
问题不在于你学得不够多，而在于你手里没有一张完整的系统蓝图。
大多数 Agent 教程从某个框架或某个 Demo 开始讲，你能照着跑起来，却不知道整个系统还缺什么、模块之间怎么连、为什么这些模块要这样设计。
2025 年 9 月，前华为“天才少年”、Pine AI 首席科学家李博杰在 GitHub 上开源了一本叫 《深入理解 AI Agent：设计原理与工程实践》 的书。它围绕一个核心公式，用 10 章正文和 109 个配套实验，把 AI Agent 从原理讲到工程实战。
截至 2026 年 9 月，这个项目在 GitHub 上已获得 52.0k Stars、200 Watching、5.9k Forks，采用 Apache-2.0 许可证，曾冲上 GitHub Trending 榜首。
这本书做的不是“教你用一个框架”，而是给你一张完整的 Agent 地图——从上下文工程到工具系统，从评估到后训练，从 Coding Agent 到多 Agent 协作，每一块都配着可运行的实验。
📌 本文建议先收藏
这是一篇“学习资源推荐+内容拆解”型文章，想系统理解 AI Agent、从“调 API”转向“造系统”时翻出来对照，帮你找到最完整的开源学习路径。
📌 读完你将获得
✅ 这本书是什么——李博杰开源的 AI Agent 完整技术书，10 章正文 + 109 个实验
✅ 核心公式是什么——Agent = LLM + 上下文 + 工具，以及它如何贯穿全书
✅ 10 章讲了什么——从上下文工程到多 Agent 协作的完整知识地图
✅ 怎么用——在线阅读、PDF/EPUB 下载、实验运行方式
✅ 一个核心判断——“Agent 的竞争力不在模型，在 Harness 工程”
一、是什么：这本书的核心定位
1、先搞懂它解决的是什么问题
市面上关于 AI Agent 的资料不少，但有一个共同的缺口：碎片化。
今天学提示词，明天啃 RAG，后天又冒出 MCP、Agent Skill、Coding Agent——每个词都眼熟，但真要搭一个完整项目，模块之间的关系还是理不清。
这本书的解决思路很直接：先用一个公式统一全书，再沿着公式的每个维度逐层展开。
Agent = LLM + 上下文 + 工具——LLM 管推理，上下文管视野，工具管行动。
沿着这条主线，10 章内容不是平铺，而是层层递进：第一章先建立基本框架，第二到第五章讲上下文、记忆、知识库、工具和 Coding Agent，第六到第八章进入评估、后训练和持续进化，最后两章扩展到交互与多 Agent 协作。
2、作者是谁
李博杰，1992 年出生，本科毕业于中国科学技术大学少年班学院，后获中科大与微软亚洲研究院联合培养博士学位。2019 年以首批入选者身份加入华为“天才少年”计划，担任 2012 实验室计算机网络与协议实验室副首席专家。离开华为后，他加入 AI Agent 创业公司 Pine AI，担任首席科学家。
此前他的研究方向集中在 Infra 和计算机网络领域，但正是这种“非大模型主航道”的背景，让他在写 Agent 时更关注系统设计而非单纯模型能力。
3、开放了什么
这本书的“开源”是认真的：
| 正文章节 | |
| 配套实验 | |
| 翻译语言 | |
| 阅读方式 | |
| 许可证 |
💡 这本书的核心思想是：Agent 的竞争力不在模型，在 Harness 工程。模型是引擎，Harness 是车架、变速箱和方向盘。
二、为什么：这本书的核心价值
1、先给地图，再讲细节
很多 Agent 教程的问题是从某个框架或某个 Demo 开始讲。你能照着跑起来，却不一定知道整个系统还缺什么。
这本书先用核心公式统一全书，再沿着公式的每个维度展开。以后再看到 RAG、MCP、Skill、Computer Use 或 Agentic RL，你不再只是又多背一个热词，而是能立刻判断它该放进哪个抽屉——属于模型、上下文、工具、评估还是进化链路。
对刚进入这个领域的人来说，这张地图往往比又学一个框架更重要。
2、实验驱动：每一章都有可运行的代码
这本书的正文和实验基本按章节对应。109 个配套实验中，70 多个可以独立运行。
以第五章 Coding Agent 为例，配套项目不只是最小聊天 Demo，而是包含了用代码辅助数学推理、把论文生成 PPT 并用 Vision 模型检查渲染结果、从 PPT 和讲解词生成带旁白的视频、用自然语言剪辑视频、解析日志并生成回归测试、把自然语言转成 SQL 操作 ERP 数据、用纯 Python 实现一套综合 Coding Agent。
这些实验的意义不只是“项目很多”，而是把同一套 Agent 方法放进了内容生产、数据处理、软件工程和自动化场景。你会看到上下文怎么组织、工具怎么设计、结果怎么验证，以及为什么一个 Agent 不能只负责生成，还需要检查和反馈闭环。
3、10 章知识结构
| Agent 基础知识 | |||
| 上下文工程 | |||
| 用户记忆和知识库 | |||
| 工具 | |||
| Coding Agent 与代码生成 | |||
| 交互：观察与动作空间的扩展 | |||
| Agent 的评估 | |||
| 模型后训练 | |||
| Agent 的持续进化 | |||
| 多 Agent 协作 |
💡 这本书的第一性原理：Agent 不是一个模型加一个提示词，而是一套完整的系统。理解系统，才能设计系统。
三、怎么用：上手路径
1、在线阅读
支持多语言切换、章节折叠、全文搜索、高亮与笔记，每次推送自动更新：
2、下载 PDF / EPUB
中文原版和 14 种社区翻译版本均可免费下载，链接始终指向 main 分支的最新构建。
简体中文：PDF
3、运行实验
配套实验代码在 chapter1/ 到 chapter10/ 目录下。每章实验的依赖以 extra 形式定义在根目录的 pyproject.toml 中，用 uv.lock 做可复现锁定：
# 安装第 1 章环境并运行第一个实验uv sync --extra ch14、学习路径建议
| 有 Python 基础，刚接触 Agent | |
| 想深入工具与协议 | |
| 关注评估与训练 | |
| 想理解多 Agent |
📖 姊妹篇：《深入理解 AI Infra：量化分析与系统设计》已开源，讨论支撑模型训练与推理的基础设施。
四、写在最后
这本书是 AI Agent 学习从“碎片拼凑”走向“系统理解”的关键一步——它用一张完整的地图，把散落的术语和模块串成了一条清晰的链路。
2026 年，这个项目已经成长为 52.0k Stars、5.9k Forks 的开源教材，支持 15 种语言，曾冲上 GitHub Trending 榜首。它的核心思想很简单：Agent 的竞争力不在模型，在 Harness 工程。
💡 理解 Agent 最快的方式，不是又学一个框架，是先看清整张地图。这本书做的，就是把地图画好，再配着 109 个实验让你亲手走一遍。
项目地址：github.com/bojieli/ai-agent-book
在线阅读：bojieli.github.io/ai-agent-book
🔥 留言区聊两句
你学 AI Agent 时，最大的障碍是什么？
A. 术语太多太碎，串不起来 B. 会用框架跑 Demo，但不知道系统还缺什么 C. 想深入上下文工程和工具系统，但找不到系统资料 D. 第一次了解这本书，打算试试
🔗 参考资料：
GitHub 官方仓库：github.com/bojieli/ai-agent-book 在线阅读：bojieli.github.io/ai-agent-book 阿里云开发者社区《2.4万人星标的AI学习手册，带你从原理一路撸到多Agent协作》 CSDN《开源项目第188期：深入理解 AI Agent》 InfoQ《免费学 Agent 的天花板》
如果这篇文章帮你搞懂了这本书的核心价值——欢迎转发给你正在学习 AI Agent 开发的同事。 😊