一句话总结
这不是又一本「AI 科普读物」——这是一本工程师写给工程师的 AI Agent 教科书。从「Agent = LLM + 上下文 + 工具」这个核心公式出发，用 10 章层层递进，把 AI Agent 从概念拆解到生产级实现。全书正文、配图和 92 个配套实验全部开源，Apache 2.0 协议。
这本书为什么火？
先看一组数字：
| 指标 | 数据 |
|---|---|
| GitHub Stars | 21,000+（本周 +15,909） |
| Forks | 2,100+ |
| Commits | 791（社区极度活跃） |
| 章节 | 10 章 |
| 配套实验 | 92 个（70+ 可独立运行） |
| 翻译语言 | 7 种（中/英/正体中文/俄/泰米尔/越/日） |
| 许可证 | Apache 2.0 |
| 作者 | 李博杰（@bojieli） |
这本书以单周 近 1.6 万 Star 的速度冲上 GitHub Trending 榜首，成为 2026 年 7 月最受关注的中文 AI 开源项目——甚至把 Andrew Ng 的新项目按在了第 7 位。
核心公式：Agent = LLM + 上下文 + 工具
全书围绕一个简洁但深远的公式展开：
Agent = LLM + 上下文 + 工具
这不是一个口号——它在书里被反复拆解、验证、工程化：
- LLM 是大脑（第 1、7 章）
- 上下文 是记忆和工作区（第 2、3 章）
- 工具 是双手（第 4、5 章）
用作者的话说：「Harness 工程才是竞争力」——单纯调用 LLM API 谁都会，真正的壁垒在于如何管理上下文、编排工具链、让 Agent 在复杂环境中稳定运行。
全书结构：10 章递进式学习路径
| 章 | 主题 | 核心内容 | 实验数 |
|---|---|---|---|
| 1 | 🚀 Agent 基础知识 | 定义、架构、Harness 工程概念 | 4 |
| 2 | 🎯 上下文工程 | KV Cache、提示工程、Skills、压缩 | 9 |
| 3 | 📚 用户记忆和知识库 | RAG、结构化索引、知识图谱 | 13 |
| 4 | 🛠️ 工具系统 | MCP 协议、三类工具、异步 Agent | 7 |
| 5 | 💻 Coding Agent 与代码生成 | 生产级编码代理全景 | 12 |
| 6 | 🎯 Agent 评估 | 基准测试、指标、统计显著性 | 11 |
| 7 | 🧠 模型后训练 | 预训练/SFT/RL 三阶段 | 16 |
| 8 | 🔄 Agent 持续进化 | 从运行轨迹学习、更新知识 | 8 |
| 9 | 🎙️ 多模态与实时交互 | 语音、GUI、机器人 | 7 |
| 10 | 🤝 多 Agent 协作 | 协作框架、Agent 社会 | 7 |
最值得细读的三章
第 2 章「上下文工程」——这是全书最有原创性的部分。大多数人讲 AI Agent 都在讲「怎么调用 API」，但作者直接把上下文管理提升到「决定 Agent 能力上限」的高度。KV Cache 原理、提示工程设计模式、Agent Skills 的组织方式——这些是真正的工程壁垒。
第 4 章「工具系统」——MCP 协议深度解析、工具的三种分类（感知/执行/协作）、事件驱动的异步 Agent 架构。如果你想知道 Claude Code 为什么会用 MCP 而不是其他协议，这一章给出了完整的答案。
第 7 章「模型后训练」——16 个实验，覆盖从零训练 LLM、SFT、RLHF 到 VLM 训练。这是全书实验最多的一章，也是「从调包侠到模型工程师」的分水岭。作者甚至提供了从零训 LLM 的完整代码（含 minimind 实验）。
三个让这本书与众不同的特点
1. 不是 PPT 式科普，是「跑得通的代码」
很多 AI 书籍会说「MCP 是一个协议」，然后放一张架构图就结束了。这本书的做法是：给你 7 个 MCP 相关的实验项目，从最基础的 tool server 到复杂的异步 Agent 编排，全部可跑、可改、可调试。
92 个配套实验中，70+ 是完全独立可运行的——不需要在 92 个项目间跳转依赖。
2. 社区驱动的全球本地化
这不是「中文书被机器翻译成英文」的敷衍产物。7 种语言的翻译全部由社区贡献者完成——每个人都是该语言的母语使用者：
- 英文：@nsdevaraj、@whanyu1212
- 正体中文：@tigercosmos
- 俄语：@ui99ru
- 泰米尔语：@nsdevaraj
- 越南语：@toanalien
- 日语：@eltociear
中文是原版，其他语言是社区翻译。这种模式让书的影响力突破了语言壁垒——一个泰米尔语的印度开发者可以通过翻译版系统学习 AI Agent 知识。
3. 从「能用」到「能审计」
第 6 章「Agent 的评估」和第 8 章「Agent 的持续进化」是其他 AI 书籍很少涉及的内容。大多数教程止步于「你看，Agent 能做了！」——但这本书追问：「做得对不对？如何证明？出了问题怎么改进？」
作者引入了评估环境、统计显著性检验、评估驱动的模型选型决策流程——这些思维来自传统的机器学习工程实践，但在 AI Agent 领域几乎是一块空白。
适合谁读？
| 人群 | 推荐章节 | 收获 |
|---|---|---|
| LLM 应用开发者 | 第 1-5 章 | 从调 API 到工程化 Agent |
| AI 创业者 | 第 2、4、5 章 | 上下文和工具链的竞争壁垒在哪 |
| ML 工程师 | 第 6-8 章 | Agent 评估与训练的方法论 |
| 学生 / 自学者 | 全部 10 章 + 92 个实验 | 体系化学习，边读边跑 |
| CTO / 技术负责人 | 第 1 章 + 各章开篇 | 快速建立 AI Agent 技术全景 |
局限与注意事项
- 不是零基础读物：假设读者有 Python 基础和基本的 ML/NLP 概念。完全没有编程背景的人可能需要先补前置知识。
- 更新快速 = 可能不稳定：791 个 commits，main 分支日更——这是优点也是缺点。PDF 版本通过 Releases 固定，建议以 Release 版本为准。
- 硬件要求：第 7 章（训练）和第 9 章（机器人）的部分实验需要 GPU 或真实硬件。
如何开始阅读？
零成本快速体验：
- 在线阅读：bojieli.github.io/ai-agent-book——支持多语言切换、全文搜索、配套实验直达
- 下载 PDF：Releases 页面——7 种语言的 PDF/EPUB 均可免费下载
- 克隆实验：
git clone https://github.com/bojieli/ai-agent-book.git+ 按章的 README 指引，动手跑第一个实验
学习建议（来自官方指南）：
- 每章读完后先跑 1-2 个实验巩固理解
- 第 1-5 章是核心基础，建议按顺序阅读
- 第 6-10 章可根据兴趣自由穿插
总结
- 「Agent = LLM + 上下文 + 工具」这公式值一星——它把一个模糊的概念拆成了三个可工程化的组件
- 92 个实验是无可替代的价值——理论可以复制，但「跑得通的代码」需要大量投入
- 7 种语言的全球影响力——这是中文开源 AI 内容走向世界的一个标杆案例
- 21k Star 不是终点——这本书正在变成 AI Agent 领域的「CS:APP」级别的经典教材
如果你 2026 年只读一本关于 AI Agent 的书，就是这一本。
信息来源：GitHub 仓库 bojieli/ai-agent-book README（2026.07.27），约 20,000+ 字正文。全书代码和正文均为 Apache 2.0 开源。
