六本在 GitHub 上开源的中文 AI 教材，从讲透 Agent 等于 LLM 加上下文加工具的《深入理解 AI Agent》，到把大模型算力账算明白的 AI Infra、蒲公英书第二版与通识版，以及谷歌 Agent 设计模式的 21 个模式中文译本。

01 《深入理解 AI Agent》

《深入理解 AI Agent：设计原理与工程实践》这本书挺不错的。

这个开源项目包括 PDF、配图、EPUB 和配套实验代码，现在有 4.9 万个 Star，还在持续更新。

我每天上下班就抽空看看，基本看完了。

全书围绕一个公式展开：Agent = LLM + 上下文 + 工具。模型之外的工程能力 Harness 才是竞争力所在。

可以看下目录，除了基础的上下文工程、记忆、Tool 之外。

还讲了一些模型后训练、Agent 进化、多 Agent 协作的相关东西。

干货满满。

开源地址：https://github.com/bojieli/ai-agent-book

02 《深入理解 AI Agent》姊妹篇

在上面《深入理解 AI Agent》之后，开发者博杰又开源了《深入理解 AI Infra：量化分析与系统设计》。

现在 4600 多个 Star。

讲的是怎么把大模型跑起来要花的资源账算明白。

打个比方，开餐厅前你得算清一天来多少客人、厨房要多大、食材从仓库到餐桌走多远、哪个环节可能会有问题。

算明白了这些才知道怎么安排。

调用一次大模型背后也是显卡的调度啥的，这本书就是教你逐项估出计算量、显存、带宽和功耗。

再对照硬件真实能力去推导系统该怎么设计。

延迟差几倍体验就完全不同，成本差一个数量级，商业模式可能都不一样了。

所以这本书涉及架构、推理与训练负载、分布式推理、推理优化啥的。

开源地址：https://github.com/bojieli/ai-infra-book

03 蒲公英书，出了第二版和通识版

邱锡鹏的《神经网络与深度学习》在中文圈被叫做蒲公英书。

第一版 2020 年出版之后，一直是不少人入门深度学习的第一本中文教材。

现在这个开源项目是第二版和通识版的电子稿，两个版本都能免费下载。

这个 GitHub 项目目前有 1.9 万个 Star。

通识版是少一些公式，用故事、案例和生活里的类比来解释神经网络和深度学习。

第二版就更偏向系统学习理论。

可以先用通识版建立直觉再看第二版啃理论。

开源地址：https://github.com/nndl/nndl

04 从数学角度讲强化学习

《强化学习的数学原理》，这本书目前有 1.8 万个 Star。

从数学角度讲强化学习，作者的目的是让读者不只知道算法怎么跑，还能明白它当初为什么被设计成这样，以及为什么有效。

读这本书不需要任何强化学习背景，但可能需要有概率论和线性代数的基础。

今年 3 月，伦敦政治经济学院的经济学讲席教授还写信给作者，说这本教材把强化学习讲得极为清晰，堪称一件艺术品。

美国南加州大学化学工程与材料科学副教授也来信，说书里对概念和算法的讲解深入浅出，很适合工程专业的学生。

两位学者分别来自经济学和化学工程领域，都在自己的课堂上用了这本教材。

中英文两套课程分别放在 B 站和 YouTube 上，全网播放量已经突破 270 万次。

开源地址：https://github.com/MathFoundationRL/Book-Mathematical-Foundation-of-Reinforcement-Learning

05 谷歌那本 Agent 设计模式，有中文版了

在谷歌工作多年的老哥写了一本《Agentic Design Patterns》，把构建 AI Agent 的套路整理成 21 个设计模式。

作者自己也把电子版免费放了出来。

开发者 xindoo 牵头把它翻译成了中文，正文 21 章加 7 个附录全都译完，现在有 8K 多个 Star。

可以看看下面这个目录。

包括提示链、路由、并行化、工具使用、规划、多智能体协作等等核心的介绍。

由浅入深。

后面几章就是比较复杂的场景，比如多个 Agent 怎么分工协作、记忆、 RAG 啥的。

还有一些偏工程落地的，比如安全防护、评估监控、资源感知优化啥的。

想读中文的话，浏览器访问 adp.xindoo.xyz。

清华大学出版社的中文纸质书《Agentic 智能体设计模式》也在卖。

开源地址：https://github.com/xindoo/agentic-design-patterns

06 从 CartPole 讲到大模型对齐，还能在浏览器里训练

WalkingLab 开源的 Hands-On Modern RL 是一个开源的强化学习实战教程。

主要讲的是基础强化学习和大模型对齐、Agentic 系统。

现在 4400 多个 Star。

每章都围绕一个具体的实验展开。

先用 CartPole 倒立摆这样的小游戏让你直观理解强化学习里面的状态、动作、奖励是怎么回事，再逐步深入到 DQN、PPO、RLHF、DPO、GRPO 等现代算法。

内容覆盖非常全面，共 7 大部分 26 章。

从经典的马尔可夫决策过程、价值函数、策略梯度，一直延伸到 LLM 后训练。

还包括工具调用 Agent、浏览器 Agent、视觉语言模型 RL，甚至具身智能和音频 RL。

每章都配有可运行的 Python 代码和真实的训练曲线，你可以亲自跑实验、改参数、观察结果，而不是只看公式推导。

开源地址：https://github.com/walkinglabs/hands-on-modern-rl