Hello-Agents 导读从零开始构建 AI 原生智能体的系统性实战指南【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents《从零开始构建智能体》Hello-Agents是 Datawhale 社区推出的一套系统性智能体学习教程。本篇导读将带你理清该项目的缘起、五大部分课程体系的学习路径、配套代码的组织方式以及成为一名智能体系统构建者所需的前置知识与学习策略。读完本文你将清楚知道这本书为什么而写、按照什么顺序学、每一步能在仓库中找到哪些可运行的实战资源以及如何参与到开源共建中来。从有问必答到自主行动智能体为何成为下一个前沿自 2022 年底以来以 ChatGPT 为代表的大语言模型Large Language Model, LLM如同技术海啸彻底改变了人与人工智能交互的方式。LLM 强大的自然语言理解与生成能力让人们看到了通往通用人工智能AGI的曙光。然而当最初的惊艳沉淀下来开发者们开始追问一个更前沿的问题如何让 AI 不再只是一个有问必答的工具而是成为一个能够自主规划、调用工具、解决复杂问题的行动者这个问题的答案就是智能体Agent。如果说 2024 年是百模大战的元年那么 2025 年无疑开启了Agent 元年。技术焦点正从训练更大、更强的基础模型转向构建更聪明、更高效的智能体应用。单个智能体已经能胜任特定领域的任务而由多个智能体通过分工、协作甚至辩论共同完成宏大目标的多智能体系统Multi-Agent System, MAS则被视为释放 LLM 全部潜能、解决真实世界复杂问题的关键钥匙。生态断层为什么需要一本从第一性原理出发的实战指南尽管 Agent 生态热闹非凡前言中指出当前生态存在一个明显的断层框架与应用层出不穷Dify、Coze、n8n、AutoGen、LangGraph、AgentScope 等工具持续涌现令人眼花缭乱系统性知识极度匮乏大多数教程聚焦于某个特定框架的 API 调用学习者往往知其然而不知其所以然面对复杂需求时依然力不从心。在这个背景下Hello-Agents 项目的发起动机非常明确穿透框架表象从第一性原理出发系统讲解智能体的设计、构建与协作为社区提供一本从零开始、理论与实战并重的构建指南。值得注意的是项目介绍中对 Agent 构建流派做了一个关键区分这也是全书立论的基础软件工程类 Agent如 Dify、Coze、n8n本质是流程驱动的软件开发LLM 作为数据处理的后端AI 原生的 AgentAI Native Agent真正以 AI 驱动是本书深入理解和构建的对象。课程的目标是带领读者深入智能体的核心架构理解其经典范式最终亲手构建属于自己的多智能体应用——完成从大语言模型使用者到智能体系统构建者的蜕变。读者画像与前置知识要求在正式启程之前前言给出了清晰的能力前置要求门槛并不高基础的 Python 编程能力——这是动手实践的基础对大语言模型有基本的概念性了解——例如知道如何通过 API 调用一个 LLM无需深厚的算法或模型训练背景——项目的重点在于应用与构建。从适用人群看README进一步明确了定位尤其适合有一定编程基础的 AI 开发者、软件工程师、在校学生以及对前沿 AI 技术抱有浓厚兴趣的自学者。教程内容兼顾理论与实战目标是帮助学习者系统掌握从单个智能体到多智能体系统的设计与开发全流程。五部分课程体系从基础到实战的渐进路径全书按照基础 → 单体 → 高级 → 实战 → 展望的组织逻辑划分为五大部分覆盖基础到实战循序渐进、层层相扣。结合 docs/README.md 的内容导航与 docs/_sidebar.md 的侧边栏结构可以将这套体系与仓库中的具体章节一一对应第一部分智能体与语言模型基础第一章第三章铺垫人工智能与 LLM 的核心知识让读者对智能体的诞生背景建立宏观认识。章节关键内容文档位置第一章 初识智能体智能体定义、类型、范式与应用docs/chapter1/第一章 初识智能体.md第二章 智能体发展史从符号主义到 LLM 驱动的智能体演进docs/chapter2/第二章 智能体发展史.md第三章 大语言模型基础Transformer、提示工程、主流 LLM 及其局限docs/chapter3/第三章 大语言模型基础.md第二部分构建你的大语言模型智能体第四章第七章这是动手实践的起点也是全书的核心动手区。读者将亲手实现经典范式、体验低代码平台的便捷、掌握主流框架的应用并最终从零构建属于自己的智能体框架兼具用轮子与造轮子的能力。章节关键内容文档位置第四章 智能体经典范式构建手把手实现 ReAct、Plan-and-Solve、Reflectiondocs/chapter4/第四章 智能体经典范式构建.md第五章 基于低代码平台的智能体搭建Coze、Dify、n8n 等低代码平台使用docs/chapter5/第五章%20基于低代码平台的智能体搭建.md第六章 框架开发实践AutoGen、AgentScope、LangGraph 等主流框架应用docs/chapter6/第六章 框架开发实践.md第七章 构建你的 Agent 框架基于 OpenAI 原生 API 从零构建智能体框架docs/chapter7/第七章 构建你的Agent框架.md第三部分高级知识扩展第八章第十二章在这一部分智能体将学会思考与协作拥有记忆和工具、掌握通信协议并完成评估闭环。章节关键内容文档位置第八章 记忆与检索记忆系统、RAG、存储docs/chapter8/第八章 记忆与检索.md第九章 上下文工程持续交互的情境理解docs/chapter9/第九章 上下文工程.md第十章 智能体通信协议MCP、A2A、ANP 等协议解析docs/chapter10/第十章 智能体通信协议.md第十一章 Agentic-RL从 SFT 到 GRPO 的 LLM 训练实战docs/chapter11/第十一章 Agentic-RL.md第十二章 智能体性能评估核心指标、基准测试与评估框架docs/chapter12/第十二章 智能体性能评估.md第四部分综合案例进阶第十三章第十五章这是项目核心价值所在。读者将通过精心设计的综合案例把所学知识融会贯通在实战中淬炼真金。章节关键内容文档位置第十三章 智能旅行助手MCP 与多智能体协作的真实世界应用docs/chapter13/第十三章 智能旅行助手.md第十四章 自动化深度研究智能体DeepResearch Agent 复现与解析docs/chapter14/第十四章 自动化深度研究智能体.md第十五章 构建赛博小镇Agent 与游戏的结合模拟社会动态docs/chapter15/第十五章 构建赛博小镇.md第五部分毕业设计及未来展望第十六章旅程的终点是新的起点。读者将亲手打造属于自己的毕业作品构建一个完整的多智能体应用全面检验学习成果并展望智能体的未来方向。第十六章 毕业设计同时提供了共创路径说明社区共创的毕业设计项目沉淀在 Co-creation-projects 目录中例如股票洞察 Agent、数据库智能体、会议行动项 Agent 等真实社区作品是学以致用的直接示范。纸上得来终觉浅code 目录中的配套实战代码纸上得来终觉浅绝知此事要躬行。前言反复强调最好的学习方式就是动手实践。为此项目在code文件夹中提供了与章节一一对应的全部配套代码强烈建议读者将理论与实践相结合亲手运行、调试甚至修改每一份代码并举一反三应用到真实场景。以第二部分动手实践开始的第四章为例code/chapter4 中直接提供了三个经典范式的可运行实现ReAct.pyReAct推理 行动范式的完整实现Plan_and_solve.pyPlan-and-Solve先规划后执行范式实现Reflection.pyReflection反思修正范式实现llm_client.py 与 tools.py支撑上述范式的基础组件。从源码结构看这套代码的设计极具教学价值体现了小而完整的原则。以 ReAct.py 为例其核心ReActAgent类只依赖两个抽象组件——HelloAgentsLLM负责思考和ToolExecutor负责行动并通过max_steps控制最大推理步数主循环ReAct.py严格遵循 ReAct 的Thought → Action → Observation循环每一步将思考结果和行动结果追加进history再拼入REACT_PROMPT_TEMPLATE提示词模板让模型基于完整历史持续推理直至模型输出Finish[最终答案]指令为止。配套的 llm_client.py 展示了如何以兼容任何 OpenAI 接口的服务为目标设计 LLM 客户端通过LLM_MODEL_ID、LLM_API_KEY、LLM_BASE_URL、LLM_TIMEOUT等环境变量解耦模型配置并默认使用流式响应llm_client.py实时打印模型输出让思考过程可视化教学体验直观。而 tools.py 中的ToolExecutor则是一个极简工具注册表通过registerTool(name, description, func)即可为智能体挂接任意工具如基于 SerpApi 的网页搜索这种注册表 描述注入提示词的模式正是现代 Agent 工具调用的通用雏形。更进一步第二部分的代码还延续到了自研框架章节——README 中明确介绍了项目基于 OpenAI 原生 API 从零构建的自研框架 HelloAgentsREADME.md用于驱动后续记忆、上下文工程、协议、评估等高级内容的讲解。开源社区与共建作为一个开源项目Hello-Agents 热烈欢迎各类形式的参与和贡献。前言与 README 给出了清晰的参与方式报告 Bug发现内容或代码问题提交 Issue提出建议对项目有好的想法发起讨论完善内容帮助改进教程提交 Pull Request分享实践在社区贡献精选中分享学习笔记和项目。社区贡献的优质内容沉淀在两个地方正文之外的技术心得可以投稿至 Extra-Chapter其中已收录 Agent 面试题总结与参考答案、上下文工程补充知识、Dify 保姆级操作流程、Agent Skills 与 MCP 对比解读、GUI Agent 科普与实战、环境配置、Skill 写作最佳实践、Agent 自进化、Web Agent 实战、旅行助手后训练实战等十余篇精选内容独立于正文的毕业设计作品则沉淀在 Co-creation-projects供后来者参考与迭代。结语Hello-Agents 的价值在于它提供了一条从使用者到构建者的完整路径以第一性原理穿透框架表象以五大部分渐进式的课程体系系统覆盖智能体的概念、范式、框架、记忆、上下文、协议、训练与评估再以code目录中的配套代码和实战案例完成理论 → 实践的闭环。正如前言所言——感谢你选择阅读 Hello-Agents祝你学习愉快探索无限【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Hello-Agents 导读：从零开始构建 AI 原生智能体的系统性实战指南
Hello-Agents 导读从零开始构建 AI 原生智能体的系统性实战指南【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents《从零开始构建智能体》Hello-Agents是 Datawhale 社区推出的一套系统性智能体学习教程。本篇导读将带你理清该项目的缘起、五大部分课程体系的学习路径、配套代码的组织方式以及成为一名智能体系统构建者所需的前置知识与学习策略。读完本文你将清楚知道这本书为什么而写、按照什么顺序学、每一步能在仓库中找到哪些可运行的实战资源以及如何参与到开源共建中来。从有问必答到自主行动智能体为何成为下一个前沿自 2022 年底以来以 ChatGPT 为代表的大语言模型Large Language Model, LLM如同技术海啸彻底改变了人与人工智能交互的方式。LLM 强大的自然语言理解与生成能力让人们看到了通往通用人工智能AGI的曙光。然而当最初的惊艳沉淀下来开发者们开始追问一个更前沿的问题如何让 AI 不再只是一个有问必答的工具而是成为一个能够自主规划、调用工具、解决复杂问题的行动者这个问题的答案就是智能体Agent。如果说 2024 年是百模大战的元年那么 2025 年无疑开启了Agent 元年。技术焦点正从训练更大、更强的基础模型转向构建更聪明、更高效的智能体应用。单个智能体已经能胜任特定领域的任务而由多个智能体通过分工、协作甚至辩论共同完成宏大目标的多智能体系统Multi-Agent System, MAS则被视为释放 LLM 全部潜能、解决真实世界复杂问题的关键钥匙。生态断层为什么需要一本从第一性原理出发的实战指南尽管 Agent 生态热闹非凡前言中指出当前生态存在一个明显的断层框架与应用层出不穷Dify、Coze、n8n、AutoGen、LangGraph、AgentScope 等工具持续涌现令人眼花缭乱系统性知识极度匮乏大多数教程聚焦于某个特定框架的 API 调用学习者往往知其然而不知其所以然面对复杂需求时依然力不从心。在这个背景下Hello-Agents 项目的发起动机非常明确穿透框架表象从第一性原理出发系统讲解智能体的设计、构建与协作为社区提供一本从零开始、理论与实战并重的构建指南。值得注意的是项目介绍中对 Agent 构建流派做了一个关键区分这也是全书立论的基础软件工程类 Agent如 Dify、Coze、n8n本质是流程驱动的软件开发LLM 作为数据处理的后端AI 原生的 AgentAI Native Agent真正以 AI 驱动是本书深入理解和构建的对象。课程的目标是带领读者深入智能体的核心架构理解其经典范式最终亲手构建属于自己的多智能体应用——完成从大语言模型使用者到智能体系统构建者的蜕变。读者画像与前置知识要求在正式启程之前前言给出了清晰的能力前置要求门槛并不高基础的 Python 编程能力——这是动手实践的基础对大语言模型有基本的概念性了解——例如知道如何通过 API 调用一个 LLM无需深厚的算法或模型训练背景——项目的重点在于应用与构建。从适用人群看README进一步明确了定位尤其适合有一定编程基础的 AI 开发者、软件工程师、在校学生以及对前沿 AI 技术抱有浓厚兴趣的自学者。教程内容兼顾理论与实战目标是帮助学习者系统掌握从单个智能体到多智能体系统的设计与开发全流程。五部分课程体系从基础到实战的渐进路径全书按照基础 → 单体 → 高级 → 实战 → 展望的组织逻辑划分为五大部分覆盖基础到实战循序渐进、层层相扣。结合 docs/README.md 的内容导航与 docs/_sidebar.md 的侧边栏结构可以将这套体系与仓库中的具体章节一一对应第一部分智能体与语言模型基础第一章第三章铺垫人工智能与 LLM 的核心知识让读者对智能体的诞生背景建立宏观认识。章节关键内容文档位置第一章 初识智能体智能体定义、类型、范式与应用docs/chapter1/第一章 初识智能体.md第二章 智能体发展史从符号主义到 LLM 驱动的智能体演进docs/chapter2/第二章 智能体发展史.md第三章 大语言模型基础Transformer、提示工程、主流 LLM 及其局限docs/chapter3/第三章 大语言模型基础.md第二部分构建你的大语言模型智能体第四章第七章这是动手实践的起点也是全书的核心动手区。读者将亲手实现经典范式、体验低代码平台的便捷、掌握主流框架的应用并最终从零构建属于自己的智能体框架兼具用轮子与造轮子的能力。章节关键内容文档位置第四章 智能体经典范式构建手把手实现 ReAct、Plan-and-Solve、Reflectiondocs/chapter4/第四章 智能体经典范式构建.md第五章 基于低代码平台的智能体搭建Coze、Dify、n8n 等低代码平台使用docs/chapter5/第五章%20基于低代码平台的智能体搭建.md第六章 框架开发实践AutoGen、AgentScope、LangGraph 等主流框架应用docs/chapter6/第六章 框架开发实践.md第七章 构建你的 Agent 框架基于 OpenAI 原生 API 从零构建智能体框架docs/chapter7/第七章 构建你的Agent框架.md第三部分高级知识扩展第八章第十二章在这一部分智能体将学会思考与协作拥有记忆和工具、掌握通信协议并完成评估闭环。章节关键内容文档位置第八章 记忆与检索记忆系统、RAG、存储docs/chapter8/第八章 记忆与检索.md第九章 上下文工程持续交互的情境理解docs/chapter9/第九章 上下文工程.md第十章 智能体通信协议MCP、A2A、ANP 等协议解析docs/chapter10/第十章 智能体通信协议.md第十一章 Agentic-RL从 SFT 到 GRPO 的 LLM 训练实战docs/chapter11/第十一章 Agentic-RL.md第十二章 智能体性能评估核心指标、基准测试与评估框架docs/chapter12/第十二章 智能体性能评估.md第四部分综合案例进阶第十三章第十五章这是项目核心价值所在。读者将通过精心设计的综合案例把所学知识融会贯通在实战中淬炼真金。章节关键内容文档位置第十三章 智能旅行助手MCP 与多智能体协作的真实世界应用docs/chapter13/第十三章 智能旅行助手.md第十四章 自动化深度研究智能体DeepResearch Agent 复现与解析docs/chapter14/第十四章 自动化深度研究智能体.md第十五章 构建赛博小镇Agent 与游戏的结合模拟社会动态docs/chapter15/第十五章 构建赛博小镇.md第五部分毕业设计及未来展望第十六章旅程的终点是新的起点。读者将亲手打造属于自己的毕业作品构建一个完整的多智能体应用全面检验学习成果并展望智能体的未来方向。第十六章 毕业设计同时提供了共创路径说明社区共创的毕业设计项目沉淀在 Co-creation-projects 目录中例如股票洞察 Agent、数据库智能体、会议行动项 Agent 等真实社区作品是学以致用的直接示范。纸上得来终觉浅code 目录中的配套实战代码纸上得来终觉浅绝知此事要躬行。前言反复强调最好的学习方式就是动手实践。为此项目在code文件夹中提供了与章节一一对应的全部配套代码强烈建议读者将理论与实践相结合亲手运行、调试甚至修改每一份代码并举一反三应用到真实场景。以第二部分动手实践开始的第四章为例code/chapter4 中直接提供了三个经典范式的可运行实现ReAct.pyReAct推理 行动范式的完整实现Plan_and_solve.pyPlan-and-Solve先规划后执行范式实现Reflection.pyReflection反思修正范式实现llm_client.py 与 tools.py支撑上述范式的基础组件。从源码结构看这套代码的设计极具教学价值体现了小而完整的原则。以 ReAct.py 为例其核心ReActAgent类只依赖两个抽象组件——HelloAgentsLLM负责思考和ToolExecutor负责行动并通过max_steps控制最大推理步数主循环ReAct.py严格遵循 ReAct 的Thought → Action → Observation循环每一步将思考结果和行动结果追加进history再拼入REACT_PROMPT_TEMPLATE提示词模板让模型基于完整历史持续推理直至模型输出Finish[最终答案]指令为止。配套的 llm_client.py 展示了如何以兼容任何 OpenAI 接口的服务为目标设计 LLM 客户端通过LLM_MODEL_ID、LLM_API_KEY、LLM_BASE_URL、LLM_TIMEOUT等环境变量解耦模型配置并默认使用流式响应llm_client.py实时打印模型输出让思考过程可视化教学体验直观。而 tools.py 中的ToolExecutor则是一个极简工具注册表通过registerTool(name, description, func)即可为智能体挂接任意工具如基于 SerpApi 的网页搜索这种注册表 描述注入提示词的模式正是现代 Agent 工具调用的通用雏形。更进一步第二部分的代码还延续到了自研框架章节——README 中明确介绍了项目基于 OpenAI 原生 API 从零构建的自研框架 HelloAgentsREADME.md用于驱动后续记忆、上下文工程、协议、评估等高级内容的讲解。开源社区与共建作为一个开源项目Hello-Agents 热烈欢迎各类形式的参与和贡献。前言与 README 给出了清晰的参与方式报告 Bug发现内容或代码问题提交 Issue提出建议对项目有好的想法发起讨论完善内容帮助改进教程提交 Pull Request分享实践在社区贡献精选中分享学习笔记和项目。社区贡献的优质内容沉淀在两个地方正文之外的技术心得可以投稿至 Extra-Chapter其中已收录 Agent 面试题总结与参考答案、上下文工程补充知识、Dify 保姆级操作流程、Agent Skills 与 MCP 对比解读、GUI Agent 科普与实战、环境配置、Skill 写作最佳实践、Agent 自进化、Web Agent 实战、旅行助手后训练实战等十余篇精选内容独立于正文的毕业设计作品则沉淀在 Co-creation-projects供后来者参考与迭代。结语Hello-Agents 的价值在于它提供了一条从使用者到构建者的完整路径以第一性原理穿透框架表象以五大部分渐进式的课程体系系统覆盖智能体的概念、范式、框架、记忆、上下文、协议、训练与评估再以code目录中的配套代码和实战案例完成理论 → 实践的闭环。正如前言所言——感谢你选择阅读 Hello-Agents祝你学习愉快探索无限【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
