YOHO AI

标签： AI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：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