向AI转型的程序员都关注公众号 机器学习AI算法工程
这不是又一篇"AI Agent 入门科普"，而是一本把原理、工程、可运行代码焊死在一起的开源教科书。它用一句公式——Agent = LLM + 上下文 + 工具——把整个赛道讲透了。更狠的是，它免费、开源、还能让你亲手把每个模块跑一遍。
项目：《深入理解 AI Agent：设计原理与工程实践》（AI Agents in Depth，李博杰 著）
代码仓库：github.com/bojieli/ai-agent-book
在线阅读：bojieli.github.io/ai-agent-book
https://github.com/bojieli/ai-agent-book/releases/download/latest/AI-Agents-in-Depth-zh-CN.pdf
最近朋友圈又被一本书刷屏了。不是小说，是一本讲 AI Agent 的技术书——而且，免费、开源、能跑代码。
它的作者李博杰，标签很硬：前华为"天才少年"、中科大少年班、中科大博士，也是 AI Infra 开源社区 Beam 的发起人之一。过去几年他持续在做 AI 工程化实践，在国内开发者圈子里辨识度很高。而这次，他把整本书、配套代码、实验项目全部开放给了社区。
截至发文，项目已经冲到 1.3 万+ Star，并提供中文、英文、西班牙语、阿拉伯语、日语、韩语等 13 种语言版本，是近期中文 AI Agent 领域最出圈的开源项目之一。
Agent = LLM + 上下文 + 工具。
这 11 个字，可能是 2026 年最值得每个做 Agent 的人记住的一句"工程箴言"。
市面上讲 AI Agent 的文章、课程、视频多到溢出，但李博杰这本书的走红，不是靠营销，而是靠一个扎心的差异化：大多数资料停留在"概念和演示"，这本是"能跑的"。
作者有一个很清醒的判断，也是全书的灵魂：
作者的底层判断：未来的竞争力不在于模型本身，而在于你如何通过"上下文工程"和"工具编排"去 Harness（驾驭） 模型的能力。模型会快速 commoditize（商品化），但"怎么把模型用出花来"的工程能力，才是护城河。这本书，就是把这套 Harness 工程"教科书化"。
换句话说，当所有人都在追逐"下一个更强的大模型"时，这本书反手告诉你：模型不是你的壁垒，你会不会用模型才是。这个 timing 卡得很准——2026 年正是"从堆模型到拼应用工程"的拐点。
二、一句话公式，讲透整个赛道
全书围绕一个核心公式展开：
Agent = LLM + 上下文 + 工具别小看这行字。它其实是 Agent 工程的"第一性原理"——把一切复杂系统拆成三个不可再分的部件：
- LLM（大模型）
：Agent 的"大脑"，负责思考和决策。 - 上下文（Context）
：喂给模型的"工作环境"——提示、记忆、知识、历史。上下文决定了模型能力的上限。 - 工具（Tools）
：Agent 的"双手"——调 API、查数据库、跑代码、操作浏览器。没有工具，模型只是个聊天框。
这个拆法的厉害之处在于：它把"Agent 到底难在哪"说清楚了。难不在 LLM（买现成的），难在上下文怎么组织、工具怎么编排。而这，正是后面 10 章要逐一拆解的东西。
三、10 章层层递进：从"是什么"到"造一个"
书的章节设计是"地基→楼层→封顶"的结构，每一章都配了可运行的代码项目：
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
从表里能看出作者的用心：越往后越硬核。第 2 章"上下文工程"和第 5 章"Coding Agent"是工程师最常踩坑、也最该优先读的；第 7 章"模型后训练"配了 16 个实验，直接带你摸 SFT 和 RL 的边。
四、"能跑"才是硬道理：88→95 个实验
这本书最让人兴奋的地方，在于它不只是一本"看懂就行"的书，而是一个庞大的实验场。
源文章说"88 个配套实验"，但去 GitHub 看会发现，项目仍在快速更新，现在已经是 95 个配套实验，其中 70+ 可以独立运行。代码和章节一一对应，读者能边读边动手，把 AI Agent 的每一个核心模块在自己电脑上"跑一遍"。
举个具体的：第 3 章配了 13 个项目，你亲手搭一套 RAG + 用户记忆系统；第 5 章 12 个项目，带你把 Coding Agent 的组件一个个跑通；第 7 章 16 个项目，深入模型后训练的各个环节。从"调 API"到"用 GPU 训练模型"，难度阶梯铺得很顺。
但真正让它区别于普通教程的，是下面这个被很多人忽略的巧思——
它不是"书"，是"学习轨道"
第 6 / 7 / 9 / 10 章没有停留在自带的玩具代码，而是直接挂载了 22 个外部真实生产仓库，等于给你铺了一条从"读书"跳进"真系统"的轨道：
- 第 7 章（后训练）
：挂上 bojieli/minimind（从零训练）、bojieli/verl（RL 训练框架）、bojieli/AWorld； - 第 6 章（评估）
：挂上 android_world、OSWorld、SWE-bench、tau2-bench这些业界真在用的评测环境； - 第 9 章（多模态）
：挂上 browser-use、XLeRobot、RoboCrew； - 第 10 章（多 Agent）
：挂上斯坦福 generative_agents、TalkAct等。
这意味着：你读完一章，不是"嗯我懂了"，而是能顺着链接直接翻进一个生产级开源项目继续深挖。书是入口，仓库是纵深——这套设计，比单纯堆 95 个 demo 高级得多。
五、三个被忽略的"较真"，才是真价值
读完源码和 README，我觉得这本书最该被夸的，是几处不那么显眼、但极其体现功力的"较真"。这也是我想替它说的原创点评：
1. "思考"与"推理"，一个术语都不糊弄
书里对两个高频英文词做了硬区分：reasoning 统一译为"思考"（指模型展开中间推导、CoT、"思考模型"如 o 系列 / DeepSeek-R1、"思考 token"）；inference 统一译为"推理"（指模型前向计算、部署运行、"推理成本""推理栈"）。
一个词的较真，背后是对"模型在想"和"模型在算"的清晰切割。很多资料把这两个概念混着用，读者越看越糊涂。李博杰用两个中文词一刀切开——这种"对基本概念的洁癖"，恰恰是一本好书该有的样子。
2. 把"Harness 工程"摆到 C 位
如前所述，作者旗帜鲜明地认为：模型会商品化，驾驭模型的技术才是壁垒。整本书都在服务这个判断——从上下文工程到工具编排，从评估到后训练。在"唯模型论"还甚嚣尘上的时候，这种冷静很稀缺。
3. 开源不是"放出来"，是"扶上马送一程"
Apache-2.0 随便改随便商用；13 种语言社区翻译；PDF / EPUB / 在线阅读三件套齐备；甚至告诉你"部分实验要 GPU / 机械臂 / 浏览器，别硬刚"。这种把读者当成年人、把门槛铺到最低的诚意，是它 1.3 万星的底色。
六、手把手上手：5 步开跑
说了这么多，怎么真正用起来？下面 5 步，照着敲就行：
第 1 步：先白嫖 PDF / 在线读
# 中文 PDF（始终指向 main 分支最新构建）
https://github.com/bojieli/ai-agent-book/releases/download/latest/AI-Agents-in-Depth-zh-CN.pdf
# 在线阅读（支持多语言切换、章节折叠、全文搜索、实验直达）
https://bojieli.github.io/ai-agent-book/第 2 步：把代码拉下来
git clone https://github.com/bojieli/ai-agent-book.git
cd ai-agent-book不熟悉 Git 的，仓库页面点 Code → Download ZIP 也行。实验按章组织在 chapter1/ 到 chapter10/，每个实验目录都有自己的 README 和依赖说明。
第 3 步：跑你的第一个实验
# 进第 1 章的上下文示例（引言里点名的 chapter1/context/main.py）
cd chapter1/context
uv run python main.py引言里强烈建议"动手跑一遍"，因为 Agent 是实践性极强的领域——很多设计直觉，只有在调试时才真正建立。
第 4 步：挑两章优先读
如果你是工程师，建议直接跳 第 2 章（上下文工程） 和 第 5 章（Coding Agent）：前者是 Agent 性能的天花板，后者是当下最卷、最落地的方向。
第 5 步：配个国内友好的 API 平台
书里推荐的 API 平台对国内开发者很友好：Kimi、智谱 GLM、SiliconFlow、DeepSeek、OpenRouter 等。大部分纯软件实验，有几个 API Key 就能跑；少数实验需要 GPU 或机器人硬件，量力而行。
客观提醒：部分实验（如第 7 章训练、第 9 章机器人）确实有硬件门槛，不是全都能在笔记本上跑。但书里也已明确标注，按需取舍即可。效果与深度取决于你愿不愿意动手——它给你轨道，不替你跑。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
【模型高效部署】tensorrtx 深度解读，yolov11高性能推理实战案例
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
