尧图网页设计 
如何从零构建第一个智能体Hello-Agents的16章完整学习路线【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/GitHub_Trending/he/hello-agentsHello-Agents 是 Datawhale 开源的智能体系统教程解决的问题很具体市面上用 Dify、Coze 拖拽出 Agent 的教程很多但讲透智能体为什么这样工作并带你从零手写一个框架的资料极少。它用 16 章、配套全部可运行代码把从原理到多智能体应用的路径走完整。 你学 Agent 时可能卡住的两个地方一个常见的状态是刷了很多 ReAct、MCP、多智能体协作的文章能在低代码平台上拖出一个能跑的 demo但一旦被问到Agent 的主循环是怎么转的框架里 state 在哪传递就答不上来。因为低代码平台本质是流程驱动LLM 只是后端而真正的 AI Native Agent 是靠模型自主决策下一步动作。另一个卡点是想自己动手写一个框架却不知从哪下笔。Hello-Agents 的解法是把学习拆成五步台阶先补概念第 1~3 章再亲手实现 ReAct 等经典范式第 4 章体验低代码平台和主流框架第 5~6 章然后基于 OpenAI 原生 API 从零搭一个自己的 Agent 框架第 7 章最后做旅行助手、深度研究 Agent 等综合项目第 13~15 章。完整目录见 README 内容导航。 核心能力这套教程给你什么一套从原理到落地的完整知识地图16 章分五大部分覆盖智能体发展史、LLM 基础、经典范式、记忆与检索、上下文工程、MCP/A2A 通信协议、Agentic-RL 训练和性能评估主线是先懂原理再谈构建。每一章都标注了关键内容学之前可以按 docs 目录 的章节索引规划节奏不必从头到尾硬啃。每个知识点都配可运行代码教程不是纯理论文档。code/目录下按章节存放了配套源码第 1 章有一个 200 行左右就能跑通的最小 Agent第 4 章是 ReAct、Plan-and-Solve、Reflection 三种范式的独立实现第 8 章有记忆工具与 RAG 管线的 11 个示例脚本。作者明确要求亲手运行、调试甚至修改每一份代码这对建立直觉比看十篇拆解文章都有效。三种经典范式逐行拆解下图是教程第 4 章中 Plan-and-Solve 范式的结构上半部分由 Plan 模块生成任务清单下半部分 Task Agent 循环执行、Replan 模块负责修正用户请求与最终响应在两个阶段间流转。ReAct 用思考—行动—观察循环让模型自己决定调哪个工具第 4 章的实现不到 100 行核心代码。Reflection 让 Agent 对自己的输出做反思和修正这也是后续很多框架里自我优化能力的雏形。三个真实综合项目收尾第 13~15 章是理论与动手的交汇点基于 MCP 与多智能体协作的智能旅行助手、自动化深度研究 Agent、用 Godot 做的赛博小镇。以旅行助手为例下图展示了它的分层设计前端负责行程表单和地图可视化FastAPI 后端做路由智能体层由景点搜索、天气查询、酒店推荐、规划协调四个 Agent 组成底层对接地图、图片与 LLM 等外部服务。 快速上手3步跑通第一个Agent第一步获取项目。git clone https://gitcode.com/GitHub_Trending/he/hello-agents.git cd hello-agents第二步配置密钥。打开code/chapter1/FirstAgentTest.py填入任意 OpenAI 兼容格式的模型凭证ModelScope 的 Qwen 系列有免费额度再配一个 Tavily 搜索 KeyAPI_KEY YOUR_API_KEY # LLM 密钥 os.environ[TAVILY_API_KEY] YOUR_KEY # 搜索工具密钥第三步运行。cd code/chapter1 python FirstAgentTest.py 实战演示一个会查天气、推景点的旅行助手以第一章这个例子走完整个流程。做了什么终端里输入查询北京今天天气并根据天气推荐一个合适的景点。发生了什么脚本进入 ReAct 主循环模型先输出Thought我需要先知道天气再输出Action: get_weather(city北京)程序解析出函数名和参数调用 wttr.in 拿到真实天气把结果以Observation写回对话历史下一轮模型基于天气再发起get_attraction搜索拿到 Tavily 返回的推荐理由。得到什么模型在信息足够后输出Action: Finish[最终答案]循环结束你拿到一份天气 景点 理由的完整回答。关键在于每一步决策都来自模型本身而不是你写死的 if-else——这正是 AI Native Agent 和普通脚本的分界线。把这套思路放大就是第 13 章的做法用户请求由 PlannerAgent 拆解景点、天气、酒店三个专职 Agent 并行取数最后汇总成一份行程计划。 进阶技巧环境卡住时先看 Extra07Extra07-环境配置 给出了 AIHubmix、ModelScope 两条免费 LLM 通道的注册截图和 Tavily 配置步骤第 1 章代码的所有依赖它都覆盖到了。学完想有产出参考共创项目Co-creation-projects/下有 30 多个社区按教程路线做出来的毕业项目数据分析、邮件摘要、股票分析等结构基本就是 agents/tools/memory/frontend照着拆比凭空设计快得多。对调优有兴趣再啃第 11 章Agentic-RL 从 SFT 到 GRPO 的全流程需要 GPU 和较多耐心基础部分1~10 章完全不需要模型训练背景不必被标题吓退。❓ 常见问题Q我已经在用 Dify/Coze 了还有必要学这个吗有必要但顺序可以调整。第 5 章本身就讲低代码平台你已会的部分可以快读重点是第 4 章和第 7 章把平台黑盒里发生了什么变成你能复述、能复写的知识之后再用平台会清楚每一步在干什么。Q不会模型训练能学完吗能。前 10 章只需要基础 Python 和会用 API 调 LLM的认知训练内容集中在第 11 章属于可选扩展不学不影响做项目。Q运行第 1 章代码报错误未配置 TAVILY_API_KEY或 LLM 调用失败怎么办按报错顺序处理前者是 Tavily Key 没配或没生效确认在脚本里os.environ赋值后再运行后者检查API_KEY、BASE_URL、MODEL_ID三项是否匹配BASE_URL必须指向 OpenAI 兼容接口。完整排查步骤见 Extra07-环境配置。QHello-Agents 和 HelloAgents 框架是一回事吗不完全是。Hello-Agents 是这本教程仓库HelloAgents 是教程第 7 章带你从零构建出来的 Agent 框架前者教你造轮子后者是造出来的轮子学完第 7 章两者会在你手里合流。适合有一定 Python 基础、想从会用 Agent 工具转向会构建 Agent 系统的开发者和学生。下一步建议先花半小时按上文三步把FirstAgentTest.py跑起来再回到 README 的章节导航表从第 1 章开始按顺序推进。【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/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何从零构建第一个智能体？Hello-Agents的16章完整学习路线
如何从零构建第一个智能体Hello-Agents的16章完整学习路线【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/GitHub_Trending/he/hello-agentsHello-Agents 是 Datawhale 开源的智能体系统教程解决的问题很具体市面上用 Dify、Coze 拖拽出 Agent 的教程很多但讲透智能体为什么这样工作并带你从零手写一个框架的资料极少。它用 16 章、配套全部可运行代码把从原理到多智能体应用的路径走完整。 你学 Agent 时可能卡住的两个地方一个常见的状态是刷了很多 ReAct、MCP、多智能体协作的文章能在低代码平台上拖出一个能跑的 demo但一旦被问到Agent 的主循环是怎么转的框架里 state 在哪传递就答不上来。因为低代码平台本质是流程驱动LLM 只是后端而真正的 AI Native Agent 是靠模型自主决策下一步动作。另一个卡点是想自己动手写一个框架却不知从哪下笔。Hello-Agents 的解法是把学习拆成五步台阶先补概念第 1~3 章再亲手实现 ReAct 等经典范式第 4 章体验低代码平台和主流框架第 5~6 章然后基于 OpenAI 原生 API 从零搭一个自己的 Agent 框架第 7 章最后做旅行助手、深度研究 Agent 等综合项目第 13~15 章。完整目录见 README 内容导航。 核心能力这套教程给你什么一套从原理到落地的完整知识地图16 章分五大部分覆盖智能体发展史、LLM 基础、经典范式、记忆与检索、上下文工程、MCP/A2A 通信协议、Agentic-RL 训练和性能评估主线是先懂原理再谈构建。每一章都标注了关键内容学之前可以按 docs 目录 的章节索引规划节奏不必从头到尾硬啃。每个知识点都配可运行代码教程不是纯理论文档。code/目录下按章节存放了配套源码第 1 章有一个 200 行左右就能跑通的最小 Agent第 4 章是 ReAct、Plan-and-Solve、Reflection 三种范式的独立实现第 8 章有记忆工具与 RAG 管线的 11 个示例脚本。作者明确要求亲手运行、调试甚至修改每一份代码这对建立直觉比看十篇拆解文章都有效。三种经典范式逐行拆解下图是教程第 4 章中 Plan-and-Solve 范式的结构上半部分由 Plan 模块生成任务清单下半部分 Task Agent 循环执行、Replan 模块负责修正用户请求与最终响应在两个阶段间流转。ReAct 用思考—行动—观察循环让模型自己决定调哪个工具第 4 章的实现不到 100 行核心代码。Reflection 让 Agent 对自己的输出做反思和修正这也是后续很多框架里自我优化能力的雏形。三个真实综合项目收尾第 13~15 章是理论与动手的交汇点基于 MCP 与多智能体协作的智能旅行助手、自动化深度研究 Agent、用 Godot 做的赛博小镇。以旅行助手为例下图展示了它的分层设计前端负责行程表单和地图可视化FastAPI 后端做路由智能体层由景点搜索、天气查询、酒店推荐、规划协调四个 Agent 组成底层对接地图、图片与 LLM 等外部服务。 快速上手3步跑通第一个Agent第一步获取项目。git clone https://gitcode.com/GitHub_Trending/he/hello-agents.git cd hello-agents第二步配置密钥。打开code/chapter1/FirstAgentTest.py填入任意 OpenAI 兼容格式的模型凭证ModelScope 的 Qwen 系列有免费额度再配一个 Tavily 搜索 KeyAPI_KEY YOUR_API_KEY # LLM 密钥 os.environ[TAVILY_API_KEY] YOUR_KEY # 搜索工具密钥第三步运行。cd code/chapter1 python FirstAgentTest.py 实战演示一个会查天气、推景点的旅行助手以第一章这个例子走完整个流程。做了什么终端里输入查询北京今天天气并根据天气推荐一个合适的景点。发生了什么脚本进入 ReAct 主循环模型先输出Thought我需要先知道天气再输出Action: get_weather(city北京)程序解析出函数名和参数调用 wttr.in 拿到真实天气把结果以Observation写回对话历史下一轮模型基于天气再发起get_attraction搜索拿到 Tavily 返回的推荐理由。得到什么模型在信息足够后输出Action: Finish[最终答案]循环结束你拿到一份天气 景点 理由的完整回答。关键在于每一步决策都来自模型本身而不是你写死的 if-else——这正是 AI Native Agent 和普通脚本的分界线。把这套思路放大就是第 13 章的做法用户请求由 PlannerAgent 拆解景点、天气、酒店三个专职 Agent 并行取数最后汇总成一份行程计划。 进阶技巧环境卡住时先看 Extra07Extra07-环境配置 给出了 AIHubmix、ModelScope 两条免费 LLM 通道的注册截图和 Tavily 配置步骤第 1 章代码的所有依赖它都覆盖到了。学完想有产出参考共创项目Co-creation-projects/下有 30 多个社区按教程路线做出来的毕业项目数据分析、邮件摘要、股票分析等结构基本就是 agents/tools/memory/frontend照着拆比凭空设计快得多。对调优有兴趣再啃第 11 章Agentic-RL 从 SFT 到 GRPO 的全流程需要 GPU 和较多耐心基础部分1~10 章完全不需要模型训练背景不必被标题吓退。❓ 常见问题Q我已经在用 Dify/Coze 了还有必要学这个吗有必要但顺序可以调整。第 5 章本身就讲低代码平台你已会的部分可以快读重点是第 4 章和第 7 章把平台黑盒里发生了什么变成你能复述、能复写的知识之后再用平台会清楚每一步在干什么。Q不会模型训练能学完吗能。前 10 章只需要基础 Python 和会用 API 调 LLM的认知训练内容集中在第 11 章属于可选扩展不学不影响做项目。Q运行第 1 章代码报错误未配置 TAVILY_API_KEY或 LLM 调用失败怎么办按报错顺序处理前者是 Tavily Key 没配或没生效确认在脚本里os.environ赋值后再运行后者检查API_KEY、BASE_URL、MODEL_ID三项是否匹配BASE_URL必须指向 OpenAI 兼容接口。完整排查步骤见 Extra07-环境配置。QHello-Agents 和 HelloAgents 框架是一回事吗不完全是。Hello-Agents 是这本教程仓库HelloAgents 是教程第 7 章带你从零构建出来的 Agent 框架前者教你造轮子后者是造出来的轮子学完第 7 章两者会在你手里合流。适合有一定 Python 基础、想从会用 Agent 工具转向会构建 Agent 系统的开发者和学生。下一步建议先花半小时按上文三步把FirstAgentTest.py跑起来再回到 README 的章节导航表从第 1 章开始按顺序推进。【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/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考