CategoryWeightCategory scoreContribution

Securityprompt, exec, net, exfil, eval

35%

14.0 pts

Supply chainhash, typosquat, maintainer, lockfile

20%

100

20.0 pts

Maintenancestaleness, pinning, CI

15%

100

15.0 pts

TransparencySKILL.md, perms, README

15%

100

15.0 pts

Communityinstalls, verify, response

15%

100

15.0 pts

Findings & checks · 5 flagged

Securityscore 40 · 5 findings

MEDIUMInstruction telling the agent not to ask for approvalSS-SKILL-INJECT-DONT-ASK-01 · Prompt injection · docs/09-驾驭工程/04-权限护栏与沙箱.md×5

MEDIUM — it fires on intent; the real damage depends on the host agent's own approval-gating.

Why it matters

The text {match} tells the agent to skip the normal "ask the user first" gate. Used adversarially it removes the human-in-the-loop check before destructive or sensitive actions, turning a normally-gated agent into a fire-and-forget executor.

The exact value spotted

excerptdocs/09-驾驭工程/04-权限护栏与沙箱.md· markdown

Occurrences

5 occurrences · first at L153, also L159, L572 +2 more

Show all 5 locations

Line

File

L153

docs/09-驾驭工程/04-权限护栏与沙箱.md

L159

docs/09-驾驭工程/04-权限护栏与沙箱.md

L572

docs/09-驾驭工程/04-权限护栏与沙箱.md

L580

docs/09-驾驭工程/04-权限护栏与沙箱.md

L611

docs/09-驾驭工程/04-权限护栏与沙箱.md

How to fix

Remove the approval-skipping instruction, or scope it narrowly to a specific safe, reversible action.

Delete blanket "don't ask / no need to confirm" directives from the skill.
If the skill is a genuine autonomous job, restrict the opt-out to a named non-destructive action rather than all actions.

Framework references

OWASPLLM01 ATLASAML.T0051

Trace & refs

ruleSS-SKILL-INJECT-DONT-ASK-01sha256916b0a531165cbd7…rubric 365aacaView on GitHub

Supply chainscore 100 · 0 findings

✓—All supply chain checks passedNo findings in this category for the latest scan.pass

Maintenancescore 100 · 0 findings

✓—All maintenance checks passedNo findings in this category for the latest scan.pass

Transparencyscore 100 · 0 findings

✓—All transparency checks passedNo findings in this category for the latest scan.pass

Communityscore 100 · 0 findings

✓—All community checks passedNo findings in this category for the latest scan.pass

The primary manifest — the file an agent reads to learn what this artifact does.

README.md · 1 file

README.md27.8 KB · Markdown

🤖 AgentLearn

AI Agent 从零开始构建智能体 — 全面、系统的开源学习教程

</div>

📖 项目简介

打造你的第一个 AI Agent，从认知到生产，一步到位。

🌐 国内访问：https://docs.minims.cn/share/agentlearn

AgentLearn 是当前最系统的开源 AI Agent 教程之一，内容同步至 2026 年 10 月 的最新技术栈。无论你是 AI 新手还是资深后端开发者，都可以在这里找到适合自己的成长路径。

📐 先读 [教程大纲](./docs/教程大纲.md) —— 全站结构、学习路径、能力矩阵的总览，帮你快速定位。

🔹 你将从「是什么」开始：理解 Agent、Chain、Tool、Memory、RAG、MCP 的核心概念 🔹 接着「动手做」：基于 LangChain v1 + LangGraph 1.2 搭建真实可运行的 Agent 应用 🔹 最终「上生产」：掌握多 Agent 协作、上下文工程、性能调优、安全防护与生产部署

🤖 AgentLearn 学习路径：
  基础概念 → LangChain v1 实战 → LangGraph 工作流 → RAG 系统 → 协议与生态 → 生产部署

本项目配套完整的 Python 包 agentlearn 和 12+ 个实战项目，代码即学即用。无论你想构建聊天机器人、自动化工作流、知识库问答系统还是多智能体协作平台，这里都有现成的模板和最佳实践。

已有 80+ 篇教程、~90 小时学习内容，全部免费开源。 🚀

🎯 项目仪表盘

指标	数据
📚 教程章节	9 大部分 · 80+ 篇文档
⏱️ 总学习时长	~90 小时
💻 可运行示例	12+ 个实战项目
📦 源代码包	agentlearn v1.0+
🐍 最低 Python	3.12+
🧠 核心框架	LangChain v1 + LangGraph 1.2
📝 最后更新	2026 年 10 月

</td> <td width="50%" valign="top">

✨ 项目特色

特色	说明
🎯 从零开始	无需 AI 基础，手把手教学
📚 系统全面	覆盖 Agent 开发全链路
💻 实战驱动	每个知识点都有可运行代码示例
🛠️ 技术前沿	LangChain v1 中间件 / LangGraph 1.2 / MCP 2026-07-28
📦 工程规范	使用 `uv` 管理，符合生产标准
🌐 生态与选型	涵盖 2026 年主流框架、协议与选型

</td> </tr> </table>

📑 目录导航

快速跳转至感兴趣的部分

章节	内容	适合人群
🟢 入门基础	AI Agent 概念、环境搭建、第一个 Agent	新手
🔵 核心概念	Prompt 与上下文工程、Chain、Agent 架构、记忆	新手
🟠 LangChain v1 实战	create_agent、中间件、工具调用、向量存储	进阶
🟣 LangGraph 进阶	状态管理、路由、子图、持久化、人机协同	进阶
🟤 RAG 系统	文档处理、向量数据库、Agentic RAG、GraphRAG、RAG 评估	进阶
🔴 高级主题	多 Agent、评估、成本控制、安全	高级
⚫ 生产部署	API 封装、Docker、可观测性、CI/CD	高级
🌟 生态与选型	框架对比、MCP/A2A 协议、工具生态、选型	所有
🛠️ Agent Harness	Agent=Model+Harness、十二大模块、权限沙箱、验证循环、实战、选型、源码解剖、清单模板	高级

🎯 学习目标

完成本教程后，你将能够：

<div>

#	技能	对应章节
✅	理解 AI Agent 的核心概念与工作原理	第一部分
✅	熟练使用 LangChain v1 构建生产级 Agent	第二、三部分
✅	掌握 LangGraph 设计复杂工作流（持久化/人机协同）	第四部分
✅	实现 RAG 系统，让 Agent 拥有知识库	第五部分
✅	构建多 Agent 协作系统并做好评测与成本控制	第六部分
✅	将 Agent 部署到生产环境并接入可观测性	第七部分
✅	掌握 MCP / A2A 协议，融入 2026 年 Agent 生态	第八部分
✅	掌握 Agent Harness 工程，构建可托付的生产级 Agent	第九部分

</div>

📚 内容大纲

🟢 第一部分：入门基础 (01-入门基础)

适合零基础入门，了解 AI Agent 是什么，搭建开发环境，运行第一个 Agent。

章节	内容	预计时间
1.1	AI Agent 导论	2 小时
1.2	开发环境搭建	1 小时
1.3	第一个 Agent	1 小时

🔵 第二部分：核心概念 (02-核心概念)

深入理解 LLM、Prompt 与上下文工程、Chain 模式、Agent 架构和记忆机制。

章节	内容	预计时间
2.1	Prompt 工程与上下文工程	3 小时
2.2	Chain 模式详解	2 小时
2.3	Agent 核心架构	3 小时
2.4	记忆机制	2 小时

🟠 第三部分：LangChain v1 实战 (03-LangChain实战)

掌握 LangChain v1（create_agent / 中间件 / 内容块）核心能力，实现工具调用与聊天 Agent。

章节	内容	预计时间
3.1	LangChain v1 核心组件	2 小时
3.2	模型调用与工具集成	3 小时
3.3	向量存储与检索	3 小时
3.4	构建聊天 Agent	2 小时
3.5	实战：研究助手	4 小时

🟣 第四部分：LangGraph 进阶 (04-LangGraph进阶)

学习 LangGraph 工作流引擎，掌握状态管理、条件路由、子图、持久化与人机协同。

章节	内容	预计时间
4.1	LangGraph 基础	2 小时
4.2	状态管理与节点	2 小时
4.3	条件路由与循环	3 小时
4.4	子图与模块化	2 小时
4.5	实战：工作流 Agent	4 小时

🟤 第五部分：RAG 系统 (05-RAG系统)

构建检索增强生成系统，让 Agent 拥有外部知识库。

章节	内容	预计时间
5.1	RAG 原理详解	2 小时
5.2	文档处理与分块	2 小时
5.3	向量数据库实战	3 小时
5.4	检索优化技巧	2 小时
5.5	实战：企业知识库	4 小时
5.6	RAG 评估	2 小时

🔴 第六部分：高级主题 (06-高级主题)

探索多 Agent 协作、评估优化、成本控制和安全合规。

章节	内容	预计时间
6.1	多 Agent 协作	3 小时
6.2	Agent 评估与优化	2 小时
6.3	成本控制策略	2 小时
6.4	安全与合规	2 小时

⚫ 第七部分：生产部署 (07-生产部署)

将 Agent 应用部署到生产环境，实现容器化、可观测性和持续集成。

章节	内容	预计时间
7.1	API 服务封装	2 小时
7.2	Docker 容器化	2 小时
7.3	可观测性、监控与日志	2 小时
7.4	持续集成/部署	2 小时

🌟 第八部分：生态与选型 (08-生态与选型)

俯瞰 2026 年 AI Agent 全生态，从框架对比到协议标准，做出最优选型。

章节	内容	预计时间
8.1	核心 Agent 框架全景对比	2 小时
8.2	多智能体协作模式深度解析	2 小时
8.3	工具调用与编排生态	1.5 小时
8.4	记忆系统全景	1.5 小时
8.5	低代码/可视化 Agent 平台	1.5 小时
8.6	专业领域 Agent	2 小时
8.7	评估与监控工具	1.5 小时
8.8	安全与沙箱	1.5 小时
8.9	选型指南与决策矩阵	2 小时
8.10	MCP 协议完全指南	2 小时
8.11	A2A 协议与 Agent 互操作	1.5 小时
📦 HiClaw 实践	HiClaw 教程 — Kubernetes 原生多 Agent 编排系统	专题
🧩 AgentScope 实战	AgentScope 教程 — 消息驱动的分布式 Agent 框架	专题

🛠️ 第九部分：Agent Harness（驾驭工程）(09-驾驭工程)

🚀 2026 年的认知升级：`Agent = Model + Harness` —— 当模型不再是瓶颈，Harness 就是护城河。

章节	内容	预计时间
9.0	章节导读	—
9.1	什么是 Agent Harness	1.5 小时
9.2	Harness 十二大模块解剖	3 小时
9.3	上下文工程与压缩流水线	2.5 小时
9.4	权限、护栏与沙箱	2.5 小时
9.5	验证循环	2 小时
9.6	子 Agent 编排与长时任务	2.5 小时
9.7	Harness Engineering 方法论	2.5 小时
9.8	实战：从零构建最小可行 Harness	4 小时
9.9	开源 Harness 全景与选型	2 小时
9.10	AGENTS.md、Agent Skills 与 Spec 驱动开发	2 小时
9.11	Harness 评测与可观测性	2 小时
9.12	开源 Harness 源码解剖	2.5 小时
9.13	Harness 实战清单与模板	1.5 小时

🚀 快速开始

前置要求

要求	说明
🐍 Python	3.12+
📦 包管理器	uv >= 0.5.0
🔑 API Key	OpenAI / Anthropic / 通义 / DeepSeek 等任一 LLM API

📥 安装 uv

<details> <summary>点击展开安装命令</summary>

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# 验证安装
uv --version

</details>

🛠️ 克隆 & 安装

# 克隆仓库
git clone https://gitcode.com/mininote/AgentLearn.git
cd AgentLearn

# 安装依赖（自动创建虚拟环境）
uv sync

🔑 配置环境变量

# 复制环境变量模板
cp .env.example .env

# 编辑 .env，至少填入你的 API Key
# LLM_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx
# LLM_BASE_URL=https://api.openai.com/v1   # 官方或中转地址，结尾带 /v1
# LLM_MODEL_NAME=gpt-5.5

💡 关于两套变量名（重要） - OPENAI_API_KEY / OPENAI_API_BASE：langchain-openai 的原生变量，ChatOpenAI 会自动读取。仓库自带的 `examples/` 是直接使用 `ChatOpenAI` 的，因此要跑通它们，必须设置 `OPENAI_API_KEY`（并把示例中的模型名改成你可用的模型）。 - LLM_API_KEY / LLM_BASE_URL / LLM_MODEL_NAME：本教程统一约定，教程中的示例代码会显式读取并传入，便于在 OpenAI / Anthropic / Gemini / DeepSeek / 通义之间切换。

两套变量都已列在 .env.example，按你的使用场景保留其一即可。

🔐 .env 已被 .gitignore 忽略，不会提交到仓库。请勿把真实 Key 写入 .env.example。

🎮 运行示例

# 🖐️ 第一个 Agent — 最简单的 Hello World
python examples/01-hello-agent/main.py

# 🧪 研究助手 — 多工具协作
python examples/04-research-agent/main.py

# 💬 Streamlit 聊天界面 — 交互式对话
streamlit run examples/05-streamlit-chat/main.py

# 🧰 最小可行 Harness（mini-harness）— 离线自检，无需 API Key
python examples/09-mini-harness/smoke_test.py

# 📚 RAG 知识库 — 离线自检 + 关键词检索，无需 API Key
cd examples/05-rag-kb && python smoke_test.py
python main.py search "Atlas 由谁负责"
python eval.py                        # RAG 检索质量评测

# 🚀 API 服务 — 鉴权/限流/SSE 离线自检，无需 fastapi
cd examples/07-api-service && python smoke_test.py

📖 本地运行文档网站（可选）

教程文档本身是一个 Docsify 站点，源码位于 docs/。

# 方式一：docsify-cli（推荐）
npx docsify-cli serve docs
#   ⚠️ 是 docsify-cli，不是 docsify —— npm 上的 `docsify` 包没有命令行入口，
#      执行 `npx docsify serve docs` 会报 "could not determine executable to run"。
#   ⚠️ docsify-cli 要求 Node >= 20.11
# 访问 http://localhost:3000

# 方式二：全局安装后使用
npm i -g docsify-cli
docsify serve docs

# 方式三：任意静态服务器（在 docs 目录下启动，使其成为网站根目录）
cd docs
python -m http.server 3000

⚠️ 必须通过 HTTP 访问：docsify 依赖 fetch 加载 Markdown，直接双击打开 docs/index.html（file:// 协议）会显示空白页。

💡 部署提示：docs/index.html 中的 basePath 请保持默认（留空），这样无论部署在站点根目录还是子目录（如 /docs/）都能正确加载 README.md / _sidebar.md；写死 basePath: '/' 会在子路径部署时导致这两个文件 404，页面一片空白。

🔌 页面依赖的 CDN 资源若在你的网络环境下访问不稳定，可将 docsify / prism 等文件下载到 docs/assets/ 后改为本地引用。

📁 项目结构

<details> <summary><b>展开查看完整目录结构</b></summary>

AgentLearn/
├── 📄 项目配置
│   ├── README.md                    # 项目说明（你在这里）
│   ├── LICENSE                      # MIT 许可证
│   ├── pyproject.toml               # 项目配置 (uv)
│   ├── uv.lock                      # 依赖锁定文件
│   └── .env.example                 # 环境变量模板
│
├── 📚 教程文档 (docs/)
│   ├── 教程大纲.md               # 📐 全站结构总览（先读这个）
│   ├── 01-入门基础/              # 🟢 入门基础 (3 篇)
│   ├── 02-核心概念/              # 🔵 核心概念 (4 篇)
│   ├── 03-LangChain实战/         # 🟠 LangChain v1 实战 (5 篇)
│   ├── 04-LangGraph进阶/         # 🟣 LangGraph 进阶 (5 篇)
│   ├── 05-RAG系统/               # 🟤 RAG 系统 (6 篇)
│   ├── 06-高级主题/              # 🔴 高级主题 (4 篇)
│   ├── 07-生产部署/              # ⚫ 生产部署 (4 篇)
│   ├── 08-生态与选型/            # 🌟 生态与选型 (11 篇 + HiClaw + AgentScope)
│   │   ├── 生态调研/             # 生态调研
│   │   ├── 协议标准/             # MCP / A2A 协议
│   │   ├── HiClaw实践/           # HiClaw 实践
│   │   └── AgentScope教程/       # AgentScope 实战
│   ├── 09-驾驭工程/              # 🛠️ Agent Harness (13 篇)
│   └── 附录/                     # 📎 参考手册（术语表 / 速查卡 / 排错 / 迁移）
│
├── 💻 代码示例 (examples/)
│   ├── 01-hello-agent/         # 🖐️ 第一个 Agent
│   ├── 02-tool-use/            # 🔧 工具调用
│   ├── 03-chat-agent/          # 💬 聊天 Agent
│   ├── 04-research-agent/      # 🔬 研究助手
│   ├── 05-rag-kb/              # 📚 RAG 知识库（可离线自检 18 项 + 评测）
│   ├── 05-streamlit-chat/      # 🎨 Streamlit 聊天界面
│   ├── 06-multi-agent/         # 👥 多 Agent 协作
│   ├── 07-api-service/         # 🚀 FastAPI 服务（可离线自检 16 项）
│   └── 09-mini-harness/        # 🧰 最小可行 Harness（可离线自检 19 项）
│
├── 📦 核心库 (src/agentlearn/)
│   ├── base.py                 # 基础类
│   ├── agent.py                # Agent 实现
│   ├── tools.py                # 工具集合
│   ├── memory.py               # 记忆管理
│   ├── message.py              # 消息模型
│   ├── pipeline.py             # 流水线编排
│   └── utils.py                # 工具函数
│
├── 🧪 测试 (tests/)
└── 🔧 辅助脚本 (scripts/)

</details>

🛠️ 技术栈

以下版本以 2026 年 10 月 为准，实际请以各官方最新发布为准。

类别	技术	版本 / 说明
📦 包管理	uv	>= 0.5.0
🐍 语言	Python	>= 3.12
🧠 核心框架	LangChain	v1.x（`create_agent` / 中间件 / 内容块）
🔄 工作流	LangGraph	>= 1.2
🔌 工具协议	MCP / A2A	MCP 2026-07-28 / A2A v1.0
🗄️ 向量数据库	Chroma / FAISS / Qdrant / Milvus	>= 1.5.0
🤖 LLM	OpenAI GPT-5.x · Claude Sonnet 4.6 / Opus 5 · Gemini 3.x · DeepSeek V4 · Qwen	-
🐳 部署	Docker / FastAPI / Streamlit	-
🔭 可观测性	LangSmith / Langfuse / OpenTelemetry	-
✅ 代码质量	Ruff + Mypy + Pytest	-

📈 学习路线图

<p>

┌─────────────────────────────────────────────────────────────┐
│                 10 周完整学习路线 🗺️                         │
├─────────────────────────────────────────────────────────────┤
│  Week 1-2: 🟢 入门基础                                       │
│  ├── 理解 AI Agent 概念                                       │
│  ├── 搭建开发环境                                             │
│  └── 运行第一个 Agent 🖐️                                     │
├─────────────────────────────────────────────────────────────┤
│  Week 3-4: 🔵🟠 核心技能                                      │
│  ├── 掌握 LangChain v1 核心组件与中间件                        │
│  ├── 精通 Prompt 与上下文工程                                 │
│  ├── 实现工具调用与记忆                                       │
│  └── 构建聊天 Agent 💬                                       │
├─────────────────────────────────────────────────────────────┤
│  Week 5-6: 🟣🟤 进阶实战                                      │
│  ├── 学习 LangGraph 工作流与持久化                             │
│  ├── 构建 RAG / Agentic RAG 知识库系统                        │
│  └── 多 Agent 协作实战 👥                                    │
├─────────────────────────────────────────────────────────────┤
│  Week 7-8: ⚫🌟 生产部署 + 生态与选型                           │
│  ├── API 封装与 Docker 部署 🐳                                │
│  ├── 了解全生态框架、MCP/A2A 协议与选型                        │
│  ├── 可观测性、评估与安全 ⚡                                   │
│  └── 完成最终项目 🏆                                         │
├─────────────────────────────────────────────────────────────┤
│  Week 9-10: 🛠️ Agent Harness（进阶必修）                      │
│  ├── 认知升级：Agent = Model + Harness                        │
│  ├── 掌握十二大模块与三大核心机制（上下文/权限/验证）           │
│  ├── 从零构建最小可行 Harness 🧰                              │
│  └── 开源 Harness 选型 + AGENTS.md / Skills 标准              │
└─────────────────────────────────────────────────────────────┘

</p>

🤝 贡献指南

我们欢迎任何形式的贡献！无论是修复错别字、改进文档，还是添加新功能。

🏗️ 工作流程

graph LR
    A[Fork 仓库] --> B[创建分支]
    B --> C[提交更改]
    C --> D[推送分支]
    D --> E[Pull Request]
    E --> F[Code Review]
    F --> G[Merge 🎉]

📐 代码规范

规范	要求
📦 依赖管理	使用 `uv` 管理依赖
✨ 代码风格	遵循 PEP 8，使用 Ruff 格式化与检查
📝 文档	函数/类添加类型注解和文档字符串
🧪 测试	新功能必须包含单元测试
🔍 类型检查	通过 Mypy 检查

📄 许可证

本项目采用 MIT License — 详见 LICENSE 文件

你可以自由地： ✅ 使用 · ✅ 修改 · ✅ 分发 · ✅ 商用

🔗 相关资源

<div>

🧠 核心框架	🔌 协议标准	🌐 平台工具
LangChain	MCP	Dify
LangGraph	A2A	Flowise
OpenAI Agents SDK	OpenTelemetry GenAI	LangSmith
Microsoft Agent Framework	JSON-RPC	Langfuse

</div>

⭐ 支持项目

如果你觉得这个项目有帮助，请给我们一个 ⭐ 支持！

<div>

</div>

🙏 致谢

感谢以下出色的开源项目，以及所有贡献者和社区成员的支持：

项目	用途	链接
LangChain	核心 Agent 框架	⭐ 110k+
LangGraph	工作流编排运行时	⭐ 20k+
MCP	工具调用协议	⭐ 60k+
OpenAI Agents SDK	轻量 Agent 框架	⭐ 15k+
Microsoft Agent Framework	企业级 Agent 框架	⭐ 20k+
AgentScope	消息驱动分布式 Agent	⭐ 10k+
Dify	LLMOps 平台	⭐ 60k+
uv	Python 包管理	⭐ 40k+

### 🚀 让 AI Agent 成为你的超级助手，开启智能开发新纪元！

有问题？ 欢迎提交 Issue 或参与社区讨论 💬

AgentLearn— agent skill

Is AgentLearn safe to install?

🤖 AgentLearn

📖 项目简介

🎯 项目仪表盘

✨ 项目特色

📑 目录导航

🎯 学习目标

📚 内容大纲

🟢 第一部分：入门基础 (01-入门基础)

🔵 第二部分：核心概念 (02-核心概念)

🟠 第三部分：LangChain v1 实战 (03-LangChain实战)

🟣 第四部分：LangGraph 进阶 (04-LangGraph进阶)

🟤 第五部分：RAG 系统 (05-RAG系统)

🔴 第六部分：高级主题 (06-高级主题)

⚫ 第七部分：生产部署 (07-生产部署)

🌟 第八部分：生态与选型 (08-生态与选型)

🛠️ 第九部分：Agent Harness（驾驭工程）(09-驾驭工程)

🚀 快速开始

前置要求

📥 安装 uv

🛠️ 克隆 & 安装

🔑 配置环境变量

🎮 运行示例

📖 本地运行文档网站（可选）

📁 项目结构

🛠️ 技术栈

📈 学习路线图

🤝 贡献指南

🏗️ 工作流程

📐 代码规范

📄 许可证

🔗 相关资源

⭐ 支持项目

🙏 致谢

Audit the pieces. Scan the whole. Decide.