最近逛 GitHub 的时候挖到一个宝藏开源项目：Agent Atlas （agentic.haylee.site）。它不是那种零散的文章合集，而是一张真正「从零到生产级 Agent」的完整学习地图。9 个阶段、23 个动手练习、240+ 精选资源，还有按角色定制的学习路线。看完我只想说：如果半年前就有这个，我能少走很多弯路。
一、这是什么？
Agent Atlas 是一个开源的 AI Agent 系统学习指南 ，基于 awesome-agentic-ai-zh 构建，核心定位是**"从 Prompt Engineering 到 Harness Engineering"**的完整进阶路径。
简单说，它解决了一个很真实的痛点：想学 Agent，但网上的资料太散了------有的讲提示词，有的讲框架，有的讲部署，但没人告诉你按什么顺序学、每个阶段该练什么、练到什么程度算过关。Agent Atlas 把这件事系统化了。
二、两条学习路径，不让你走弯路
网站最吸引我的设计是**"先共享基础，再分岔进阶"**：
-
Track A：CLI 能力者 （8-10 周）
面向 PM、分析师、知识工作者。目标是熟练使用 Claude Code、Codex、Gemini CLI 等现有工具提效。不学框架，不学部署，专注「把工具用到极致」。
-
Track B：Agent 构建者 （16-22 周，约 5-7 个月）
面向开发者、研究者。从零构建 Agent 系统，涵盖 Tool Use、LangGraph、CrewAI、RAG、FastAPI、Docker 部署等全链路。
这个设计很聪明------不是所有人都需要写代码，但所有人都可以从 Agent 中受益。先一起把 Stage 0-2 的基础打牢，再按需分叉，避免"学了一堆用不上的"或者"想学深的但基础没打好"。
三、五种角色的专属路线
更贴心的是，它还按职业做了角色定制：
| 角色 | 重点 | 推荐路线 |
|---|---|---|
| 开发者 | Tool Use、框架、部署、可观测性 | Track B 主修 |
| 研究者 | Eval 方法、论文阅读、可重现实验 | Track B + 7.5 |
| 知识工作者 | CLI Agent 提效、MCP 整合 Office、自动化日常工作 | Track A 主修 |
| 教师 | Skills 设计、课件生成、学生反馈分析 | Track A + Stage 5 |
| 普通用户 | Prompt 技巧、CLI 入门、避坑指南 | Stage 0-2 + Track A |
这个设计真的很懂不同人群的真实需求。比如我是开发者，但我也好奇 PM 该怎么用 Agent，点开「给知识工作者」一看，直接给到了 MCP 整合 Office 的实操方向，非常务实。
四、概念五层演进：从写提示词到 Harness Engineering
网站提出了一个**"概念五层演进"**的框架，我觉得是整站最有价值的认知模型：
从下到上：
- Prompt Engineering（Stage 2）------写好提示词
- Context Engineering（Stage 3+）------动态管理上下文
- Loop Engineering（Stage 5+）------目标自主循环
- Graph Engineering（Stage 4,7）------图工作流
- Harness Engineering（Stage 7）------框架本身可编程
这个分层让我终于理解了"为什么学 Agent 不能只学提示词"。很多人（包括我）一开始以为 Agent = 好提示词 + API 调用，但实际上真正的生产级 Agent 需要解决的是循环、状态、工具编排、评估、护栏等一系列工程问题。这个框架把认知升级的路径说清楚了。
五、Stage 0→8 全览：每个阶段都给你安排明白
点开「完整学习路径」，能看到 9 个阶段的详细规划：
每个阶段都有明确的时间预估、练习数量、所属 Track。比如：
-
Stage 0：环境准备 （1-2 周，两条 Track 共修）
学什么：Python 基础、CLI、Git、API 概念。
动手做：安装 Ollama → 拉取 gemma4:e4b → 跑通第一个本地 LLM 对话。
-
Stage 3：Tool Use + 第一个 Agent （2-3 周，Track B 核心，5 个练习）
从零手写 ReAct 循环，不用 LangChain，不用 LangGraph，纯 while loop 实现「Assistant → Tool Call → Tool Result」的完整闭环。
-
Stage 5：Claude Code 生态 （3-4 周 Track B / 1-2 周 Track A）
两条 Track 共享内容，但深度不同。
这种「阶段化 + 可展开」的设计，让学习路径一目了然，也方便你根据自己的节奏调整。
六、每练习的七步法：不是看文档，是真动手
最打动我的是它的练习设计哲学：
每个练习都遵循统一的七步结构：
- 读 README ------ 理解目标
- 安装依赖 ------ 配好环境
- 自己先尝试 ------ ⚠️ 关键！starter.py 是完整解答，不是 TODO 骨架，先自己写
- 对照学习 ------ 读 starter.py，理解差距
- 跑测试验证 ------ pytest test.py，用 mock 测试，不需要真实 API
- （可选）云端对比 ------ 读 starter_anthropic.py，对比本地 vs 云端实现差异
- 深度路由 ------ 指向 Datawhale、Anthropic Cookbook 等优质教程继续深入
"先自己尝试"这个设计太重要了。很多教程给的是填空式骨架，你跟着填完以为自己会了，其实没理解。Agent Atlas 反其道而行之：给你完整答案，但要求你先独立写，再对照。这才是真正的学习。
而且每个练习都有 Path A（本地 Ollama） 和 Path B（云端 Anthropic） 两个版本，兼顾了"零成本学习"和"生产级体验"两种需求。
七、资源层速查：遇到问题直接查
除了主线学习路径，网站还整理了大量专项速查指南：
- 术语表 Glossary：30+ 术语，每个 30-80 词，带阶段交叉引用
- Agent 范式：ReAct、Plan-and-Execute、Reflection、Multi-Agent、Tool-Use 五种心智模型
- Schema 速查表：5 条黄金法则 + 5 个反模式
- MCP / Skills 目录：77 个 MCP Server / Skills，带 GitHub 星数和评分
- 子 Agent 菜谱：15 个即用调度模板
- 实操菜谱：6 个 30-50 分钟 step-by-step
- CLI Agent 指南：7 个 CLI Agent 对比 + 决策矩阵
这些不是"收藏了等于学了"的链接堆砌，而是经过筛选和结构化整理的实战速查，真正能在你卡住的时候救命。
八、学习预算：从 0到50，丰俭由人
最后，作为一个务实的开源项目，它还帮你算了学习成本：
| 方案 | 说明 | 预算 |
|---|---|---|
| 全本地 Ollama | 所有练习用本地 LLM | $0 |
| 混合推荐 ⭐ | 本地练习 + 云端对比（Haiku） | $2-5 |
| 全 Sonnet | 所有练习用 Claude Sonnet | $20-50 |
模型建议也很具体：Stage 1-2 用 gemma4:e4b，Stage 3+ 用 qwen2.5:3b，云端对比用 claude-haiku-4-5。这种**"免费也能学，花点小钱体验更好"**的思路，对国内用户特别友好。
九、代码质量怎么样？
我点开了一个练习的 starter.py 看了一眼：
代码风格很干净，注释是中文的，结构清晰。从 __future__ import annotations 到类型提示，能看出是认真写的生产级代码，不是那种"能跑就行"的 demo。而且每个练习都有 test.py 做自动化验证，这点对自学者非常友好。
十、适合谁？怎么开始？
推荐立即开始的人群：
- 想系统学 Agent，但不知道从哪里下手的开发者
- 想用 AI 提效，但不想写代码的 PM / 分析师 / 运营
- 做 Agent 相关研究，需要可复现实验环境的研究者
- 想给学生设计 AI 课程的老师
我的建议起步方式：
- 打开 agentic.haylee.site，花 10 分钟浏览全站结构
- 在「按角色选择」里找到你的定位，确认走 Track A 还是 Track B
- 从 Stage 0 开始，按「七步法」完成第一个练习
- 把网站加入收藏夹，遇到具体问题时去「资源层速查」查专项指南
写在最后
Agent Atlas 给我的感觉，不是又一个"AI 学习资源聚合站"，而是一个有教学设计思维、有工程实践深度、有用户分层意识的系统性学习产品。它背后的设计逻辑------两条路径、五种角色、五层概念、七步练习法------都体现了一种"我懂你学 Agent 时会遇到什么坑"的同理心。
而且它是MIT 协议开源 的，基于 awesome-agentic-ai-zh，原作者是 @WenyuChiou。如果你也在 Agent 的学习路上，强烈推荐把它加入你的学习清单。
GitHub 地址和上游文档可以在网站底部找到。有问题欢迎在评论区交流，一起学习进步 🚀