在 YouTube 学 AI Agent:10 位作者的系统学习路线
比较代表视频、理解覆盖范围,把观看转化为经过验证的项目。
来源与版本详情
本文目录
选择学习路线
1. 概念入门
Jeff Su → IBM → Tina Huang:先区分模型调用、固定工作流和模型自主选择工具,再用 Karpathy 补底层原理。
2. Python 工程
Tina Huang → Dave Ebbelaar → Cole Medin:先实现一个有界 Agent,再决定是否引入框架。用 Andrew Ng 的课程框架比较设计模式,不默认增加 Agent 数量。
3. 低代码工作流
Tina Huang → Nate Herk:复杂集成前先理解 JSON 和 HTTP。可视化编辑器仍然需要明确的权限、幂等、错误处理和维护责任。
4. 商业交付
Liam Ottley → Dave Ebbelaar,并用 Google Cloud Tech 了解云端背景。选工具前先定义客户问题与验收标准;演示成功不等于能够承诺服务等级。
视频可用时通常可免费观看,但模型、托管、API 或配套课程可能收费。本页不预加载 YouTube 播放器,不发送实验数据;打开视频后适用 YouTube 的隐私规则。不以订阅量或收入承诺作为质量依据。
六阶段课程:从模型调用到可靠服务
以下六课是 Token Lab 的系统化导读,把视频与工程知识、同一个只读 SRE 项目连接起来,不表示每条视频都覆盖所有要求。先理解本节解释,再观看所选材料,最后完成文末实践。
1. 模型、工作流与 Agent
学习顺序与先修理解
先找到决策边界:下一步是程序预先规定的,还是由模型根据观察选择的?本阶段需要理解函数的输入和返回值,不要求先掌握微积分。Jeff 与 IBM 帮助建立分类,Karpathy 补充模型基础;它们回答不同的问题,不是互相替代的入门课。
机制与设计取舍
模型根据上下文产生输出;工作流用程序规则连接步骤;Agent 增加反复进行的“观察—决策—行动”循环,但允许执行什么仍由运行时控制。更长的提示词不会自动带来持久状态、权限或停止条件。推理时改变上下文,也不等于更新模型权重。
贯穿 SRE 案例的进一步展开
贯穿案例:推理服务错误率上升。固定流程总是读取指标和近期部署;Agent 则可以根据结果选择下一项只读查询。无论哪种方案,都不能由模型自行授予重启生产服务的权限。
建议观看顺序: Jeff Su → IBM Technology → Andrej Karpathy
2. 工具契约与执行循环
学习顺序与先修理解
接下来理解 JSON 对象、必填字段、类型、HTTP 状态码与异常。这些是生成文本进入可执行软件的边界。用 Tina 认识组件,再用 Dave 理解职责分离。先完整追踪一次工具调用,再增加工具数量。
机制与设计取舍
工具需要名称、用途、参数结构与实现。模型仅提出调用,执行器先核查名称、参数和授权,再运行代码。返回结果作为不可信证据进入上下文,策略再选择下一步。必须限制步数与总时间;符合 JSON 结构不等于事实正确,更不等于拥有权限。
贯穿 SRE 案例的进一步展开
SRE 助手只开放 read_metrics、read_pods 等限定工具,并由服务端绑定作用域。不要提供通用 Shell,也不要让模型任意填写集群 URL。结果携带证据 ID,使最终报告可以追溯真正读取过的数据。
建议观看顺序: Tina Huang → Dave Ebbelaar / Datalumina
3. 上下文、检索与记忆
学习顺序与先修理解
引入向量数据库前,先区分模型当前输入、可检索知识、持久执行记录。它们解决的是不同问题。视频应配合 RAG 综述学习:简短 Agent 演示不能替代对数据摄取、检索质量与证据充分性的理解。
机制与设计取舍
检索负责选出相关资料,工作上下文保存当前任务所需信息,执行存储记录进度与结果。记忆条目需要作用域、来源和有效期。摘要可以缩短输入,但可能丢失约束。检索到的指令仍然属于数据,文档不能替代工具授权。
贯穿 SRE 案例的进一步展开
旧 Runbook 可能对应上一代部署。保存正文时同时保留版本,并与当前服务版本对照;不一致时应报告证据冲突,而不是默认旧手册仍然正确。
建议观看顺序: Andrej Karpathy → Dave Ebbelaar / Datalumina → Nate Herk
4. 状态图、规划与人工审批
学习顺序与先修理解
当分支与恢复点变得重要时,状态图才有价值。先理解状态和转移:下一步允许做什么、必须已有哪些数据、什么条件结束执行?Cole 提供图结构视角,Andrew Ng 的课程介绍提供设计模式词汇,但它并不是完整课程。
机制与设计取舍
规划提出步骤,编排强制执行合法转移;反思提出修改,评测判断修改是否有效。多 Agent 可以拆分职责或上下文,也会增加协调与失败路径。审批应绑定具体动作及其输入,参数改变后应重新审批。
贯穿 SRE 案例的进一步展开
采用“采集→判断→报告”,证据不足时回到采集,但设置硬性循环上限。重启提案进入审核,不能直接流向集群工具。现有 SRE 教程仍为只读实现;审批执行器属于独立扩展。
建议观看顺序: Cole Medin → Andrew Ng / DeepLearning.AI → Nate Herk
5. 可靠性、安全与评测
学习顺序与先修理解
从“成功回答一次”转向可重复的行为。接入真实用户前,需要理解超时、重试、幂等和最小权限。视频演示只是示例,不是可靠性测量;安全与评测综述用来补齐这些缺口。
机制与设计取舍
超时不代表外部动作没有成功:服务端可能已经提交,只是响应丢失。盲目重试会重复副作用,因此要保存请求身份和结果。质量上也要区分“完成协议”“引用来源”“结论被证据支持”,三者不是同一指标。
贯穿 SRE 案例的进一步展开
事故报告即使引用了真实 Pending Pod,也可能错误地断言它导致全部请求失败。因果关系未证明时保留“根因尚未确立”。重放同一事故应返回历史报告,不能伪装成重新观察。
建议观看顺序: Dave Ebbelaar / Datalumina → Nate Herk → IBM Technology
6. 部署、成本与交付责任
学习顺序与先修理解
循环能够解释清楚之后,再决定运行位置。先理解容器、密钥、服务身份、持久存储与网络边界。Google 短访谈提供方向,Liam 讨论商业化,但都不能替代部署手册。
机制与设计取舍
私有 Service、进程健康探针和持久卷分别解决不同问题,都不能证明回答质量。模型调用、检索、重试与人工审核要分别计入预算。明确维护人、数据保留和回滚;收费自动化还需要验收约定和异常处理责任。
贯穿 SRE 案例的进一步展开
交付只读 SRE 助手时附事故结构、镜像版本、配置、请求样例、预期报告和恢复说明。明确列出尚缺的实时采集器与身份认证。本机演示是教学里程碑,不能作为生产就绪证明。
建议观看顺序: Google Cloud Tech → Liam Ottley → Dave Ebbelaar / Datalumina
代表视频与内容范围
AI Agents, Clearly Explained
从单次 LLM 调用、预先编排的工作流,讲到能够选择工具的 Agent。适合先建立分类,避免把任何带模型的自动化都叫作 Agent。
英文视频;字幕请以 YouTube 为准。
在 YouTube 观看 ↗https://www.youtube.com/watch?v=FwOTs4UxQS4Deep Dive into LLMs like ChatGPT
解释聊天助手底层的大语言模型,适合补原理。它不是 Agent 部署课程;作者另有面向实现的 Zero to Hero 系列。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=7xTGNNLPyMIBuilding AI Agents In 44 Minutes
公开章节先讲定义、组件、工作流与提示,再展示 n8n 案例和 Agents SDK 金融研究示例,适合把概念连接到实现方式。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=_Udb5NC6vTIHow to Build Reliable AI Agents (without the hype)
以推理、记忆、工具、校验、控制、恢复和反馈组织可靠性。同站工程文章强调先设计明确的流程,再有选择地调用模型,而不是把全流程交给 LLM。
英文视频;字幕请以 YouTube 为准。
在 YouTube 观看 ↗https://www.youtube.com/watch?v=T1Lowy1mnEg精选章节直达
- 7:56 · 模型能力https://www.youtube.com/watch?v=T1Lowy1mnEg&t=476s
- 9:08 · 记忆https://www.youtube.com/watch?v=T1Lowy1mnEg&t=548s
- 10:56 · 工具https://www.youtube.com/watch?v=T1Lowy1mnEg&t=656s
- 13:08 · 校验https://www.youtube.com/watch?v=T1Lowy1mnEg&t=788s
- 16:53 · 控制https://www.youtube.com/watch?v=T1Lowy1mnEg&t=1013s
- 20:59 · 恢复https://www.youtube.com/watch?v=T1Lowy1mnEg&t=1259s
- 23:06 · 反馈https://www.youtube.com/watch?v=T1Lowy1mnEg&t=1386s
What are AI Agents?
Maya Murad 讲解从单一模型走向结合数据库与外部工具的复合 AI 系统,适合建立系统视角。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=F8NKVhkZZWIAI Agents: From concept to code
短访谈讨论 Agent 的定义、构建方式与编码考虑。适合作为方向介绍,并不是一套从头到尾的 Vertex AI 部署实验。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=8Yx0HW0bA_oTHE BEST Tool for AI Agent Workflows - LangGraph FULL Guide
作者配套笔记介绍状态、节点、条件边,以及分支和 Agent—工具循环。旧示例适合理解架构,当前库 API 需要另行核对。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=w_HeP0A2MF8How to Build & Sell AI Agents: Ultimate Beginner’s Guide
课程简介分为基础、场景构建和商业化三部分。适合学习业务交付思路,不应把它当作收入保证。
英文视频;字幕请以 YouTube 为准。
在 YouTube 观看 ↗https://www.youtube.com/watch?v=w0H1-b044KYLearn to build effective Agentic AI systems with Andrew Ng
这是 Agentic AI 课程介绍,不是完整课程视频。介绍反思、工具使用、规划、多 Agent 工作流,并将评测和 Python 实现列为课程目标。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=w7vqXL4PWEEBuild & Sell n8n AI Agents (8+ Hour Course, No Code)
章节覆盖 n8n、JSON、API、Agent 构建、输出解析、人工审核、错误流程、Webhook 与自托管。建议先选一个项目,不要同时复制所有集成。
英文视频;字幕请以 YouTube 为准。 原视频发布日期:
在 YouTube 观看 ↗https://www.youtube.com/watch?v=Ey18PDiaAYI精选章节直达
- 12:05 · 基础https://www.youtube.com/watch?v=Ey18PDiaAYI&t=725s
- 51:25 · 检索增强生成https://www.youtube.com/watch?v=Ey18PDiaAYI&t=3085s
- 129:54 · APIhttps://www.youtube.com/watch?v=Ey18PDiaAYI&t=7794s
- 240:26 · 首个 Agenthttps://www.youtube.com/watch?v=Ey18PDiaAYI&t=14426s
- 346:25 · 人工介入https://www.youtube.com/watch?v=Ey18PDiaAYI&t=20785s
- 362:16 · 错误处理https://www.youtube.com/watch?v=Ey18PDiaAYI&t=21736s
- 439:49 · 自行托管https://www.youtube.com/watch?v=Ey18PDiaAYI&t=26389s
实践与验证——Token Lab 原创练习
Jeff Su
为客服分流画三种方案:单次模型调用、固定路由、有界工具循环。标明下一步由谁决定,再选择满足需求的最简单方案。
Andrej Karpathy
解释“把工具结果放入上下文”和“更新模型权重”的区别。先观察 token,再运行小型语言模型项目,避免把上下文变化误认为模型已经学会新知识。
Tina Huang
先复现一个只读案例,在增加第二个场景前写清输入结构、允许工具、停止条件及回答必须引用的证据。金融示例只用于软件练习。
Dave Ebbelaar / Datalumina
将这七项职责映射到 SRE 项目的具体文件,逐项说明什么错误可重试、什么错误必须停止,以及重复请求为什么不能重复执行外部动作。
IBM Technology
分别画出模型、数据存储、工具执行器和用户。补上信任边界:检索文本是数据,不是执行授权,并说明权限由哪个组件强制执行。
Google Cloud Tech
选择云运行时前先明确身份、模型访问、工具凭据、网络出口和可观测性。把可移植的 Agent 逻辑与云厂商部署配置分开。
Cole Medin
实现三个状态:采集证据、判断充分性、回答或停止。明确循环上限,并测试“工具结果已保存、下一次模型调用之前”中断后的恢复。
Liam Ottley
写一页试点方案:买方、原流程、可测基线、验收门槛、数据权限、维护负责人和回滚。核算完整交付成本,而不只算 token。
Andrew Ng / DeepLearning.AI
固定同一组任务,对比直接生成与一次有界修订,记录正确率、延迟和调用次数。反思和增加 Agent 都不是自动提升质量,必须有对照证据。
Nate Herk
构建仅生成草稿、需要审批的客服流程。重复发送 Webhook、移除凭据、制造超时;应记录失败并避免重复发送。验证前只用模拟工具。
最后交付一个只读 SRE 事故助手,输出区分已观察事实、假设、缺失证据和建议动作。用同一组保存的事故比较确定性基线与模型策略,记录任务完成、无证据因果断言、工具失败、延迟和调用次数,并覆盖过期证据、重复请求、权限缺失和工具输出注入。评分:1 分仅能复述名词;2 分复现正常路径;3 分可复现失败并解释边界;4 分完成含成本的公平对照;5 分能论证设计、恢复并迁移到新事故。均为原创练习标准,不是公司真题。
原始资料与延伸阅读
- Jeff Su — AI Agents, Clearly Explainedhttps://www.youtube.com/watch?v=FwOTs4UxQS4
- Andrej Karpathy — Deep Dive into LLMs like ChatGPThttps://www.youtube.com/watch?v=7xTGNNLPyMI
- Tina Huang — Building AI Agents In 44 Minuteshttps://www.youtube.com/watch?v=_Udb5NC6vTI
- Dave Ebbelaar / Datalumina — How to Build Reliable AI Agents (without the hype)https://www.youtube.com/watch?v=T1Lowy1mnEg
- IBM Technology — What are AI Agents?https://www.youtube.com/watch?v=F8NKVhkZZWI
- Google Cloud Tech — AI Agents: From concept to codehttps://www.youtube.com/watch?v=8Yx0HW0bA_o
- Cole Medin — THE BEST Tool for AI Agent Workflows - LangGraph FULL Guidehttps://www.youtube.com/watch?v=w_HeP0A2MF8
- Liam Ottley — How to Build & Sell AI Agents: Ultimate Beginner’s Guidehttps://www.youtube.com/watch?v=w0H1-b044KY
- Andrew Ng / DeepLearning.AI — Learn to build effective Agentic AI systems with Andrew Nghttps://www.youtube.com/watch?v=w7vqXL4PWEE
- Nate Herk — Build & Sell n8n AI Agents (8+ Hour Course, No Code)https://www.youtube.com/watch?v=Ey18PDiaAYI
- Andrej Karpathy — LLM coursehttps://karpathy.ai/llm-course/
- Datalumina — How to build reliable AI agentshttps://academy.datalumina.com/blog/how-to-build-reliable-ai-agents
- Cole Medin — companion noteshttps://github.com/coleam00/cole-medin-knowledge-base/blob/main/sources/the-best-tool-for-ai-agent-workflows-langgraph-full-guide.md
- DeepLearning.AI — Agentic AIhttps://www.deeplearning.ai/courses/agentic-ai