Agentic Research
Agent 學習地圖 · 站點 ★

結業專題

「能不能獨立做出一個能安全交付的小型 Agent 專案?」

完成後你能:完成指定專題並通過評分標準。

3–20 小時(兩種規格)4 堂對應課程官方完整版

📌 學習目標

  • 把「我讀完地圖」變成「我有一個能展示的作品+一份自己給自己的評分」。
  • Track A:組一條你會重複用的 CLI-agent 工作流,把一件手動做的事自動化(3–8 小時)。
  • Track B:設計、實作並評測一個小型系統 — Multi-agent(≥2 個分工 agent)或 RAG 管線二選一(8–20 小時)。
  • 用四級 rubric(未達/基本/良好/優秀)誠實自評;誠實打分比分數高更有用。

進入條件

Track A:Stage 0–2+A1+A2+Stage 5 核心 5.1–5.4+A3 通過自我檢查。Track B:Stage 0–8 全部通過自我檢查。選你真的有的一個問題(工作上、研究上、生活上),別挑玩具題目 — capstone 的價值來自真實。

🧭 本站課程

按建議順序讀;勾選結果與 /learn 課程頁共用同一份瀏覽器進度。
本站進度
0/4
進度只存在你的瀏覽器
  1. 01
    七步打造你的第一個 AI Agent:從環境準備到最小上線的完整走法

    改編自 MIT 授權的 awesome-agentic-ai-zh 整合教學:用一個「論文小助理」專案,把環境準備、第一次 LLM 呼叫、Prompt 四格、Tool Use、迴圈與反思、RAG 記憶、Eval 與觀測、最小操作介面串成七步。每步附可執行的最小程式碼與安全底線,Ollama 本機路徑 API 費用為 0。

    13 分鐘
  2. 02
    Agent 框架能力矩陣:Hermes → OpenClaw → Claude Code 全能力總覽

    一張矩陣看懂三層 Agent 框架的全能力分佈:搜索 API、大模型後端、MCP 協議、技能系統、角色分工、通訊渠道。

    10 分鐘
  3. 03
    自建投研系統:從技能庫到驗證門控的完整設計

    把前面各篇的方法收攏成一份完整藍圖:資料、技能、編排、驗證、輸出五層架構,技能庫的輸入輸出契約設計,從格式驗證到低信心棄權的五道門控,覆蓋率與準確率分開統計的原因,評測集建構七步法,上線後的維運機制,以及從單人工具到團隊系統的四階段演進路徑。

    24 分鐘
  4. 04
    週末做出一個能用的原型網站:從想法到可分享連結

    想驗證產品想法,不必等工程師排期。這篇用 v0、Lovable、Bolt 這類 AI 生成工具,帶你把想法收斂成一頁規格、產出第一版、接資料庫與登入、部署成可分享連結、找真實使用者試用,並講清楚哪些需求該停下來改找人。

    10 分鐘

🎯 精選資源

資源適合誰推薦度為什麼推薦
官方定義
CAPSTONE.md(上游完整定義)
所有走完軌道的人⭐⭐⭐⭐⭐題目、必要條件與兩軌 rubric 的原始定義;各 stage 的通過條件仍以該 stage 檔案為準。
進度記錄
PROGRESS.md(上游進度表)
想逐站記錄完成⭐⭐⭐⭐上游的學習進度表;本站地圖的勾選進度也存在你自己的瀏覽器。

🛠 動手練習(官方版)

完整練習與 starter code

練習摘要取自上游教材;完整程式碼、成本與延遲估算見官方版。

  1. 必要條件(缺一不可,兩軌共通):有明確輸入 → 產出可用成品;能被別人重跑(安裝、設定、執行、預期輸出);處理至少 1 種失敗情況。
  2. Track A 必要條件:用一個 CLI agent 當核心;至少接 1 個 MCP server 或自寫 skill/command。交付:repo+README+一次真實執行證據+150 字內反思。
  3. Track B 必要條件:有 tool use、對外 interface(CLI/API/chat)、明確 evaluation(≥5 個 development+3 個 frozen holdout cases,寫清成功條件、grader、trial 次數與 baseline)、失敗模式分析、架構草圖。
  4. 依身分換場景就好:研究人員做文獻問答、開發者做 CI review agent、教師做出題輔助、知識工作者做會議記錄轉行動項、日常使用者做重複雜務自動化。
  5. 展示方式:成品+rubric 自評放到 repo 或 Discussion;描述用具體事實(做了什麼、量到什麼),避免「最強」話術。

✅ 自我檢查

  • 問題是真的、會重複出現,而且我能說清楚輸入與預期產出。
  • 別人照我的 README 能重跑一次,並看到預期輸出。
  • 至少一種失敗情況有明確處理,程式不會默默壞掉。
  • Track B:Eval 有版本、holdout 沒被拿來調參、baseline 對照寫得出來。
  • 反思具體:指得出哪個架構或元件選擇錯了、重來會怎麼改。

本站點改編自 awesome-agentic-ai-zh(MIT 授權,作者 Wenyu Chiou)v2026.09.23,資源連結查核日 2026-08-27。星級為學習優先順序(⭐⭐⭐⭐⭐=不看會卡住),非人氣排名。 MIT License · 課程結構最後更新:2026-10-03。內容持續補齊中,標記「撰寫中」的課程尚未上線。