[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-500-ai-agent-projects-show-where-agents-work-now-zh":3,"article-related-500-ai-agent-projects-show-where-agents-work-now-zh":35,"series-tools-8520cd4f-2531-4808-a95d-26f590239d7a":88},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":26,"views":31,"created_at":32,"published_at":33,"topic_cluster_id":34},"8520cd4f-2531-4808-a95d-26f590239d7a","500-ai-agent-projects-show-where-agents-work-now-zh","500 個 AI agent 專案，現在能做什麼","\u003Cp data-speakable=\"summary\">這個 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> repo 整理 500+ 個 \u003Ca href=\"\u002Ftag\u002Fai-agent\">AI agent\u003C\u002Fa> 專案，涵蓋多種框架與產業實作範例。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fashishpatel26\u002F500-AI-Agents-Projects\" target=\"_blank\" rel=\"noopener\">500 AI Agents Projects\u003C\u002Fa> 不是在講概念。它直接丟出可跑的程式碼。repo 內標示 500+ 個專案，還把框架、產業、任務分門別類。說白了，就是給開發者一張實戰地圖。\u003C\u002Fp>\u003Cp>這種整理很有用。因為很多 AI \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 文章只會畫架構圖。這份 repo 則是把 agent 當軟體看。你可以直接比對 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.crewai.com\u002F\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.agno.com\u002F\" target=\"_blank\" rel=\"noopener\">Agno\u003C\u002Fa>，看哪個適合你的案子。\u003C\u002Fp>\u003Cp>更直接一點講，這 repo 的價值不是「很多」。而是「夠雜、夠真、夠能比」。你想看客服、醫療、交易、研究、HR，這裡都有樣本。對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這比空談 agent 多半有感多了。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Fact\u003C\u002Fth>\u003Cth>Value\u003C\u002Fth>\u003Cth>Why it matters\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Projects listed\u003C\u002Ftd>\u003Ctd>500+\u003C\u002Ftd>\u003Ctd>足夠看出 agent 設計模式\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GitHub stars\u003C\u002Ftd>\u003Ctd>32.1k\u003C\u002Ftd>\u003Ctd>代表社群關注度高\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Forks\u003C\u002Ftd>\u003Ctd>5.6k\u003C\u002Ftd>\u003Ctd>表示很多人拿去改寫\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Commits\u003C\u002Ftd>\u003Ctd>55\u003C\u002Ftd>\u003Ctd>顯示 repo 還在整理，不是死連結\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這個 repo 到底給了什麼\u003C\u002Fh2>\u003Cp>它給的是可跑的範例，不是只會講 prompt 的展示頁。從 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fashishpatel26\u002F500-AI-Agents-Projects\u002Ftree\u002Fmain\u002Fagents\" target=\"_blank\" rel=\"noopener\">agents\u002F\u003C\u002Fa> 目錄看得出來，每個專案都有自己的依賴與環境設定。你不用先拼一個超大 monorepo，先挑一個資料夾就能試。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033591132-c0nh.png\" alt=\"500 個 AI agent 專案，現在能做什麼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這點很重要。因為 agent 類內容最常見的問題，就是看起來很帥，實際上不能跑。這份 repo 的做法比較務實。它把 web research agent、meeting assistant、stock analysis、recruitment workflow、legal document reviewer 這些東西放在同一個框架下，讓你直接看實作路徑。\u003C\u002Fp>\u003Cp>它還有 quick-start。意思是，你可以在幾分鐘內跑出一個 agent。這對想學架構的人很友善，也對想交付功能的人很實際。很多團隊卡住的，不是模型不夠強，而是不知道第一版要怎麼落地。\u003C\u002Fp>\u003Cul>\u003Cli>先 clone repo，再進單一專案資料夾。\u003C\u002Fli>\u003Cli>只安裝該專案需要的套件。\u003C\u002Fli>\u003Cli>複製範例環境檔，填入 API key。\u003C\u002Fli>\u003Cli>直接執行腳本，先看它能不能動。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>框架選擇才是重點\u003C\u002Fh2>\u003Cp>這份 repo 最有價值的地方，是它把框架差異攤開來。你不用自己在一堆文件裡翻。它直接把生態系整理成決策表。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa> 偏向有狀態流程和 RAG pipeline。\u003Ca href=\"https:\u002F\u002Fwww.crewai.com\u002F\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa> 適合角色分工和快速原型。\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 比較常拿來做 code generation 和自我修復流程。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fdocs.agno.com\u002F\" target=\"_blank\" rel=\"noopener\">Agno\u003C\u002Fa> 比較輕。適合單一 agent。\u003Ca href=\"https:\u002F\u002Fwww.llamaindex.ai\u002F\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa> 則很適合文件問答和企業資料管線。這些選擇差很多。你如果把它們混在一起看，很容易選錯工具，最後把簡單案子做成維護地獄。\u003C\u002Fp>\u003Cp>我覺得這份 repo 的最大功用，就是逼你面對選型問題。很多人一開始就想做多 agent 協作，結果連單一 agent 都沒穩。repo 的分類剛好提醒你，先把任務拆清楚，再談架構。這種順序很土，但很有效。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“I’m not interested in building another demo. I want to build systems that solve real problems.” — Andrew Ng\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話很貼這份 repo 的氣質。它不是在賣夢。它在逼你看實作。很多 agent 專案死在 demo 階段，就是因為團隊只想秀，不想選框架，也不想管資料流和失敗處理。\u003C\u002Fp>\u003Cp>如果你只是剛入門，這份 repo 也給了很直白的路線。\u003Ca href=\"\u002Fnews\u002Fopenai-ipo-filing-wall-street-test-zh\">先看\u003C\u002Fa> Agno 或 CrewAI。要狀態流程和檢索，就看 LangGraph。要做寫碼或研究型 agent，就看 AutoGen。文件很多、資料很多，就看 LlamaIndex。這種對照，比一堆行銷文清楚太多。\u003C\u002Fp>\u003Ch2>產業案例才看得出 agent 能做什麼\u003C\u002Fh2>\u003Cp>repo 的產業分類，讓它不只是框架清單。它列出醫療健康分析、金融自動交易、教育助教、資安威脅偵測。這些案例範圍很大，但不是亂塞。每個類別都對應到不同的工具需求與風險控制。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033589277-zeea.png\" alt=\"500 個 AI agent 專案，現在能做什麼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>醫療類 agent 通常會碰報告摘要、分流、病患支援。金融類則偏交易、風險判斷、錢包操作。教育類常做個人化教學和排程。資安類則會碰威脅偵測、log 分析、紅隊測試。講白了，agent 不是一種產品，而是一種工作流包裝法。\u003C\u002Fp>\u003Cp>這裡的重點不是「什麼都能做」。而是「很多工作都能先試」。如果你在做產品，這種 repo 很適合拿來做內部 PoC。你可以先看哪一類任務有機會自動化，再決定要不要接資料權限、人工複核、或失敗回退。\u003C\u002Fp>\u003Cul>\u003Cli>醫療案例偏分析、分流、病患支援。\u003C\u002Fli>\u003Cli>金融案例偏交易、風控、帳戶操作。\u003C\u002Fli>\u003Cli>教育案例偏教學、個人化、排程。\u003C\u002Fli>\u003Cli>資安案例偏偵測、分析、測試。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>它也涵蓋銷售、HR、行銷、旅遊、物流、電商。這代表 agent 不是只屬於研究團隊。營運團隊也能用。像是 lead scoring、會議整理、客服回覆、訂單查詢，這些都很適合先做半自動化，而不是一開始就追求全自動。\u003C\u002Fp>\u003Cp>如果拿這份 repo 跟一般 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 文比，差別很明顯。benchmark 只會告訴你模型分數。這份 repo 會告訴你任務長什麼樣子。對實務團隊來說，後者通常更有用，因為你真正要解的是流程，不是 paper score。\u003C\u002Fp>\u003Ch2>資料量夠大，才看得出趨勢\u003C\u002Fh2>\u003Cp>500+ 個專案的價值，在於你可以開始看模式。不是看單一 demo，而是看整體設計習慣。哪些任務常配檢索，哪些任務常配工具呼叫，哪些任務需要狀態機，這些都能從大量範例裡看出來。\u003C\u002Fp>\u003Cp>這也讓 repo \u003Ca href=\"\u002Fnews\u002Fchocolatey-go-package-policy-installs-zh\">變成\u003C\u002Fa>一個選型輔助工具。當你在比較 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flanggraph\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.crewai.com\u002F\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.agno.com\u002F\" target=\"_blank\" rel=\"noopener\">Agno\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.llamaindex.ai\u002F\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa> 時，不會只靠印象。你可以直接對照同類任務的實作方式。\u003C\u002Fp>\u003Cp>但我也要吐槽一下。專案多，不代表每個都能上線。repo 自己也不會假裝這點不存在。500 個範例裡，很多只是起點，不是 production code。真正值錢的，是你能不能從裡面挑出適合你資料、延遲、成本限制的那一種。\u003C\u002Fp>\u003Cul>\u003Cli>500+ 範例能看出常見設計模式。\u003C\u002Fli>\u003Cli>框架比較能幫你縮小選型範圍。\u003C\u002Fli>\u003Cli>產業分類能幫你對照實際需求。\u003C\u002Fli>\u003Cli>單一範例不等於可直接上線。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>從社群數字看，這 repo 也很有存在感。32.1k stars 和 5.6k forks，不是小數字。這表示很多人不只看，還直接拿去改。對開發者來說，這種 repo 的價值常常不在原始內容，而在大家怎麼 fork、怎麼補強、怎麼重做。\u003C\u002Fp>\u003Cp>如果你在評估 agent 技術棧，這份 repo 比起空泛文章更值得先看。因為它讓你少走幾次冤枉路。尤其是團隊\u003Ca href=\"\u002Fnews\u002Fopenai-latest-moves-pricing-safety-scale-zh\">規模\u003C\u002Fa>不大時，選錯框架的成本很高，後面重構會很痛。\u003C\u002Fp>\u003Ch2>這跟台灣團隊有什麼關係\u003C\u002Fh2>\u003Cp>台灣很多團隊現在都在碰 agent，但常卡在相同問題。資料權限不清楚。流程設計太樂觀。錯誤處理沒做。這份 repo 的好處，是它讓你先看到一堆可參考的骨架，再決定哪些地方要加上企業內部規則。\u003C\u002Fp>\u003Cp>對新創來說，它適合拿來做 MVP。對中大型企業來說，它適合拿來做內部研究。你可以先測一個客服 agent，或一個報表摘要 agent。先看模型能不能吃你的資料，再談多 agent 協作。這順序很重要，真的。\u003C\u002Fp>\u003Cp>也因為它整理得夠廣，你可以把它當成內部討論材料。產品、工程、資料、法務，都能拿同一份 repo 對話。這比每個人各看各的 demo，最後吵不出結論，實際多了。\u003C\u002Fp>\u003Ch2>接下來該怎麼看這份 repo\u003C\u002Fh2>\u003Cp>如果你是工程師，我會建議你先挑一個任務類型。不要一次看 500 個。先從你手上的問題開始，再對照 repo 裡相近的案例。這樣你比較看得出哪些地方能直接抄，哪些地方要改。\u003C\u002Fp>\u003Cp>如果你是產品或管理角色，就先看框架分類和產業分類。你要的不是技術名詞。你要的是哪種流程適合自動化，哪種流程還得留人工。這份 repo 至少能幫你把討論拉回現實。\u003C\u002Fp>\u003Cp>我自己的判斷很直接：這份 repo 值得收藏，但不要神化。它很適合拿來做起點，不適合拿來當答案。真正的問題不是 agent 能不能跑，而是它能不能穩定接你的資料、撐住你的延遲、處理你的例外。\u003C\u002Fp>\u003Cp>下一步很簡單。挑一個專案，跑起來。再拿你自己的資料測一次。你會很快知道，哪些 agent 是 demo，哪些 agent 真的能進工作流。\u003C\u002Fp>","這個 GitHub repo 整理 500+ 個 AI agent 專案，涵蓋 LangGraph、CrewAI、AutoGen、Agno 等框架，還有醫療、金融、教育與資安的實作範例。","github.com","https:\u002F\u002Fgithub.com\u002Fashishpatel26\u002F500-AI-Agents-Projects",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033591132-c0nh.png","tools","zh","fbd166b2-30ad-451c-bfa5-8f190d0c4252",[17,18,19,20,21,22,23,24,25],"AI agent","LangGraph","CrewAI","AutoGen","Agno","LlamaIndex","GitHub repo","生成式 AI","工作流自動化",[27,28,29,30],"500+ 個 AI agent 專案，重點是可跑的實作，不是概念整理。","框架比較很有用，因為不同任務適合不同工具。","產業案例涵蓋醫療、金融、教育、資安，能直接拿來做 PoC。","專案數量多不代表可直接上線，還是要看資料、成本和例外處理。",2,"2026-06-09T19:32:37.03924+00:00","2026-06-09T19:32:36.994+00:00","05e97311-b970-4686-a46d-eb2994c51ded",{"tags":36,"relatedLang":47,"relatedPosts":51},[37,39,41,43,45],{"name":18,"slug":38},"langgraph",{"name":20,"slug":40},"autogen",{"name":19,"slug":42},"crewai",{"name":17,"slug":44},"ai-agent",{"name":21,"slug":46},"agno",{"id":15,"slug":48,"title":49,"language":50},"500-ai-agent-projects-show-where-agents-work-now-en","500 AI agent projects show where agents work now","en",[52,58,64,70,76,82],{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"c557ef1c-7fde-4c86-918e-4fb9680ee9df","chocolatey-go-package-policy-installs-zh","Chocolatey 的 Go 安裝變成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781029110289-xkbh.png","2026-06-09T18:18:05.078435+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"90b2df54-df6e-417d-9e16-91e9ad2f53d7","go-support-policy-turns-releases-into-a-checklist-zh","Go 支援政策把發版變清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781028200122-3m4u.png","2026-06-09T18:02:49.50176+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"119c23c6-8ae7-4c4e-820e-1eba0730d702","rustdesk-self-hosting-secure-remote-access-zh","RustDesk 自架遠端存取部署指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781017373324-g7et.png","2026-06-09T15:02:24.118819+00:00",{"id":83,"slug":84,"title":85,"cover_image":86,"image_url":86,"created_at":87,"category":13},"b84491ba-e4af-4581-8c04-1890df39a1ad","aider-open-source-coding-agent-repo-edits-zh","Aider 讓開源編碼變成 repo 編輯","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781013817997-l4il.png","2026-06-09T14:02:56.179093+00:00",[89,94,99,104,109,114,119,124,129,134],{"id":90,"slug":91,"title":92,"created_at":93},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":135,"slug":136,"title":137,"created_at":138},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]