Hello-Agents 是什么?
Hello-Agents 是由中国知名开源 AI 教育社区 Datawhale 打造的系统性开源 AI 智能体教程,在 GitHub 上已获得 45,600+ Stars,成为从"LLM 用户"进阶为"Agent 系统构建者"的权威起点。
GitHub: https://github.com/datawhalechina/hello-agents Stars: 45,600+ 协议: Apache 2.0
为什么需要 Hello-Agents?
2025 年被公认为"AI 智能体元年"。从 OpenAI 的 Operator 到 Google 的 A2A 协议,从 Anthropic 的 MCP 到字节跳动的 UI-TARS,整个行业都在向能够感知、规划并代替用户行动的自主智能系统转型。
然而,对大多数开发者来说,从"使用聊天机器人"到"构建真正的 Agent"之间的鸿沟依然巨大。Hello-Agents 正是填补这一空缺的完整解决方案。
16 章完整课程体系
第一部分:Agent 与大模型基础
- 第1章:初识 Agent — Agent 的定义、演进历史与关键范式
- 第2章:Agent 发展历史 — 从符号 AI 到 AlphaGo 再到 LLM 驱动的自主系统
- 第3章:LLM 基础 — Transformer 架构、注意力机制、提示工程技术
第二部分:构建你的第一个 LLM Agent
- 第4章:经典 Agent 范式 — 从零实现 ReAct、Plan-and-Solve、Reflection
- 第5章:低代码平台 Agent — Coze、Dify、n8n 三大平台实战
- 第6章:框架开发实践 — AutoGen、AgentScope、LangGraph 对比实战
- 第7章:自研 Agent 框架 — 仅用 OpenAI API 和标准库构建最小 Agent 框架
第三部分:高阶知识拓展
- 第8章:记忆与检索 — 短期记忆、长期记忆、RAG 向量检索系统
- 第9章:上下文工程 — 窗口策略、摘要技术、分层上下文结构
- 第10章:Agent 通信协议 — MCP、A2A、ANP 三大协议深度解析
- 第11章:Agentic RL — SFT、RLHF、GRPO 完整训练管线
- 第12章:Agent 性能评估 — AgentBench、SWE-bench 等基准测试
第四部分:综合案例
- 第13章:智能旅行助手 — 多 Agent 协作的 MCP 工具调用实战
- 第14章:自动化深度研究 Agent — 复现 OpenAI DeepResearch 能力
- 第15章:构建赛博小镇 — 多 Agent 社会动态与涌现行为模拟
第五部分:大作业与展望
- 第16章:大作业 — 从零设计并构建完整的智能体应用
核心亮点
| 能力 | Hello-Agents | 框架文档 | 付费训练营 | 视频教程 |
|---|---|---|---|---|
| 体系化课程 | 16章渐进式 | 碎片化 | 参差不齐 | 无结构 |
| 理论深度 | 从 Transformer 到 RL | 仅框架层面 | 通常较浅 | 通常较浅 |
| 动手编码 | 每章都有 | 仅示例 | 受成本限制 | 很少完整 |
| 低代码+代码原生 | 两者兼顾 | 仅代码 | 通常二选一 | 质量参差 |
| 高阶主题 | 完整章节 | 很少覆盖 | 仅高级版 | 几乎不涉 |
| 实战项目 | 3个综合案例 | 通常无 | 1-2个项目 | 很少生产级 |
| 社区更新 | 71位贡献者 | 厂商控制 | N/A | 不可靠 |
| 价格 | 免费 | 免费 | $500-$5000 | 免费 |
快速开始
1# 在线阅读
2# https://datawhalechina.github.io/hello-agents/
3
4# 本地搭建
5git clone https://github.com/datawhalechina/hello-agents.git
6cd hello-agents
7# 参考 Extra-Chapter/07 配置环境
8
9# 运行第4章 ReAct Agent
10python code/chapter4/react_agent.py
代码示例:从零构建 ReAct Agent
1import openai
2import json
3
4tools = [
5 {
6 "type": "function",
7 "function": {
8 "name": "search_web",
9 "description": "搜索网络信息",
10 "parameters": {
11 "type": "object",
12 "properties": {"query": {"type": "string"}},
13 "required": ["query"]
14 }
15 }
16 },
17 {
18 "type": "function",
19 "function": {
20 "name": "calculate",
21 "description": "执行数学计算",
22 "parameters": {
23 "type": "object",
24 "properties": {"expression": {"type": "string"}},
25 "required": ["expression"]
26 }
27 }
28 }
29]
30
31def search_web(query): return f"搜索结果: {query}"
32def calculate(expr): return str(eval(expr))
33
34messages = [
35 {"role": "system", "content": "你是一个有用的助手,需要时使用工具。"},
36 {"role": "user", "content": "东京人口除以1000是多少?"}
37]
38
39for step in range(5):
40 response = openai.chat.completions.create(
41 model="gpt-4", messages=messages, tools=tools, tool_choice="auto"
42 )
43 message = response.choices[0].message
44 messages.append(message)
45
46 if message.tool_calls:
47 for tc in message.tool_calls:
48 name = tc.function.name
49 args = json.loads(tc.function.arguments)
50 result = search_web(**args) if name == "search_web" else calculate(**args)
51 messages.append({"role": "tool", "tool_call_id": tc.id, "content": result})
52 else:
53 print("最终答案:", message.content)
54 break
这个"思考 → 调用工具 → 观察结果 → 再思考"的循环,正是 OpenAI Operator 和 Claude Computer Use 等顶级 Agent 的核心机制。
适用人群
| 人群 | 价值 |
|---|---|
| AI 工程师求职者 | 系统掌握 Agent 工程核心能力,面试题直接来自大厂真题 |
| 产品团队 | 用低代码章节快速原型验证,再用框架章节与开发团队高效协作 |
| 研究者/学者 | Agentic RL 和评估章节足以作为研究项目的起点 |
| 独立开发者/创业者 | 大作业结构和社区项目库为产品化提供灵感和参考实现 |
总结
Hello-Agents 是当今最全面、最易懂、社区支持最强的 AI 智能体开发学习资源。它兼具大学课程的深度、训练营的实用性、开源项目的社区活力,以及免费文档的价格。
智能体革命不是即将到来 — 它已经到来。Hello-Agents 确保你不仅是旁观者,更是建设者。
💡 想了解更多 AI 工具和开源项目?关注 dibi8.com 获取每周精选。