awesome-agentic-ai-zh 要付費或要 API key 嗎？

不用。repo 是 MIT 授權，每個練習都附 mock 測試，不帶 API key 也能驗證程式邏輯。要接真實模型時可以走 Path A 本機 Ollama，或 Path B Anthropic API，後者才有 API 費用。

Track A 和 Track B 該選哪一條？

想把 Claude Code、Codex 這類 CLI Agent 用在工作上選 Track A，README 寫約 8–10 週。想懂 Agent 內部怎麼運作、自己寫 tool calling 和 ReAct loop 選 Track B，主幹約 16–22 週。兩條都先走 Stage 0–2。

Stage 4 的框架為什麼裝不起來？

我把 LangGraph、CrewAI、pydantic-ai、smolagents 的依賴裝進同一個環境，pip 解析 12 分鐘沒結果。改成每題一個 uv venv、只裝該題的 requirements.txt，一題約 30 秒裝好、測試通過。

範例可以直接換成最新的 Claude 模型嗎？

範例預設是 claude-haiku-4-5-20251001。repo 的 docs/TESTING_PLAN.md 說明 Haiku 4.5 是相容性基準，換到 Haiku 5.5 要處理框架、token 預算、thinking 重播等差異，不建議只改 model ID 字串。

awesome-agentic-ai-zh 實測：8.4k 星中文 AI Agent 學習地圖，50 支範例跑過 49 支

懶人包
awesome-agentic-ai-zh 是 Lehigh University 博士研究生 Wenyu Chiou 維護的 MIT 授權 repo，繁中、英文、簡中三語同步，2026-11-03 查是 8,439 stars、1,058 forks，2026-05-04 才建立。
結構是 Stage 0–2 共用基礎，之後分兩條路：Track A 用 Claude Code、Codex 這類 CLI Agent 做事，約 8–10 週；Track B 自己寫 Agent，主幹約 16–22 週。
我把 repo 裡 50 支離線測試全跑了一遍，不帶任何 API key：49 支通過，剩下 1 支是本機沒開 Docker。
坑在 Stage 4：LangGraph、CrewAI、pydantic-ai、smolagents 塞進同一個 Python 環境，pip 解析 12 分鐘沒結果；改成一題一個 uv venv 就幾十秒裝好。
我的判斷：零基礎想自學、或要排一門 AI Agent 課，Stage 0–3 加 Track A 可以直接拿來當骨架；模型品質這次沒驗，範例預設模型還是 Haiku 4.5。

Threads 上有人問「最近想學 AI，脆上有 AI 大師嗎」，底下一則回覆只丟了一個 GitHub 連結：awesome-agentic-ai-zh。我想知道兩件事：這份地圖排得合不合理，以及裡面的練習是不是真的能跑。這篇是我 clone 下來逐題跑測試的紀錄。

Threads 截圖：joker._612 問最近想學 AI，wenyu_chiou 回覆 awesome-agentic-ai-zh 的 GitHub 連結，回覆有 715 讚、917 次分享

2026-11-03 抓到的預覽圖上，那則回覆是 715 個讚、132 次轉發、917 次分享。分享數比讚數還高。

awesome-agentic-ai-zh 是什麼？

一句話：中文寫成的 AI Agent 學習路線圖，每一站附精選資源和可以執行的小練習。

項目	內容（2026-11-03 查 GitHub API）
Repo	WenyuChiou/awesome-agentic-ai-zh
線上文件站	wenyuchiou.github.io/awesome-agentic-ai-zh，手機讀這個比較順
作者	Wenyu Chiou，GitHub 簡介寫 Lehigh University 博士研究生，研究 LLM 評估與受治理的 Agent
授權	MIT
熱度	8,439 stars、1,058 forks
建立／最後 push	2026-05-04 ／ 2026-11-02
語言	繁中、英文、簡中三份文件同步

README 自己把定位講得很清楚：它是「學習路線圖 + 精選資源 + 可直接執行的小練習」，需要完整章節時會導去官方文件、Datawhale Hello-Agents 或各家 Cookbook，不重寫一套百科全書。所以它不是教科書，比較像幫你排好順序的書單加作業本。

學習路線怎麼排？Track A 跟 Track B 差在哪？

Stage 0–2 是所有人共用的基礎：LLM、Prompt、API、Token 這些名詞先講白話。之後依目的分兩條路。

路線	適合誰	主要內容
Track A	想把 Claude Code、Codex、OpenCode 這類工具用在工作上的人	選工具、建立工作流程、上線前的權限與檢查
Track B	想懂 Agent 內部怎麼運作、自己寫的人	Tool calling、ReAct loop、框架、RAG 與記憶、多 Agent、Eval、觀測、部署
共用 Stage 5	兩條路都會經過	MCP、Skills、Plugins、Hooks、Subagents 怎麼分工

路線圖之外還有 5 條角色路線：開發者、教師、研究者、知識工作者、日常使用者。我讀了教師那條（branches/for-teacher.md），開頭是五條學生資料與決策的安全線，例如「AI 可以草擬回饋與 Rubric，成績與重大決定由合格人員負責」，後面有可以直接複製的 Rubric 草擬 prompt。

範例真的能跑嗎？我怎麼實測

練習放在 examples/stage-*/ 底下，每題有兩條路：Path A 用本機 Ollama（預設 qwen2.5:3b，不花 API 費用），Path B 用 Anthropic SDK。每題都附 test.py，用 mock 物件假裝模型回應，不需要 API key 也能驗證你的程式邏輯。

這個設計讓我可以全部跑一遍。測試版本是 main 分支 9ef03ca（2026-11-02），環境是 Windows 11、Python 3.11.9。我寫了一支腳本逐一執行 examples/stage-*/*/test*.py，執行前把所有 *_API_KEY 環境變數拿掉，確保沒有偷偷打到真的 API。

單題的跑法長這樣，以 Stage 3 從零寫 ReAct 那題為例：

git clone --depth 1 https://github.com/WenyuChiou/awesome-agentic-ai-zh.git
cd awesome-agentic-ai-zh/examples/stage-3/03-react-from-scratch
pip install -r requirements.txt
env -u ANTHROPIC_API_KEY -u OPENAI_API_KEY python test.py

終端機截圖：Stage 3 ReAct 練習的 6 個離線測試全部通過，下方表格是 50 支測試依 Stage 分組的結果，49 支通過、1 支需要 Docker

資料夾	測試數	通過	沒過的原因
stage-1	3	3
stage-2	2	2
stage-3	12	12
stage-4	12	11	`test_docker_smoke.py` 要連 Docker daemon，本機沒開
stage-6	10	10
stage-7	11	11
合計	50	49

Stage 5 的練習是一個 Claude Code Skill（tool-calling-tutor），沒有 test*.py，所以不在這 50 支裡。

測試涵蓋的東西比我預期的細。以 ReAct 那題來說，6 支測試除了跑通單步、多步工具呼叫，還驗了計算機工具會拒絕 2 ** 3 這類不安全的運算式，以及 loop 碰到 max_iter 會停下來。學員改壞了，測試會直接告訴你哪一條規則不成立。

實測踩到的坑：Stage 4 不要裝在同一個環境

第一輪我用一個共用的 venv 跑，結果是 37 支通過、13 支 ModuleNotFoundError，缺的是 crewai、smolagents、langchain_core、pydantic_ai、chromadb 這些框架。

接著我把 Stage 4 所有練習的依賴一次裝進同一個 venv。pip 解析了 12 分鐘還沒結束，我直接停掉。這幾個框架各自鎖了不同版本範圍的 langchain、pydantic 和 openai，放在一起解不出來是合理的。

換成一題一個環境就順了。我用 uv 對每個練習資料夾建獨立 venv：

# 在 repo 根目錄執行；ex 換成你要跑的練習資料夾
ex=stage-4/03-graph-workflow
uv venv -p 3.11 ".venvs/${ex//\//_}"
uv pip install -p ".venvs/${ex//\//_}/Scripts/python.exe" -r "examples/$ex/requirements.txt"
cd "examples/$ex" && "../../../.venvs/${ex//\//_}/Scripts/python.exe" test.py

這段我在 Windows 的 Git Bash 實際跑過，建環境加安裝約 30 秒，test.py 印出 all pass。macOS／Linux 把兩處 Scripts/python.exe 換成 bin/python。13 支第一輪沒過的測試這樣重跑，12 支通過，剩下 Docker 那支。

另一個小地方：examples/stage-6/05-long-term-memory/requirements.txt 寫的是 anthropic>=0.40,<1.0、openai>=1.50,<2.0，其他練習是 anthropic>=1.1,<2、openai>=3.5,<4。各題分開裝不會出事，但如果你想把整份 repo 裝成一個環境，這兩組範圍互相衝突。

我沒驗到的部分

這次只跑 mock 測試。模型實際回答得好不好，我沒有驗：本機沒有設 API key，Ollama 這次也沒起來。

範例的預設模型 ID 是 claude-haiku-4-5-20251001。repo 的 docs/TESTING_PLAN.md 有寫，Haiku 4.5 是相容性基準，要換到 Haiku 5.5 得處理框架、token 預算、thinking 重播等差異，不是只改 model ID。想用新模型的人，照它的說明改，不要直接替換字串。

適合誰用？我會怎麼拿來教

你是	建議
零基礎、想先會用	Stage 0–2 → Track A。週數短，學完就能把 Claude Code 這類工具用在工作上
工程師、想自己寫 Agent	Stage 0–2 → Track B。Stage 3 從零寫 ReAct 那題一定要做，框架藏起來的東西在那裡都看得到
要開課的講師	Stage 0–3 加 Track A 當課綱骨架，Mock 測試讓沒有 API key 的學員也能先跑通邏輯
想找完整教材	它會把你導去 Hello-Agents 和官方文件，這份本身不是教科書

拿來上課的話，Mock 先跑、Live 後跑的設計讓第一堂不必處理 API key 申請和計費；第二堂再換真實模型。課前我會用上面一題一個 venv 的方式把教室機器全部驗一遍，Stage 4 不要讓學員自己一次全裝。

如果你還在挑線上課，可以搭配我之前整理的免費 Agentic AI 課程 7 門查證：這份地圖負責排順序，那幾門課負責講深。

延伸資源

Repo：github.com/WenyuChiou/awesome-agentic-ai-zh
線上文件站：wenyuchiou.github.io/awesome-agentic-ai-zh
深入章節：datawhalechina/hello-agents
我的實測導讀頁（手機版排版）：html.yanchen.app/awesome-agentic-ai-zh
一題一環境用的工具：uv 官方文件