[!IMPORTANT] 下次討論時間：11/1(日) 台灣時間晚上9:00-10:30，討論單元：Agent 基礎與 LLM 系統觀

Agent Atlas 技術與實戰交流

AI Agents 技術與實戰交流的共筆與共享資源。

📚 課程資料：Agent Atlas｜AI Agents 統一課程資源

🎥 線上聚會：Google Meet

👥 貢獻者：貢獻者名單

Agent Atlas 把 CMU、Stanford 與 Harvard 的七門課程串成一條 AI Agent 學習路線，整理成 12 個單元：從建構 Agent、驗證能力，一路走到軟體交付與持續改進。技術與實戰交流依照這條路線進行，這個 repo 用來放大家的筆記、討論紀錄和延伸資源。

單元順序是 Agent Atlas 建議的路線，不是原校的官方課綱。原始教材的版權屬於各課程作者。

目錄結構 #

.
├── notes/                        # 共筆：單元 / 名字 / index.md
│   ├── template.md
│   ├── 01-agent-foundations/
│   │   └── jimmy/
│   │       └── index.md
│   └── ...
├── discussions/                  # 聚會紀錄：日期 / index.md
│   ├── template.md
│   └── 2026-10-18/
│       └── index.md
└── projects/                     # 實作與整合專題：名字 / index.md
    ├── template.md
    └── jimmy/
        └── index.md

每個資料夾的入口都是 index.md。同一個資料夾裡的其他檔案（拆開的子筆記、圖片、程式碼片段）怎麼命名由作者自己安排，記得從 index.md 連過去。

建議的單元資料夾名稱：

01-agent-foundations        05-context-memory-multi-agent   09-applications
02-tools-and-harness        06-evaluation-observability     10-deployment-performance
03-rag-and-knowledge        07-training-self-improvement    11-ai-native-software-engineering
04-reasoning-planning       08-safety-reliability           12-capstone

學習路線 #

先備知識：Python、基本機器學習與 LLM 使用經驗。單元 10 另外建議有 PyTorch 與電腦系統的背景；CMU 11-664/763 適合有 NLP 與語言模型基礎的人，可以從機率、取樣與搜尋開始，再接推論服務實作。CS146S 要求有扎實的程式能力（約 Stanford CS111/CS161 的程度），但不需要先用過 AI 工具；它的軟體交付流程可以和整合專題同時進行。

整合專題：Agent Atlas 建議用同一個研究助理專題走完七個階段：釐清需求與風險 → 研究、提案與規格 → MCP 與可重用 Skills → 準備 Agent 能理解的程式庫 → 實作並驗證能力 → 獨立審查與修正 → 發布、量測與持續維護。這是 Agent Atlas 設計的自學建議。

原始課程 #

Side Project 點子 #

想邊讀邊動手的話，可以從下面挑一個題目。來源包含比賽、課程作業、開源專案和社群上的實驗，每個點子都標了最相關的單元，方便對照技術與實戰交流進度。做出來的東西歡迎放進 projects/<你的名字>/。

資料整理於 2026 年 10 月。比賽期限、規則和排行榜常常變動，請以官方頁面為準。

比賽與排行榜 #

課程作業與專題 #

原始課程本身的作業和期末專題也是很好的題目，但記得遵守下面的注意事項，不要公開作業解答。

從開源專案出發 #

建議的玩法：先讀懂，再用自己的方式重做一次，最後改一個你在意的地方，然後量量看效果。

社群上的有趣實驗 #

這些實驗在 X、YouTube、Twitch 上傳得很廣，很適合做成縮小版。

在 YouTube、X、LinkedIn 上看到有趣的 agent 實作，歡迎直接發 PR 補進來，一兩句話說明它在做什麼就好。

如何貢獻 #

1. notes/、discussions/、projects/ 底下都有一份 template.md，複製到對應的資料夾、改名為 index.md 再開始寫：
   • 筆記：notes/<單元>/<你的名字>/index.md，例如 notes/01-agent-foundations/jimmy/index.md
   • 討論紀錄：discussions/<聚會日期>/index.md，例如 discussions/2026-10-18/index.md
   • 專題：projects/<你的名字>/index.md，例如 projects/jimmy/index.md
2. 資料夾裡除了 index.md，其他檔案的名字和拆法由作者自己決定。
3. 引用原始教材時附上連結（投影片、影片、論文），方便大家回到原始資料。
4. 延伸資源放在筆記的「延伸閱讀」，每一項寫一兩句說明：這份資源在講什麼、為什麼值得看。
5. 修改別人的筆記前，先在github issues或聚會時跟作者說一聲。
6. 第一次貢獻時，把自己加進貢獻者名單。請照 GitHub username 的字母順序排，格式如下：

   ## [@你的-github-username](https://github.com/你的-github-username)
   
   - 名字：<希望大家怎麼稱呼你>
   - <任何你想公開的資訊，例如自我介紹、正在研究什麼、個人網站、社群帳號>
   

   只有 GitHub username 是必填，其他想寫什麼、寫多少都可以。

在本機預覽網站 #

repo 裡的 Markdown 和 HTML 檔案合併進 main 之後，會自動發布到 GitHub Pages。想先看看自己的筆記在網站上長什麼樣子，可以在本機預覽（需要 Node.js 20 以上）：

cd .github/pages
npm ci             # 第一次才需要
npm run preview

用瀏覽器打開 http://localhost:4000/ 就能看到網站。新增或修改檔案後，網站會自動重新建置，瀏覽器也會跟著重新整理；還沒 commit 的新檔案也看得到。按 Ctrl+C 結束預覽。如果 4000 port 被占用了，可以換一個，例如 npm run preview -- 4001。

注意事項 #

教材與作業 #

• 不要上傳原課程的投影片、影片或講義檔案，請用連結。
• 各課程的作業可能仍在進行中，請不要公開張貼作業解答；分享自己的思路與實作心得沒問題。

使用 AI #

歡迎用 AI 輔助學習。原則只有一個：AI 幫你讀懂，但不代替你讀懂。

• 先讀原文，再問 AI：AI 摘要不能取代原始教材，導讀人尤其要親自讀過投影片、影片和指定閱讀。卡住的時候再請 AI 換個方式解釋、舉例子，或補先備知識。
• 用 AI 檢查自己懂了沒：讀完先用自己的話寫一段說明，再請 AI 挑錯、追問，或出幾題考自己。這比請它寫摘要有用得多。
• 查證來源：AI 可能編出不存在的論文、引用或 API，agent 領域變化又快，它的知識也常常過時。筆記裡的引用和連結要親自點開確認；模型、框架和 benchmark 的最新數字以官方頁面為準。
• 筆記用自己的話寫：可以請 AI 潤稿、整理格式或翻譯，但「我的理解與疑問」請自己寫，這是筆記最有價值的部分。不要把 AI 產生的摘要直接貼成筆記。
• 標示 AI 協助的部分：在筆記開頭的「AI 使用說明」欄位寫下用了什麼工具、做了哪些事。大段由 AI 產生的內容（摘要、程式碼、圖表），也在旁邊註明，例如「（AI 協助整理，已對照原文）」。
• 遵守課程的 AI 政策：正式修課的人，作業能不能用 AI、可以用到什麼程度，請依各課程的規定。
• 不要把不該外流的東西交給 AI：需要登入才能取得的教材與錄影、別人還沒公開的筆記、個人資料和 API 金鑰，都不要貼進 AI 服務。使用前看一下服務會不會拿你的資料去訓練。
• 讓 coding agent 在安全的環境裡跑：很多 side project 會讓 agent 執行它自己寫的程式，請在容器或沙盒裡跑，不要給它正式環境的權限。commit 前自己看過 diff，金鑰放在 .env 並加進 .gitignore。
• 注意花費：呼叫 API 的實驗很容易越跑越貴。先設好用量上限，用便宜的模型把流程跑通，再換大模型。
• 把用 AI 的經驗帶來分享：這是讀 AI Agent 的技術與實戰交流，你每天用的 AI 工具就是很好的觀察對象。它在哪裡出錯、哪個 prompt 或工作流程特別有效，都可以寫進筆記或在聚會時分享。聚會中遇到大家都答不出來的問題，也可以現場問 AI，再一起檢查它答得對不對。