Skip to main content

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

Datawhale Hello-Agents 是 GitHub 上最火的 AI 智能体开源教程,涵盖 ReAct、AutoGen、LangGraph、MCP、Agentic RL 等 16 章完整课程,拥有 45,600+ Stars。

Go JavaScript Python
应用领域: Llm Frameworks

{</* resource-info */>}

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 #

# 在线阅读
# https://datawhalechina.github.io/hello-agents/

# 本地搭建
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
# 参考 Extra-Chapter/07 配置环境

# 运行第4章 ReAct Agent
python code/chapter4/react_agent.py

代码示例:从零构建 ReAct Agent #

import openai
import json

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "搜索网络信息",
            "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"]
            }
        }
    }
]

def search_web(query): return f"搜索结果: {query}"
def calculate(expr): return str(eval(expr))

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

for step in range(5):
    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 tc in message.tool_calls:
            name = tc.function.name
            args = json.loads(tc.function.arguments)
            result = search_web(**args) if name == "search_web" else calculate(**args)
            messages.append({"role": "tool", "tool_call_id": tc.id, "content": result})
    else:
        print("最终答案:", message.content)
        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。

发布于 2026年5月15日星期五 · 最后更新 2026年5月15日星期五