Datawhale

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。 ...