YOHO AI

标签： Agent框架

  • Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程

    Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程

    Hello-Agents 项目主视觉
    Hello-Agents——《从零开始构建智能体》开源教程

    项目简介

    Hello-Agents 是 Datawhale 开源社区出品的系统性智能体（AI Agent）中文实战教程——《从零开始构建智能体》，16 章内容从智能体原理、经典范式（ReAct / Plan-and-Solve / Reflection）一路讲到自研 Agent 框架、记忆与 RAG、MCP 通信协议、Agentic RL 训练与多智能体综合项目，目标是带你从大语言模型的”使用者”蜕变为智能体系统的”构建者”。目前已斩获 69,381 Stars，并曾登顶 GitHub Trending，是当下最热门的中文 Agent 学习资源之一。

    与 Dify、Coze、n8n 这类”流程驱动”的低代码 Agent 平台不同，Hello-Agents 的重心是教你构建 AI 原生（AI Native）智能体——真正以 LLM 推理驱动决策的 Agent。教程配套自研轻量框架 HelloAgents（基于 OpenAI 原生 API 从零实现），让你兼具”用轮子”与”造轮子”的能力。

    安装要求和过程

    环境要求

    • Python 3.10+（具备基础 Python 编程能力即可，无需模型训练背景）
    • 任意一个 LLM API Key（OpenAI 兼容接口，如 DeepSeek、通义千问、GLM 等国产模型均可）
    • 可选：Jupyter Notebook / VS Code，用于运行配套代码

    快速开始

    # 1. 克隆仓库（含全部 16 章文档 + 配套代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

# 2. 安装自研教学框架 HelloAgents（V1.0.0）
pip install helloagents

# 3. 配置模型 API（OpenAI 兼容接口均可）
export LLM_API_KEY="your-api-key"
export LLM_BASE_URL="https://api.deepseek.com/v1"

# 4. 跟随章节运行 code/ 目录下的配套代码

    不想装环境？可直接在线阅读：国内加速站 | GitHub Pages；官方还提供带 Datawhale 水印的免费 PDF 版本下载。

    核心功能

    • 16 章完整学习路径：五大部分层层递进——智能体与 LLM 基础 → 亲手实现 ReAct / Plan-and-Solve / Reflection 经典范式 → 记忆·RAG·上下文工程·通信协议等高级技术 → 综合案例 → 毕业设计，每章配可运行代码。
    • 自研教学框架 HelloAgents：不依赖任何重型框架，基于 OpenAI 原生 API 从零构建 Agent 框架，穿透 LangGraph / AutoGen 等框架表象理解底层原理。
    • Agentic RL 训练实战：第十一章覆盖从 SFT 到 GRPO 的 LLM 训练全流程，是少有的把”训练智能体模型”讲透的中文教程。
    • MCP / A2A / ANP 协议解析：系统讲解智能体通信协议，配合智能旅行助手案例演示 MCP 与多智能体协作的真实应用。
    • 丰富的 Extra 番外篇：Agent 面试题总结、GUI Agent / Web Agent 实战、Agent Skills 与 MCP 对比、Agent 自进化、Skill 写作最佳实践等 13+ 篇社区共创内容持续更新。

    典型使用场景

    1. 系统学习 Agent 开发的工程师/学生：按五大部分循序渐进，从手写 ReAct 循环到构建自己的多智能体应用，毕业设计产出可写进简历的完整项目；番外篇的 Agent 面试题总结对求职者尤其实用。
    2. 复现深度研究智能体（DeepResearch Agent）：第十四章手把手复现自动化深度研究智能体，理解 OpenAI Deep Research 类产品的任务规划、搜索、综合报告全链路。
    3. 构建多智能体模拟应用：第十五章”赛博小镇”将 Agent 与游戏结合，模拟社会动态，是学习 Generative Agents（斯坦福小镇）范式的中文最佳实践入口。

    推荐理由

    市面上 Agent 教程要么是框架 API 说明书，要么是零散博客，而 Hello-Agents 是我见过体系最完整的中文 Agent 教程：它不满足于教你调用 LangGraph，而是带你从零造一个框架出来——这种”造轮子”式学习对建立底层直觉极其有效。内容覆盖也足够前沿：上下文工程、MCP 协议、GRPO 训练、Agent 自进化这些 2025-2026 年的热点全部收录，且持续更新。Datawhale 社区运营成熟，配套读者群、视频课共创、社区精选投稿一应俱全，完全免费开源。一周内 Star 从 1 万飙到近 7 万足以说明其质量。给想在”Agent 元年”入场的中文开发者：这就是那本该收藏的教科书。

    下载地址

    项目数据：69,381 Stars | 语言：Python / Markdown | 出品：Datawhale 开源社区（数据截至 2026-07-29）

  • Agents Towards Production：21.2K Stars 的生产级 GenAI Agent 实战教程库

    Agents Towards Production：21.2K Stars 的生产级 GenAI Agent 实战教程库

    Agents Towards Production 封面

    项目简介

    Agents Towards Production 是 Nir Diamant 维护的一套开源、代码优先的教程合集，目标是帮助开发者把 GenAI Agent 从「能跑的原型」推进到「可上线的产品」。仓库目前包含 28 个生产级教程，覆盖工具集成、RAG、记忆、部署、安全、评估、UI 等 13 大模块，所有代码都以可运行的 Notebook 形式提供。

    安装要求和过程

    • 环境要求：Python 3.10+、Jupyter Notebook / JupyterLab、Git
    • 克隆仓库：git clone https://github.com/NirDiamant/agents-towards-production.git
    • 进入对应教程目录，例如：cd tutorials/LangGraph-agent
    • 安装依赖：每个教程都有独立的 requirements.txt，执行 pip install -r requirements.txt
    • 启动 Jupyter：jupyter notebook，按 Notebook 说明逐格运行即可

    核心功能

    • 端到端生产链路：从 Prompt 工程、状态化工作流、向量记忆，到 Docker/FastAPI 部署、GPU 扩展、安全防护，形成完整闭环。
    • 可运行教程：每个教程独立成册，直接提供 Notebook 与依赖文件，几分钟内就能从概念跑到可交互的 Agent。
    • 主流技术栈实战：涵盖 LangGraph、LangChain、MCP、Redis、Mem0、Cognee、LlamaFirewall、RunPod、AWS Bedrock、Streamlit 等。
    • 安全与可观测性：包含安全护栏、Apex 安全评估、LangSmith Tracing、IntellAgent 自动评估等实战内容。
    • 多智能体协作：讲解 A2A 协议下的智能体间通信与任务分发。

    典型使用场景

    • 企业 RAG 落地：Contextual AI 教程演示如何在 15 分钟内构建面向金融文档分析的企业级 RAG，包含文档处理、索引与 LMUnit 自动化评测。
    • 可部署 Agent 服务：Docker 容器化 + FastAPI 端点部署教程，教你把 LangGraph 工作流封装成可调用的 REST API。
    • 长记忆客服助手：结合 Redis 双记忆、Mem0 向量+图谱、Cognee 构建能持续学习用户偏好的对话 Agent。

    推荐理由

    这是一本「会动的书」：不是泛泛而谈的设计模式，而是把每个生产环节拆成可执行的 Notebook。对已经会用 LLM、但苦于不知道怎么把 Agent 真正交付到生产环境的人来说，它补全了从原型到运维之间最关键的拼图。21.2K Stars 和活跃的社区也证明了它的实用价值。

    13大模块内容地图

    三步快速上手

    下载地址

  • Agno：41K Stars 的开源智能体平台框架，SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno：41K Stars 的开源智能体平台框架，SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno AgentOS 控制台
    Agno AgentOS：内置 Web UI 的智能体平台运行时

    Agno（agno-agi/agno）是一个用于构建、运行和管理「智能体平台（Agent Platform）」的开源框架与运行时，让你用一套 Python SDK 就能把 AI 智能体做成可上线的服务，并通过自带 Web UI 统一管理。截至发文，项目已在 GitHub 收获 41,400+ Stars，采用对商用友好的 Apache-2.0 许可。

    一句话简介

    Agno = Agno SDK（写智能体）+ AgentOS 运行时（跑成服务）+ AgentOS UI（可视化管理），让你完整拥有自己的智能体技术栈——数据、记忆、安全（JWT + RBAC）全部掌握在自己手里。

    安装要求与快速上手

    环境要求：Python 3.8+，建议使用虚拟环境；生产部署推荐 Docker + PostgreSQL（用于存储会话、记忆与追踪）。

    手写第一个智能体（约 20 行）：

    # 1. 安装
pip install -U agno openai

# 2. 定义一个智能体
from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    markdown=True,
)

# 3. 运行
agent.print_response("用三句话介绍一下向量数据库", stream=True)

    一键搭平台：把下面这段话丢给你的编程助手（Claude Code / Cursor / Codex），它会自动 clone 启动模板、用 Docker 在本地拉起一个带 REST API、Postgres、MCP Server 和控制台的完整平台：

    Help me set up my agent platform.
Clone https://github.com/agno-agi/agentos-railway into a folder called
agent-platform, cd in, read the README, and follow the get started guide.

    核心功能

    • 生产级 API：AgentOS 运行时开箱提供 50+ 端点，支持 SSE 与 WebSocket，直接在其上构建产品。
    • 自有存储：会话、记忆、知识库与追踪数据全部存进你自己的数据库，不外泄。
    • 100+ 集成 & 上下文源：内置 GitHub、Slack、Postgres 等预制工具包，并可从 Slack、Drive、Wiki、MCP 等实时拉取上下文。
    • 企业级安全：基于 JWT 的 RBAC，原生支持多用户、多租户隔离；可对敏感工具设置人工审批（Human Approval）。
    • 全链路可观测：OpenTelemetry 追踪 + 运行历史 + 审计日志，配合定时任务（Cron 调度）与后台作业，无需额外基础设施。
    • 多渠道接入 & 随处部署：可将智能体暴露为 Slack / Telegram / WhatsApp / Discord / AG-UI / A2A 接口，并部署到 Docker、Railway、AWS、GCP、Azure 等任意容器平台。

    典型使用场景

    • 企业内部智能体平台：需要多租户隔离、权限控制与审计日志的团队，可用 Agno 快速搭建”自持”的 Agent 服务，避免把数据交给第三方 SaaS。
    • 面向用户的 AI 产品后端：借助 50+ REST 端点与流式接口，把智能体作为产品能力对外提供，前端只需消费 API。
    • 带人工审批的自动化工作流：在关键动作（如发邮件、改数据库）前暂停等待确认，兼顾自动化效率与可控性，适合运维、财务、客服等场景。

    推荐理由

    相比 LangChain 这类”全家桶”，Agno 的定位更清晰——它不只给你一个写 Agent 的库，而是把「运行时 + 管理 UI + 安全 + 可观测」这些上线时最头疼的工程问题一并解决。对于想把 Demo 真正推到生产、又不愿把数据主权交出去的团队，Agno 提供了一条”自建可控”的完整路径。SDK 上手快（20 行跑通），运行时功能齐全，配合 Docker 模板几乎零配置起步，是当下值得重点评估的智能体平台方案之一。

    下载与相关链接

  • DeerFlow：字节跳动开源的超级智能体运行时，77.8K Stars 登顶 GitHub Trending

    DeerFlow：字节跳动开源的超级智能体运行时，77.8K Stars 登顶 GitHub Trending

    DeerFlow

    项目简介

    DeerFlow（Deep Exploration and Efficient Research Flow） 是字节跳动开源的一款「超级智能体运行时（Super Agent Harness）」——它把沙箱、记忆、工具、技能、子智能体和消息网关整合在一起，让 AI 智能体能够自主完成从几分钟到数小时不等的长程任务：研究、写代码、做报告、生成幻灯片，几乎无所不能。

    截至发稿，DeerFlow 在 GitHub 上已收获约 77,800+ Stars，并在 2026 年 2 月 DeerFlow 2.0 发布后一度登顶 GitHub Trending 榜首。

    环境要求与安装过程

    环境要求：Python 3.12+、Node.js 22+；推荐使用 Docker 部署（本地评估建议 4 核 8G，长期运行服务器建议 8 核 16G 起）。Linux + Docker 是推荐的生产部署环境，macOS/Windows 更适合作为开发评估环境。

    快速开始：

    # 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 运行安装向导（约 2 分钟，交互式选择 LLM 提供商、搜索引擎、沙箱等）
make setup

# 3. 用 Docker 启动（推荐）
make docker-init    # 首次拉取沙箱镜像
make docker-start   # 启动服务

# 之后访问 http://localhost:2026

    随时可运行 make doctor 检查配置并获取修复建议。官方推荐搭配 Doubao-Seed-2.0-Code、DeepSeek v3.2 或 Kimi 2.5 等模型运行。

    DeerFlow 与姊妹项目 LLM Space
    配套桌面工具 LLM Space：可原型化智能体思路、逐步检查每一步、回放失败并做性能基准测试

    核心功能

    • 技能与工具（Skills & Tools）：技能是让 DeerFlow「无所不能」的核心。每个技能是一个结构化的 Markdown 能力模块，内置研究、报告生成、幻灯片制作、网页、图像与视频生成等；技能按需渐进加载，保持上下文窗口精简，对 token 敏感的模型也很友好。
    • 子智能体（Sub-Agents）：主智能体可即时派生子智能体，每个拥有独立作用域的上下文、工具与终止条件，尽可能并行执行并汇总结构化结果，最终由主智能体综合成连贯输出。
    • 沙箱与文件系统：沙箱感知的执行环境，让智能体安全地运行代码、读写文件，处理更复杂的多步任务。
    • 长期记忆：跨会话持久记住你的画像、偏好与积累的知识——写作风格、技术栈、常用工作流，用得越多越懂你。记忆本地存储，完全由你掌控。
    • 开放集成：基于 LangGraph 与 LangChain 构建，支持 MCP Server、多模型提供商、Claude Code / Codex CLI 集成、IM 渠道、飞书/Lark 集成以及 LangSmith / Langfuse 等可观测性追踪。

    典型使用场景

    • 深度研究报告：作为最初的 Deep Research 框架，DeerFlow 擅长针对复杂主题自动检索、爬取、交叉验证并输出结构化研究报告，甚至生成播客音频。
    • 内容与办公自动化：社区已用它构建数据管道、生成幻灯片、搭建仪表盘、自动化内容工作流——一个 harness 覆盖多类办公与创作任务。
    • 长程复杂任务编排：借助子智能体并行拆解、沙箱执行与长期记忆，适合需要数分钟到数小时、涉及多步骤和多工具协作的自动化流程。

    推荐理由

    DeerFlow 最打动我的地方，是它从「一个 Deep Research 框架」进化成了「开箱即用又高度可扩展的超级智能体运行时」。2.0 版本完全重写，把智能体真正落地干活所需的基础设施——文件系统、记忆、技能、沙箱、子智能体——全部内置。你既可以拿来即用，也可以拆开改造成自己的东西。加之字节跳动背书、MIT 许可、活跃维护和庞大社区，无论是想学习智能体架构，还是想搭一套自己的自动化工作台，DeerFlow 都非常值得一试。

    下载地址

    开源许可：MIT｜主要语言：Python｜Stars：约 77.8K

  • agents-cli：Google 官方 AI Agent 构建 CLI，让编程助手变身 Google Cloud 专家（4,723 Stars）

    agents-cli：Google 官方 AI Agent 构建 CLI，让编程助手变身 Google Cloud 专家（4,723 Stars）

    G

    agents-cli：Google 官方 AI Agent 构建 CLI

    让任何编程助手都成为 Google Cloud AI Agent 专家

    📌 项目简介

    agents-cli 是 Google 官方出品的 CLI 工具与技能包，将任意编程助手（Claude Code、Codex、Antigravity CLI 等）转化为 Google Cloud 上构建、评估、部署企业级 AI Agent 的专家。2026年4月刚发布，已在 AI 开发者社区引起广泛关注。

    4,723
    GitHub Stars

    506
    Forks

    Python
    主要语言

    Apache 2.0
    开源许可

    ⚙️ 安装要求与过程

    环境要求

    • Python 3.11+ （推荐 3.11 或 3.12）
    • uv （Python 包管理器，类似 pip 但更快）
    • Node.js （用于 npx skills add 方式安装）
    • Google Cloud 账号（如需部署到 Google Cloud）

    快速安装（推荐方式）

    # 一键安装 CLI + 技能包到编程助手
uvx google-agents-cli setup

# 或者只安装技能包（让编程助手自己处理）
npx skills add google/agents-cli

    验证安装

    # 查看已安装的技能
agents-cli --help

# 创建新 Agent 项目
agents-cli scaffold my-agent

    🚀 核心功能

    ① 全栈 Agent 开发工作流

    从项目脚手架创建、代码编写、评估测试到云端部署，agents-cli 提供完整的 Agent 开发生命周期支持。无需手动学习每款 CLI 和云服务，编程助手通过技能包自动掌握最佳实践。

    ② 七大专业技能包

    内置 7 个精心设计的技能包，覆盖 Agent 开发全流程：

    • google-agents-cli-workflow：开发周期、代码保留规则、模型选择
    • google-agents-cli-adk-code：ADK Python API（Agent、Tools、编排、回调、状态）
    • google-agents-cli-scaffold：项目脚手架（create、enhance、upgrade）
    • google-agents-cli-eval：评估方法论（指标、数据集、LLM-as-judge、自适应评分）
    • google-agents-cli-deploy：部署（Agent Runtime、Cloud Run、GKE、CI/CD、密钥管理）
    • google-agents-cli-publish：Gemini Enterprise 注册
    • google-agents-cli-observability：可观测性（Cloud Trace、日志、第三方集成）

    ③ 多编程助手无缝集成

    原生支持 Antigravity CLI、Claude Code、Codex 以及其他遵循 MCP 协议的编程助手。安装后，编程助手自动获得 Google Cloud AI Agent 开发能力，无需额外配置。

    ④ 企业级部署与治理

    支持部署到 Google Cloud 多种运行环境：Agent Runtime（专用 Agent 托管平台）、Cloud Run（无服务器容器）、GKE（Kubernetes）。内置 CI/CD 集成、密钥管理和版本控制，满足企业级安全要求。

    ⑤ 内置评估与可观测性

    提供完整的 Agent 评估框架（数据集管理、自动评分、LLM-as-judge）和开箱即用的可观测性工具（Cloud Trace 分布式追踪、结构化日志、第三方 APM 集成），让 Agent 质量可度量、问题可定位。

    💡 典型使用场景

    场景一：快速构建客服 Agent 并部署到云端

    开发者在 Claude Code 中安装 agents-cli 技能包后，直接描述需求：”构建一个客服 Agent，接入公司知识库，支持订单查询和退换货处理，然后部署到 Cloud Run”。Claude Code 自动调用 agents-cli 技能，完成项目创建、代码生成、测试评估和云端部署全流程，全程无需手动操作 gcloud CLI。

    场景二：企业 Agent 性能评估与持续优化

    使用 agents-cli eval 生成评估数据集，对 Agent 进行自动化测试。通过 LLM-as-judge 自适应评分机制，全面评估 Agent 的回答质量、工具调用准确性、多轮对话连贯性。测试结果自动生成报告，指导后续优化方向。

    场景三：将开源 Agent 发布到 Gemini Enterprise 平台

    完成 Agent 开发后，使用 agents-cli publish gemini-enterprise 命令，一键将 Agent 注册到 Gemini Enterprise Agent Platform，让企业内其他团队可以发现、调用和组合你的 Agent，实现 Agent 能力的内部共享与治理。

    🌟 推荐理由

    agents-cli 的最大价值在于“技能转移”——它将 Google Cloud AI Agent 开发的最佳实践封装成技能包，让任何编程助手都能立即获得专家级 Agent 构建能力。对于已经在使用 Claude Code 或 Codex 的开发者，安装 agents-cli 相当于免费聘请了一位精通 Google Cloud 的 Agent 架构师。

    项目虽然刚发布不久（2026年4月），但作为 Google 官方出品，其架构设计和工程质量有充分保障。七大技能包覆盖了从开发到部署的完整生命周期，特别是评估（eval）和部署（deploy）技能，解决了 AI Agent 工程化落地的最大痛点。

    如果你正在使用 Google Cloud 或考虑将 Agent 部署到云端，agents-cli 是目前最完整、最官方的一站式解决方案。即使暂时不用 Google Cloud，其技能包中蕴含的 Agent 工程最佳实践也值得深入学习。

    📥 下载地址

    快速安装：uvx google-agents-cli setup
     | 
    仅安装技能：npx skills add google/agents-cli

    数据来源：GitHub API | 更新时间：2026-07-05 | 由 AI 自动整理