实战

4 万 star 的 AI Agent 开源书:103 个实验 + 14 种语言,作者一人是怎么撑起来的

李博杰把一本 10 章的 AI Agent 书做成 GitHub Trending 项目,103 个实验配套跑通,14 种语言靠社区翻译迭代。这篇拆解它的内容工程、版本管理和社区运营链路。

字号

4 万 star 的 AI Agent 开源书:103 个实验 + 14 种语言,作者一人是怎么撑起来的

GitHub 上关于 AI Agent 的项目很多,框架更多:LangChain、AutoGen、CrewAI、LangGraph、Agno……但翻一圈下来你会发现,讲清楚"Agent 到底是什么、为什么这么设计"的书几乎没有。

大部分内容是博客、教程、README,零散在各处。想系统补一下 Agent 基础,要么读论文,要么拼凑十几个 Medium 链接。

李博杰(GitHub: bojieli)做了一件不同的事:写了一本 10 章的中文开源技术书 bojieli/ai-agent-book,配 103 个可跑实验,14 种语言翻译,Apache-2.0 协议。40,004 stars,上过 GitHub Trending Project of the Day。

这不是软件框架,不能 pip install。它解决的是另一个问题:"想系统理解 Agent 但被零散博客和框架 README 淹没"。


它解决什么问题

书的中心公式就一句话:

Agent = LLM + 上下文 + 工具

围绕这个公式展开 10 章正文 + 103 个独立实验。不卖框架、不卖 API、不接融资。

交付方式四种:

  • 在线阅读:bojieli.github.io/ai-agent-book
  • 离线 PDF / EPUB,release 页面下载
  • GitHub 仓库内的 Markdown 原文
  • 各章 code 目录里的实验代码

PDF/EPUB 链接固定指向 latest,作者每次 push 触发 CI 重编译后,URL 不变,用户永远拿到最新版。这是 GitHub Releases 一个常被忽略的好用法。


怎么用

三种典型路径:

路径 1:先通读

在线站点打开,左侧目录切换章节,右上角切语言。全文搜索可用。离线党直接下 PDF,扔 Kindle。

路径 2:边读边跑

git clone https://github.com/bojieli/ai-agent-book.git
cd ai-agent-book
ls
# 你会看到 chapter1/ chapter2/ ... chapter10/ 这样的目录结构

每个 chapter 目录里一个 README 列依赖清单,配上 OPENAI_API_KEY 环境变量,pip install 完直接 python xxx.py。

路径 3:拿来当团队教材

一本中文书 + 配套实验 + 多语言版本,技术负责人拿来带组内学习 Agent 基础,比凑培训资料省事。

最快上手姿势:clone 后进第一章目录,看 README 装依赖,跑第一个 ReAct loop demo。


它怎么工作(架构)

三层结构:

内容层:Markdown 书稿,按章拆分。每章独立 chapterN/ 目录,对应正文和实验代码。

构建层:push 触发 GitHub Actions,自动编译 PDF/EPUB,发布到 GitHub Releases,链接固定指向 latest。

运营层:

  • GitHub Pages 托管在线阅读站点
  • 翻译分支:docs/en、docs/es、docs/id …… 共 14 种语言
  • 社区 PR 流程:翻译者 fork → 翻译自己的语言 → 提 PR → 作者合并

2.0 版本做了一次章节重组:原第四章"异步交互"和原第九章"多模态 Agent"合并成新第六章"交互:观察与动作空间的扩展",原 6/7/8 章顺延。老读者第一次打开会懵,要重新适应章节号。

关键流程一句话:作者写中文主分支 → 社区 fork 翻译 → PR 合并 → CI 自动构建多语言 PDF → release。

这套链路本身就是"如何做开源技术书"的范本。


它哪里好 / 哪里不好

好的地方:

  1. 内容资产扎实。40k stars、GitHub Trending Project of the Day,传播力比多数 Agent 框架还强。一人作者做到这个量级,靠的是书的系统性。
  2. 多语言门槛压到极低。release 链接固定 latest,用户永远拿到最新版。14 种语言覆盖(含希伯来语、泰米尔语、越南语、希腊语这种相对少见的选择),对全球开发者友好。
  3. "读 + 跑"闭环。实验和正文一一对应,看完理论马上能跑代码验证,比纯读体验好。

不好的地方:

  1. 不是软件框架。不能 pip install ai-agent-book,没法直接集成到生产。要落地还是得用 LangGraph、Agno 这类 SDK。
  2. 单点深度打折。实验代码更偏教学,少封装。和 LangChain 那种高度抽象的库比,单点深度不够深——书要照顾系统性,必须取舍。
  3. 翻译质量参差。14 种翻译靠社区驱动,作者只管中文原版。热门语言(英、西、印尼)迭代快,小语种可能滞后几个月。
  4. 2.0 章节号变了。老读者按旧版记的笔记要重排。

我试了下

clone 仓库约 2 分钟(看网络)。目录结构一眼就明白:根目录是书稿 Markdown,各章子目录是实验代码。

在线站点 bojieli.github.io 打开速度可以,全文搜索能用。中文字体渲染干净。下载中文 PDF 约 15MB,排版干净,代码块高亮正常。

挑了第二章(ReAct + Tool Use)的一个实验跑。需要 OPENAI_API_KEY,按 README 配置环境变量后能跑通单次推理循环。最小可运行版本大致长这样:

# ai-agent-book 第二章典型实验:ReAct 循环 + 单工具调用
import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

def get_weather(city: str) -> str:
    return f"{city} 今天晴,25°C"

TOOLS = {
    "get_weather": get_weather,
}

SYSTEM = """你可以调用工具。格式:
Action: <tool_name>
Action Input: <json>
Observation: <result>"""

def run_agent(question: str, max_steps: int = 5):
    messages = [
        {"role": "system", "content": SYSTEM},
        {"role": "user", "content": question},
    ]
    for step in range(max_steps):
        resp = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages,
        ).choices[0].message.content
        print(f"Step {step}:\n{resp}\n")
        if "Action:" in resp and "Action Input:" in resp:
            obs = get_weather("北京")
            messages += [
                {"role": "assistant", "content": resp},
                {"role": "user", "content": f"Observation: {obs}"},
            ]
        else:
            break

run_agent("北京今天天气怎么样?")

跑完输出 Step 0 包含 Action: get_weather 和 Action Input,Step 1 给出最终回答。ReAct 循环的骨架就这么点东西。

没跑全部 103 个实验——单章 3-5 个,全部跑完估计要一个周末。

总体印象:内容质量对得起 40k stars,更像"教材 + 实验手册",不是 SDK。


谁该用

适合:

  • 想系统补 Agent 理论基础的工程师——比零散博客效率高
  • 带团队学习 Agent 的技术负责人——一本中文书 + 配套实验能直接当内部教材
  • 对 Agent 多语言资料有需求的研究者/学生——14 种语言覆盖很全
  • 想学习"如何做开源技术书"的内容创作者——内容工程 + 多语言运营链路是范本

不适合:

  • 想要现成 Agent 框架直接上生产的——这不是 SDK
  • 只想跑一个具体 demo 的——103 个实验有学习成本
  • 期望代码像 LangChain 那样高度抽象的——书里代码更偏教学,少封装

如果你是 Agent 领域的开发者,这本书值得至少翻一遍第二章和第六章——前者是 ReAct + Tool Use 的最小实践,后者把"异步"和"多模态"合并讲,是 2.0 版本最有信息密度的一章。

参考:bojieli/ai-agent-book GitHub 仓库

来源: https://github.com/bojieli/ai-agent-book