Hello-Agents：Datawhale的开源AI代理教程如何帮助您构建

核心课程：16 章学习路径Hello-Agents 的核心是其结构严谨的 16 章课程，旨在帮助开发人员从零知识到构建和部署生产级代理系统的能力。### 第 1 部分：代理和语言模型基础第一章：与特工的初次相遇 #

本章奠定了概念基础。 它定义了人工智能代理是什么（一个感知环境、做出决策并采取行动实现目标的自主系统），追溯了从符号人工智能到法学硕士驱动的代理的演变，并介绍了当今主导该领域的关键范例。 最后，您将了解为什么 2025 年成为"代理年"，以及true正的代理与简单的聊天机器人包装器的区别。第二章：代理发展史 从早期基于规则的系统到 AlphaGo 等强化学习代理，再到当前由 LLM 驱动的自主系统时代的历史之旅。 这种背景至关重要，因为许多现代代理模式都是对几十年前思想的重新发明——了解历史可以防止你重复旧的错误。第 3 章：法学硕士基础 在构建代理之前，您需要了解引擎。 本章涵盖 Transformer 架构、注意力机制、提示技术（零样本、少样本、思维链）以及代理系统必须解决的当前语言模型的局限性。 它还调查了主流的法学硕士景观，从 GPT-4 和 Claude 到Open Source替代方案。### 第 2 部分：建立您的 LLM 代理第 4 章：经典代理范式 这是认true开始编码的地方。 您从头开始实现三种基本代理模式：- ReAct（推理 + 行动） — 这种模式为许多现代智能体提供动力，其中模型在连续循环中将思想轨迹与工具调用交织在一起，直到任务完成。

• 计划和解决 — 一种两阶段方法，代理首先生成分步计划，然后系统地执行每个步骤。
• 反思 - 一种自我改进模式，代理评估自己的输出，识别错误，并迭代地完善其响应。每个模式都是使用 OpenAI API 通过干净的 Python 代码实现的，因此您可以准确地看到循环的工作原理，而不会因为框架魔法而掩盖机制。第 5 章：低代码平台代理 并非每个代理都需要自定义代码。 本章教您使用三个主要的低代码平台构建功能代理：- Coze (ByteDance) — 具有丰富插件生态系统的可视化代理构建器
• Dify — Open Source LLM 应用程序开发平台
• n8n — 可以通过 AI 功能进行扩展的工作流程自动化工具您将了解何时选择低代码（快速原型设计、非技术团队）与原生代码方法（自定义逻辑、规模、集成）。第6章：框架开发实践 当低代码平台不再适用时，您需要专业的框架。 本章提供以下方面的实践经验：- AutoGen (Microsoft) — 一个多代理对话框架，代理可以在其中互相聊天以解决问题
• AgentScope — 灵活的代理平台，对异构代理提供强有力的支持
• LangGraph (LangChain) — 用于使用 LLM 构建有状态、多参与者应用程序的库，建模为图形您可以在所有三个框架中构建相同的简单代理，从而可以直接比较它们的 API、抽象和权衡。第 7 章：构建您自己的代理框架 第 2 部分的顶点。仅使用 OpenAI API 和标准 Python 库，您可以从头开始构建一个最小但功能齐全的代理框架。 这个练习揭开了您在 AutoGen 和 LangGraph 中遇到的每一个抽象的神秘面纱——您了解框架为何存在、它们解决什么问题，以及何时可能完全不再需要它们。### 第 3 部分：高级知识扩展第 8 章：记忆与检索 无状态法学硕士无法在长时间对话中维持上下文或回忆以前会话中的信息。 本章教你构建记忆系统：- 短期记忆 - 在令牌限制内管理对话上下文
• 长期记忆 — 持久存储用户偏好、事实和对话历史记录
• 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您可以使用Open Source嵌入模型和向量存储来实现 RAG 管道，使您的代理能够回答基于私人文档的问题。第 9 章：上下文工程 上下文是代理系统中最宝贵的资源——花在不相关信息上的每一个令牌都是不可用于推理的令牌。 本章讲授高级上下文管理：窗口策略、摘要技术、分层上下文结构以及区分业余代理和专业代理的"上下文工程"思维方式。第 10 章：代理通信协议 随着代理生态系统的成熟，标准化协议不断涌现。 本章提供了以下方面的深入技术分析：- MCP（模型上下文协议） — Anthropic 用于将 AI 系统连接到外部数据源和工具的开放标准
• A2A（代理到代理） — Google 的代理互操作性协议
• ANP（代理网络协议） — 社区驱动的代理发现和通信协议您实现基本的 MCP 服务器和客户端，使您的代理能够以标准化方式调用外部工具。第 11 章：代理强化学习 这是当今所有代理教程中最高级的章节之一。 它教您使用强化学习来训练代理行为的语言模型：- SFT（监督微调） — 任何自定义模型的起点
• RLHF（人类反馈强化学习） — ChatGPT 对齐背后的技术
• GRPO（组相对策略优化） — DeepSeek 推广的高效强化学习方法您可以使用易于访问的Open Source工具完成从数据准备到模型评估的完整培训流程。第 12 章：代理绩效评估 怎么知道你的agent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）以及系统代理测试框架。 您将学习构建在部署之前捕获回归的评估管道。### 第 4 部分：综合案例研究第十三章：智能出行助手 一个true实的多代理应用程序，结合了 MCP 工具调用、网络搜索、地图 API 和行程规划。 旅行助理演示了多个专业代理（航班搜索、酒店预订、活动推荐）如何通过协调代理协作来提供完整的服务。第 14 章：自动化深度研究代理 OpenAI 的 DeepResearch 证明代理可以在网络上自主进行多步骤研究。 本章将指导您复制该功能：构建一个代理来制定搜索查询、浏览结果、综合发现并生成结构化研究报告 - 所有这些都无需人工干预。第 15 章：建设数码城 课程中最具创意的项目。 你建立了一个由人工智能代理组成的模拟城镇，每个代理都有自己的个性、目标和日常生活。 受到斯坦福大学生成代理等项目的启发，本案例研究教授多代理社会动力学、突发行为和环境模拟。### 第 5 部分：顶峰与未来第 16 章：顶点项目 最后一章挑战您从头开始设计和构建完整的智能代理应用程序，应用前面 15 章中学到的所有知识。 它包括项目规划指南、架构决策框架和部署注意事项。—

社区贡献和额外内容除了核心的 16 章之外，Hello-Agents 通过其 Extra-Chapter 和 Co-creation-projects 目录维护着一个活跃的社区贡献系统。 值得注意的社区内容包括：- 代理面试问题 — 一组精选的技术面试问题和代理相关职位的详细答案 #

• Dify 代理创建教程 — 适合初学者的分步指南，用于在 Dify 中构建您的第一个代理
• 代理技能与 MCP 比较 — 比较代理工具集成的两种主要方法的技术深入研究
• GUI Agent 介绍与实践 — 探索与图形用户界面交互的代理
• 代理自我进化 - 用于构建可以通过闭环学习提高自身能力的代理的先进技术凭借 71 名贡献者 和持续的拉取请求活动，该项目受益于一个充满活力的社区，该社区使内容与快速发展的代理环境保持同步。—

安装和学习设置Hello-Agents 旨在通过多种格式进行访问：### 在线阅读 #

请访问官方文档网站"https://datawhalechina.github.io/hello-agents/"，获取完整的基于网络的教程。 优化后的镜像可供中国用户使用。### 本地设置 克隆存储库并在本地提供文档：```` bas h git 克隆 https://github.com/datawhalechina/hello-agents.git cd 你好代理 #

完整的 PDF 版本可通过 GitHub 版本或 Datawhale 网站免费获得。 PDF 包含 Datawhale 水印，以防止商业转售，同时保持完全可用于个人学习。### 代码环境
"/code"目录包含每个章节的可运行实现。 主要语言是 Python (72.5%)，使用 Jupyter 笔记本进行交互式探索。 推荐环境：-Python 3.9+
- OpenAI API 密钥或访问 GitHub 模型
- 可选：Ollama 用于本地模型执行
- 可选：RAG 章节的矢量数据库（Chroma 或 Weaviate）---

## 代码示例：从头开始构建 ReAct 代理为了说明本教程的实践性质，这里是您在第 4 章中构建的 ReAct 代理的简化版本：````蟒蛇
导入openai
导入 json# 定义可用的工具
工具=[
{
"类型"："功能"，
"功能"：{
````蟒蛇
导入openai
导入 json

# 定义可用的工具
工具=[
{
"类型"："功能"，
"功能"：{
"名称"："搜索网络"，
"description": "在网络上搜索信息",
"参数"：{
"类型"："对象"，
"属性"：{
"查询"：{"类型"："字符串"}
},
"必填"：["查询"]
}
}
},
{
"类型"："功能"，
"功能"：{
"名称": "计算",
"description": "执行数学计算",
"参数"：{
"类型"："对象"，
"属性"：{
"表达式"：{"类型"："字符串"}
},
"必需"：["表达式"]
}
}
}
]

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

def 计算（表达式）：
返回 str(eval(表达式))

# 反应循环
消息 = [
{"role": "system", "content": "你是一个有用的助手，需要的时候使用工具。"},
{"role": "user", "content": "东京的人口除以 1000 是多少？"}
]

for step in range(5): # 最多 5 个推理步骤
响应 = openai.chat.completions.create(
型号="gpt-4"，
消息=消息，
工具=工具，
工具选择="自动"
）

消息=response.choices[0].message
messages.append(消息)

如果消息.tool_calls：
对于 message.tool_calls 中的 tool_call：
函数名称 = 工具调用.函数.名称
参数 = json.loads(tool_call.function.arguments)

if function_name == "search_web":
结果 = search_web(**参数)
elif function_name == "计算":
结果=计算（**参数）

消息.append({
"角色"："工具"，
"tool_call_id"：tool_call.id，
"内容"：结果
})
其他：
print("最终答案：", message.content)
打破
``` 为 OpenAI 的 Operator 和 Anthropic 的 Claude Computer Use 等专业代理提供支持。---

## 现实世界用例和职业影响### 对于有抱负的人工智能工程师
Hello-Agents 提供了"AI 代理工程师"或"LLM 应用程序开发人员"职位发布日益需要的结构化基础。 面试问题补充直接取自主要人工智能公司的true实招聘流程。### 对于产品团队
产品经理和设计人员可以使用低代码章节（Coze、Dify、n8n）快速构建代理支持的功能原型，而无需等待工程资源。 然后，框架章节提供了与开发团队有效协作所需的技术素养。### 对于研究人员和学者
Agentic RL 章节（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 复制对于研究自主信息检索的学术团体特别有价值。### 对于独立开发者和创始人
顶点项目结构和社区贡献的项目库为运输代理支持的产品提供了灵感和参考实现。 网络城镇模拟章节演示了代理如何在简单的聊天界面之外创建引人入胜的用户体验。---

## 与替代方案的比较| Capability | Hello-Agents | Framework Docs (AutoGen, etc.) | Paid Bootcamps | YouTube Tutorials |
|------------

|--------------

|--------------------------------

|----------------

|-------------------

|
| Structured curriculum | 16 chapters, progressive | Fragmented, assumes knowledge | Varies widely | Unstructured, random |
| Theory depth | Transformer to RL | Framework-specific only | Often shallow | Usually shallow |
| Hands-on coding | Every chapter | Examples only | Limited by cost | Rarely complete |
| Low-code + code-native | Both covered | Code only | Usually one or other | Mixed quality |
| Advanced topics (RL, protocols) | Full chapters | Rarely covered | Premium tier only | Almost never |
| Real-world projects | 3 comprehensive capstones | Usually none | 1-2 projects | Rarely production-grade |
| Community & updates | 71 contributors, active | Vendor-controlled | N/A | Unreliable |
| Price | Free (Apache 2.0) | Free | $500-$5000 | Free |
| Interview preparation | Dedicated Q&A | None | Sometimes | Rarely |Hello-Agents 占据着独特的地位：它具有大学课程的深度、训练营的实用性、Open Source项目的社区以及免费文档的价格。---

## Datawhale社区优势Hello-Agents 不是一个孤立的项目。 它由在中国Open Source人工智能教育领域有着深厚根基的**Datawhale**制作。 Datawhale 已经创建了多个星级存储库，并运营着活跃的学习小组、黑客马拉松和指导计划。这种社区支持意味着：
- **持续维护** - 随着代理环境的发展，该项目会定期更新
- **质量控制** - 内容在合并之前由从业者进行同行评审
- **网络效应** - 学习者加入数千人的社区，而不仅仅是孤立地阅读文档
- **职业联系** — Datawhale的行业合作伙伴关系创造了从学习到就业的途径---

## 限制和注意事项虽然 Hello-Agents 很出色，但学习者应该意识到一些限制：- **中文初级** — 主要内容为中文，但有英文自述文件且社区翻译正在进行中
- **快速的生态系统变化** - 随着这些产品的发展，一些特定的平台指令（Coze、Dify）可能会变得过时； 核心原则仍然有效
- **硬件要求** — Agentic RL 章节受益于用于训练的 GPU 访问； CPU 可以执行，但速度很慢
- **API 成本** — 实践练习需要 OpenAI API 或同等访问权限； 在密集的实验过程中成本会累积---

## 结论和开始Hello-Agents 是当今用于学习 AI 代理开发的最全面、最易于访问且由社区支持的资源。 拥有 **45,600 多名 GitHub 明星**、**16 章的课程**，涵盖从 Transformer 基础知识到 GRPO 强化学习的所有内容，以及 **71 人的贡献者社区**不断扩展内容，它代表了无与伦比的教育投资 - 特别是考虑到它是完全免费的。如果您是一名开发人员，想要超越提示 ChatGPT 并开始构建自主计划、推理和行动的系统，Hello-Agents 可以提供路线图。 如果您是产品负责人，需要了解代理可以做什么和不能做什么，那么案例研究章节提供了扎根的现实。 如果您是进入代理领域的研究人员，有关协议和强化学习的高级章节提供了足够的深度来加速您的工作。**后续步骤：**1. 访问仓库[github.com/datawhalechina/hello-agents](https://github.com/datawhalechina/hello-agents)
2. 阅读在线文档 [datawhalechina.github.io/hello-agents](https://datawhalechina.github.io/hello-agents/)
3.下载PDF版本供离线学习
4.克隆`/code`目录并运行第4章ReAct实现
5. 加入社区讨论并探索章节外贡献代理革命不会到来——它就在这里。 Hello-Agents 确保您不会只是看着它发生。 你建造它。---

## 相关文章- 金融服务领域的 Anthropics Claude：人工智能代理如何实现投资银行和基金管理的自动化---

## 推荐的自托管基础设施如果您想 24/7 可靠地运行该堆栈，基础设施的选择很重要：- **{< aff "digitalocean" "footer-cta-legacy" "DigitalOcean" >}}** — 200 美元免费赠金，为期 60 天，覆盖全球 14 个以上区域。 运行Open SourceAI Tools的独立开发者的默认选项。 
- **{< aff "htstack" "footer-cta-legacy" "HTStack" >}}** — 从中国大陆低延迟访问的香港 VPS。 这与托管 dibi8.com 的 IDC 是同一个 IDC——在生产中经过了实际考验。*附属链接 - 它们不会花费您额外的费用，并且有助于保持 dibi8.com 的运行。*<!--自动引用-->
## 参考文献和来源- [Hello-Agents (datawhalechina/hello-agents)](https://github.com/datawhalechina/hello-agents)
- [Dify](https://github.com/langgenius/dify)
- [n8n](https://github.com/n8n-io/n8n)
- [AutoGen](https://github.com/microsoft/autogen)
- [AgentScope](https://github.com/modelscope/agentscope)
- [LangGraph](https://github.com/langchain-ai/langgraph)
- [模型上下文协议（MCP）](https://github.com/modelcontextprotocol)
- [A2A（代理到代理协议）](https://github.com/a2aproject/A2A)
- [Ollama](https://github.com/ollama/ollama)
- [色度](https://github.com/chroma-core/chroma)
- [Weaviate](https://github.com/weaviate/weaviate)
- [SWE-bench](https://github.com/SWE-bench/SWE-bench)
- [AgentBench](https://github.com/THUDM/AgentBench)