Hello-Agents：Datawhale 开源 AI 智能体教程如何帮你从零构建生产级 Agent

GitHub Stars： 45,600+ | 日增： 1,162 stars | Forks： 5,500+ | 仓库： datawhalechina/hello-agents

2025 年被广泛认为是"AI 智能体元年"。从 OpenAI 的 Operator 到谷歌的 A2A 协议，从 Anthropic 的 MCP 到字节跳动的 UI-TARS，整个科技行业都在向能够感知、规划并代表用户行动的自主智能系统转型。然而对于大多数开发者来说，从使用聊天机器人到构建真正的智能体之间，仍存在巨大的鸿沟。在这样的背景下，Hello-Agents 应运而生 —— 这是中国知名开源 AI 学习社区 Datawhale 推出的教育项目，已在 GitHub 斩获 45,600+ Stars，成为所有希望从"大模型用户"转型为"智能体系统构建者"的开发者最权威的起点。

与零散的技术博客或默认你已具备前置知识的框架文档不同，Hello-Agents 提供了一套完整的 16 章课程体系，涵盖智能体基础理论、经典范式、低代码平台、专业框架、高级记忆系统、通信协议、强化学习以及综合实战项目。每一章都配有可运行的代码，全部内容以在线书籍、本地文档和可下载 PDF 的形式免费开放。

在这篇深度评测中，我们将探讨是什么让 Hello-Agents 成为当今 GitHub 上最具价值的智能体教育资源，它结构化的课程体系如何加速你从初学者成长为能够交付生产级智能体的开发者，以及它在理论、动手编码和实战项目上的结合为何创造了连付费训练营都无法比拟的学习体验。

Hello-Agents 是什么？

Hello-Agents 是一个系统化的、从零开始构建 AI 智能体的开源教程，由中国最具影响力的开源 AI 教育组织之一 Datawhale 社区创建。该项目以 Apache 2.0 协议发布，托管于 GitHub 的 datawhalechina/hello-agents 仓库。

这个教程精准地填补了一个关键的市场空白：虽然市面上有无数关于 ChatGPT 提示词技巧的介绍，也有大量框架的 README 文档，但几乎没有任何资源能够系统地教授智能体的底层工作原理 —— 从驱动它们的 Transformer 架构，到引导它们的推理模式，再到连接它们的通信协议，以及训练它们的强化学习方法。

Hello-Agents 通过五大模块填补了这一空白：

  1. 智能体与大模型基础 —— 理解什么是智能体、它们的发展历史以及驱动它们的大语言模型
  2. 构建你的第一个大模型智能体 —— 实现经典范式、使用低代码平台、掌握专业框架
  3. 高级知识扩展 —— 记忆系统、上下文工程、智能体协议、Agentic RL 与评估方法
  4. 综合案例进阶 —— 智能旅行助手、DeepResearch 智能体、赛博小镇仿真
  5. 毕业设计与未来展望 —— 从零到一构建完整的智能应用

核心课程体系：16 章学习路径

Hello-Agents 的核心是其精心设计的 16 章课程体系，旨在将开发者从零基础培养到能够构建和部署生产级智能体系统的能力。

第一部分：智能体与语言模型基础

第一章：初识智能体 这一章奠定了概念基础。它定义了什么是 AI 智能体（一种能够感知环境、做出决策并采取行动以实现目标的自主系统），梳理了从符号 AI 到大模型驱动智能体的演进脉络，并介绍了当今领域的主流范式。学完之后，你会理解为什么 2025 年成为了"智能体元年"，以及真正的智能体与简单的聊天机器人包装器有何本质区别。

第二章：智能体发展历史 一场从早期基于规则的系统，到 AlphaGo 等强化学习智能体，再到当前大模型驱动自主系统的历史之旅。这种历史背景至关重要，因为许多现代智能体模式实际上是对几十年前想法的重新发明 —— 了解历史可以避免你重蹈覆辙。

第三章：大语言模型基础 在构建智能体之前，你需要理解引擎。本章涵盖 Transformer 架构、注意力机制、提示词技巧（零样本、少样本、思维链）以及当前语言模型的局限性 —— 这些正是智能体系统必须克服的问题。同时还会梳理主流大模型格局，从 GPT-4、Claude 到开源替代方案。

第二部分：构建你的大语言模型智能体

第四章：智能体经典范式构建 这是正式动手编码的起点。你将从头实现三种奠基性的智能体模式：

  • ReAct（推理+行动） —— 驱动许多现代智能体的核心模式，模型在思考痕迹与工具调用之间交替循环，直到任务完成。
  • Plan-and-Solve（规划与求解） —— 两阶段方法，智能体首先生成分步计划，然后系统地执行每一步。
  • Reflection（反思） —— 自我改进模式，智能体评估自己的输出、识别错误并迭代优化。

每种模式都使用 OpenAI API 以简洁的 Python 代码实现，让你清楚地看到循环是如何运作的，而不会被框架的魔法遮蔽底层机制。

第五章：基于低代码平台的智能体搭建 并非每个智能体都需要自定义代码。本章教你使用三大主流低代码平台构建功能完整的智能体：

  • Coze（字节跳动）—— 拥有丰富插件生态的可视化智能体构建工具
  • Dify —— 开源的大模型应用开发平台
  • n8n —— 可扩展 AI 能力的工作流自动化工具

你将学会何时选择低代码方案（快速原型、非技术团队），何时必须采用代码原生方案（自定义逻辑、规模化、深度集成）。

第六章：框架开发实践 当你超出低代码平台的能力边界时，就需要专业框架。本章提供以下框架的实战经验：

  • AutoGen（微软）—— 多智能体对话框架，智能体可以相互协作解决问题
  • AgentScope —— 支持异构智能体的灵活平台
  • LangGraph（LangChain）—— 将大模型应用建模为图结构的状态化多角色系统

你会在三个框架中构建同一个简单智能体，从而直接比较它们的 API、抽象层次和权衡取舍。

第七章：构建你的 Agent 框架 第二部分的收官之作。仅使用 OpenAI API 和标准 Python 库，你将从头构建一个最小但功能完整的智能体框架。这个练习将 AutoGen 和 LangGraph 中遇到的每一个抽象概念都彻底祛魅 —— 你理解了框架为何存在、它们解决了什么问题，以及何时你可能完全不需要它们。

第三部分：高级知识扩展

第八章：记忆与检索 无状态的大模型无法在长时间对话中保持上下文，也无法回忆之前会话的信息。本章教你如何构建记忆系统：

  • 短期记忆 —— 在 Token 限制内管理对话上下文
  • 长期记忆 —— 持久化存储用户偏好、事实和对话历史
  • RAG（检索增强生成） —— 通过向量数据库和嵌入搜索将智能体连接到外部知识库

你将使用开源嵌入模型和向量存储实现完整的 RAG 流水线，让你的智能体能够基于私有文档回答问题。

第九章：上下文工程 上下文是智能体系统中最宝贵的资源 —— 每一个花在无关信息上的 Token，都是无法用于推理的 Token。本章教授高级上下文管理：窗口策略、摘要技术、分层上下文结构，以及将业余智能体与专业智能体区分开来的"上下文工程"思维。

第十章：智能体通信协议 随着智能体生态的成熟，标准化协议正在涌现。本章对以下协议进行深度技术分析：

  • MCP（模型上下文协议） —— Anthropic 的开放标准，用于连接 AI 系统与外部数据源和工具
  • A2A（智能体对智能体） —— 谷歌提出的智能体互操作协议
  • ANP（智能体网络协议） —— 社区驱动的智能体发现与通信协议

你将实现基础的 MCP 服务器和客户端，赋予智能体以标准化方式调用外部工具的能力。

第十一章：Agentic RL 这是当今所有智能体教程中最先进的章节之一。它教你使用强化学习训练面向智能体行为的大模型：

  • SFT（监督微调） —— 任何自定义模型的起点
  • RLHF（基于人类反馈的强化学习） —— ChatGPT 对齐背后的核心技术
  • GRPO（组相对策略优化） —— 由 DeepSeek 推广的高效强化学习方法

你将走过完整的训练流水线，从数据准备到模型评估，使用触手可及的开源工具。

第十二章：智能体性能评估 如何判断你的智能体好不好？本章涵盖评估指标（任务成功率、效率、安全性）、基准数据集（AgentBench、SWE-bench）以及系统化智能体测试框架。你将学会构建在部署前就能捕获回归问题的评估流水线。

第四部分：综合案例进阶

第十三章：智能旅行助手 一个真实的多智能体应用，结合 MCP 工具调用、网络搜索、地图 API 和行程规划。旅行助手展示了多个专业智能体（航班搜索、酒店预订、活动推荐）如何通过协调智能体协作，提供完整的服务体验。

第十四章：自动化深度研究智能体 OpenAI 的 DeepResearch 证明了智能体可以自主在网络上进行多步骤研究。本章指导你复现这一能力：构建一个能够自主制定搜索查询、浏览结果、综合发现并生成结构化研究报告的智能体 —— 全程无需人工干预。

第十五章：构建赛博小镇 课程中最具创意的项目。你将构建一个由 AI 智能体居住的仿真小镇，每个智能体都有自己的个性、目标和日常作息。受斯坦福 Generative Agents 等项目启发，这个案例教授多智能体社会动力学、涌现行为和环境仿真。

第五部分：毕业设计与未来展望

第十六章：毕业设计 最终章挑战你从零开始设计并构建一个完整的智能应用，综合运用前 15 章所学的全部知识。内容包括项目规划指导、架构决策框架和部署考量。

社区贡献与额外内容

除了核心的 16 章之外，Hello-Agents 通过 Extra-Chapter 和 Co-creation-projects 目录维护着活跃的社区贡献系统。值得关注的社区内容包括：

  • 智能体面试题总结 —— 为智能体相关岗位精心整理的技术面试题及详细解答
  • Dify 智能体创建保姆级教程 —— 面向初学者的手把手智能体构建指南
  • Agent Skills 与 MCP 对比解读 —— 深度比较智能体工具集成的两大主流方案
  • GUI Agent 科普与实战 —— 探索能够与图形用户界面交互的智能体
  • Agent Self-Evolution（智能体自进化） —— 构建能够通过闭环学习提升自身能力的高级技术

凭借 71 位贡献者 和持续的 Pull Request 活动，该项目受益于一个充满活力的社区，能够随着快速演进的智能体领域保持内容更新。

安装与学习环境配置

Hello-Agents 通过多种形式确保学习的可及性：

在线阅读

访问官方文档站点 https://datawhalechina.github.io/hello-agents/ 获取完整的网页版教程。国内用户可使用优化镜像加速访问。

本地部署

克隆仓库并在本地启动文档服务：

git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
# 按照 Extra-Chapter/07 中的环境配置指南操作

PDF 下载

完整 PDF 版本可通过 GitHub Releases 或 Datawhale 官网免费下载。PDF 带有 Datawhale 水印以防止商业转售，同时完全不影响个人学习使用。

代码环境

/code 目录包含每一章的可运行实现。主要语言为 Python（72.5%），并配有 Jupyter Notebook 供交互式探索。推荐环境：

  • Python 3.9+
  • OpenAI API 密钥或 GitHub Models 访问权限
  • 可选：Ollama 用于本地模型运行
  • 可选：向量数据库（Chroma 或 Weaviate）用于 RAG 章节

代码示例：从零构建 ReAct 智能体

为了展示教程的实战性质，以下是第四章 ReAct 智能体的简化版本：

import openai
import json

# 定义可用工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "在网络上搜索信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"}
                },
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string"}
                },
                "required": ["expression"]
            }
        }
    }
]

# 简单的工具实现
def search_web(query):
    return f"搜索结果：{query}"

def calculate(expression):
    return str(eval(expression))

# ReAct 循环
messages = [
    {"role": "system", "content": "你是一个有用的助手。需要时使用工具。"},
    {"role": "user", "content": "东京的人口除以 1000 是多少？"}
]

for step in range(5):  # 最多 5 步推理
    response = openai.chat.completions.create(
        model="gpt-4",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    message = response.choices[0].message
    messages.append(message)
    
    if message.tool_calls:
        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            arguments = json.loads(tool_call.function.arguments)
            
            if function_name == "search_web":
                result = search_web(**arguments)
            elif function_name == "calculate":
                result = calculate(**arguments)
            
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })
    else:
        print("最终答案：", message.content)
        break

这个模式 —— 推理应该调用什么工具、执行它、观察结果、再次推理 —— 正是驱动 OpenAI Operator 和 Anthropic Claude Computer Use 等专业智能体的核心循环。

实际应用场景与职业影响

对于 aspiring AI 工程师

Hello-Agents 提供了招聘启事中"AI 智能体工程师"或"大模型应用开发者"岗位越来越要求的结构化基础。面试题补充内容直接取材于头部 AI 公司的真实招聘流程。

对于产品团队

产品经理和设计师可以使用低代码章节（Coze、Dify、n8n）快速原型化智能体驱动的功能，无需等待工程资源。框架章节则提供了与开发团队高效协作所需的技术素养。

对于研究人员和学者

Agentic RL 章节（从 SFT 到 GRPO）和评估章节提供了足够的深度，可以作为研究项目的起点。DeepResearch 复现对于研究自主信息检索的学术团队尤其有价值。

对于独立开发者和创业者

毕业设计结构和社区贡献的项目画廊为发布智能体驱动的产品提供了灵感和参考实现。赛博小镇仿真章节展示了智能体如何创造超越简单聊天界面的引人入胜的用户体验。

与替代方案的比较

能力Hello-Agents框架官方文档付费训练营视频教程
结构化课程16 章递进式碎片化，假设有前置知识质量参差不齐无结构，随机
理论深度从 Transformer 到 RL仅限框架本身通常较浅通常较浅
动手编码每一章都有仅有示例受成本限制很少完整
低代码+代码原生两者都覆盖仅限代码通常只教一种质量混杂
高级话题（RL、协议）完整章节很少覆盖仅高级付费版几乎从不
实战项目3 个综合案例通常没有1-2 个项目很少生产级
社区与更新71 贡献者，活跃厂商控制无不可靠
价格免费（Apache 2.0）免费500-5000 美元免费
面试准备专门 Q&A无有时有很少有

Hello-Agents 占据了一个独特的位置：它拥有大学课程的深度、训练营的实用性、开源项目的社区、以及免费文档的价格。

Datawhale 社区优势

Hello-Agents 并非孤立项目。它由 Datawhale 出品 —— 一个在中国开源 AI 教育领域根基深厚的社区。Datawhale 已产出多个高星仓库，并运营着活跃的学习小组、黑客松和导师计划。

这种社区支持意味着：

  • 持续维护 —— 随着智能体领域的发展，项目定期更新
  • 质量控制 —— 内容在合并前由从业者同行评审
  • 网络效应 —— 学习者加入的是数千人的社区，而非孤立地阅读文档
  • 职业连接 —— Datawhale 的行业合作伙伴关系创造了从学习到就业的路径

局限性与注意事项

虽然 Hello-Agents 非常出色，学习者仍需注意以下几点：

  • 中文为主 —— 主要内容使用中文，虽然存在英文 README 且社区翻译正在进行中
  • 生态快速变化 —— 部分平台具体操作指南（Coze、Dify）可能随产品迭代而过时；核心原理始终有效
  • 硬件要求 —— Agentic RL 章节进行训练时建议使用 GPU；CPU 执行可行但速度较慢
  • API 成本 —— 动手实践需要 OpenAI API 或等效访问权限；密集实验期间费用可能累积

结论与入门指南

Hello-Agents 是当今最全面、最易获取、且社区支持最强的 AI 智能体开发学习资源。凭借 45,600+ GitHub Stars、涵盖从 Transformer 基础到 GRPO 强化学习的 16 章课程体系、以及 71 人贡献者社区 对内容的持续扩充，它代表了一项无与伦比的教育投资 —— 尤其考虑到它完全免费。

如果你是一位希望超越 ChatGPT 提示词、开始构建能够自主规划、推理和行动系统的开发者，Hello-Agents 提供了路线图。如果你是希望理解智能体能做什么和不能做什么的产品负责人，案例研究章节提供了脚踏实地的现实认知。如果你是刚进入智能体领域的研究者，关于协议和 RL 的高级章节提供了足够深度来加速你的工作。

下一步行动：

  1. 访问仓库 github.com/datawhalechina/hello-agents
  2. 阅读在线文档 datawhalechina.github.io/hello-agents
  3. 下载 PDF 版本用于离线学习
  4. 克隆 /code 目录并运行第四章的 ReAct 实现
  5. 加入社区讨论，探索 Extra-Chapter 贡献内容

智能体革命不是即将到来 —— 它已经到来。Hello-Agents 确保你不仅仅是旁观者。你将成为构建者。

相关文章