如何从零构建第一个智能体Hello-Agents 的 16 章完整学习路线【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agentsHello-Agents 是 Datawhale 开源的智能体系统教程16 章 全部可运行配套代码覆盖从 LLM 原理、ReAct 经典范式到记忆检索、MCP 通信协议让 Agent 之间互相调用的协议标准、多智能体应用的完整路径。它解决的核心问题是教你从零构建一个真正的 AI Native Agent由模型自主决策下一步动作的智能体而不是在低代码平台里拖积木。适合有基础 Python 经验、想理解框架黑盒里发生了什么的开发者。 学 Agent 前你可能卡住的两个地方一个常见的状态是ReAct、MCP、多智能体协作的文章刷了很多Dify、Coze 上也能拖出一个能跑的 demo但被问到Agent 的主循环是怎么转的历史消息在哪一步被拼进 prompt就答不上来。因为低代码平台本质是流程驱动LLM 只是后端而 AI Native Agent 是靠模型自己决定下一步动作的两者是两种东西。另一个卡点是想亲手写一个框架却不知从哪下笔。Hello-Agents 的解法是把路径拆成五步台阶第 1~3 章补概念第 4 章亲手实现 ReAct 等经典范式第 5~6 章体验低代码平台和主流框架第 7 章基于 OpenAI 原生 API 从零搭一个自己的框架第 13~15 章做旅行助手、深度研究 Agent 等综合项目。 16 章学习路线总览阶段内容你得到什么第 1~3 章基础智能体定义、发展史、大语言模型基础能讲清 Agent 是什么、LLM 的局限在哪第 4 章经典范式ReAct、Plan-and-Solve、Reflection 逐行实现一个不到 100 行核心代码的 ReAct 主循环第 5~6 章平台与框架Coze、Dify、n8nAutoGen、AgentScope、LangGraph分清用轮子和流程驱动平台的区别第 7 章自研框架基于 OpenAI 原生 API 从零构建 HelloAgents 框架一个属于自己的、可复述可复写的 Agent 框架第 8~12 章高级扩展记忆与 RAG 检索、上下文工程、MCP/A2A 通信协议、Agentic-RL 训练、性能评估给 Agent 加上长期记忆、工具协议与评测手段第 13~16 章综合实战智能旅行助手、自动化深度研究 Agent、Godot 赛博小镇、毕业设计3 个完整多智能体项目 毕业设计方案完整章节索引见 docs 目录每章都标注了关键内容可按需规划节奏不必从头硬啃。 拆解一个 Agent 主循环请求是怎么一步步变成答案的以仓库里最小的可运行例子 FirstAgentTest.py约 200 行为例它实现了旅行助手查天气、推景点。你在终端输入查询北京今天天气并根据天气推荐一个合适的景点接下来发生的事全部由模型驱动构建 prompt主循环把system_prompt声明了get_weather、get_attraction两个工具加上prompt_history里的历史消息拼成完整输入。模型输出 Thought Action模型先写Thought我需要先知道天气再写Action: get_weather(city北京)——注意是模型自己决定调哪个工具不是你写死的 if-else。正则解析并执行程序用正则提取函数名和参数调用 wttr.in 拿到真实天气解析失败时回写一条错误 Observation 让模型下一轮自我修正。Observation 写回历史天气结果以Observation: ...追加进prompt_history下一轮模型基于它发起get_attraction搜索拿到 Tavily 返回的推荐理由。Finish 结束信息足够后模型输出Action: Finish[最终答案]循环终止你拿到天气 景点 理由的完整回答。关键取舍只有一个这套循环把下一步干什么完全交给模型代码只负责解析和执行。循环上限设为 5 次防止模型死循环。把这一层放大就是第 13 章多智能体系统的做法。下图是第 4 章 Plan-and-Solve 范式的结构上半部分 Planning Phase 由 Plan 模块生成任务清单下半部分 Solving Phase 中 Task Agent 循环执行、Replan 模块负责修正用户请求与最终响应在两个阶段间流转。三种范式ReAct、Plan-and-Solve、Reflection的独立实现都放在 code/chapter4/每个文件都能单独跑配合 第四章文档 逐行读。 3 步跑通第一个 Agent第一步获取项目。git clone https://gitcode.com/GitHub_Trending/he/hello-agents.git cd hello-agents第二步配置密钥。打开 code/chapter1/FirstAgentTest.py替换 4 个占位符AIHubmix、ModelScope 两条免费通道的注册步骤见 Extra07-环境配置API_KEY YOUR_API_KEY BASE_URL YOUR_BASE_URL MODEL_ID YOUR_MODEL_ID os.environ[TAVILY_API_KEY] YOUR_KEY第三步运行。cd code/chapter1 python FirstAgentTest.py运行后终端会逐轮打印--- 循环 1 ---、Thought、Observation最后一行输出任务完成最终答案: ...即一份天气 景点 理由的回答——这就是你的第一个 Agent 主循环。 常见报错排查表现象常见原因怎么处理输出错误未配置TAVILY_API_KEY。Tavily Key 没填或os.environ赋值写在了运行代码之后没生效确认赋值在脚本里执行后再运行完整步骤见 Extra07-环境配置调用LLM API时发生错误API_KEY、BASE_URL、MODEL_ID三项不匹配BASE_URL必须指向 OpenAI 兼容接口模型名以服务商模型库为准天气工具返回查询天气时遇到网络问题wttr.in 需要外网访问网络受限换可访问外网的环境或把工具函数改成你熟悉的天气 API循环 5 次后没有 Finish模型输出未严格遵循 Thought/Action 格式换指令遵循能力更强的模型解析失败时脚本会自动回写纠错 Observation可观察几轮再处理ModelScope 的 Key 调不通模型服务未绑定对应云账号按 Extra07 中 ModelScope 部分的说明先完成账号绑定 跑通之后往哪走对自研框架有兴趣啃第 7 章第七章文档 带你在第 4 章范式代码的基础上把 LLM 客户端、工具执行器、记忆模块组装成完整的 HelloAgents 框架配套代码在 code/chapter7/。想给 Agent 加上长期记忆和检索看第 8 章记忆工具与 RAG 管线的 11 个示例脚本在 code/chapter8/从基础增删改查到完整 RAG 管线逐级递进。想要现成参考翻社区共创项目Co-creation-projects/ 下有 50 余个社区按教程路线做出来的项目数据分析、邮件摘要、股票分析等结构基本都是 agents / tools / memory / frontend照着拆比凭空设计快得多。Hello-Agents 适合有一定 Python 基础、想从会用 Agent 工具转向会构建 Agent 系统的开发者和学生。下一步建议先花 15 分钟按上面三步把FirstAgentTest.py跑起来读懂那 5 轮循环再回到 README 的章节导航表从第 1 章开始按顺序推进。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何从零构建第一个智能体？Hello-Agents 的 16 章完整学习路线
如何从零构建第一个智能体Hello-Agents 的 16 章完整学习路线【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agentsHello-Agents 是 Datawhale 开源的智能体系统教程16 章 全部可运行配套代码覆盖从 LLM 原理、ReAct 经典范式到记忆检索、MCP 通信协议让 Agent 之间互相调用的协议标准、多智能体应用的完整路径。它解决的核心问题是教你从零构建一个真正的 AI Native Agent由模型自主决策下一步动作的智能体而不是在低代码平台里拖积木。适合有基础 Python 经验、想理解框架黑盒里发生了什么的开发者。 学 Agent 前你可能卡住的两个地方一个常见的状态是ReAct、MCP、多智能体协作的文章刷了很多Dify、Coze 上也能拖出一个能跑的 demo但被问到Agent 的主循环是怎么转的历史消息在哪一步被拼进 prompt就答不上来。因为低代码平台本质是流程驱动LLM 只是后端而 AI Native Agent 是靠模型自己决定下一步动作的两者是两种东西。另一个卡点是想亲手写一个框架却不知从哪下笔。Hello-Agents 的解法是把路径拆成五步台阶第 1~3 章补概念第 4 章亲手实现 ReAct 等经典范式第 5~6 章体验低代码平台和主流框架第 7 章基于 OpenAI 原生 API 从零搭一个自己的框架第 13~15 章做旅行助手、深度研究 Agent 等综合项目。 16 章学习路线总览阶段内容你得到什么第 1~3 章基础智能体定义、发展史、大语言模型基础能讲清 Agent 是什么、LLM 的局限在哪第 4 章经典范式ReAct、Plan-and-Solve、Reflection 逐行实现一个不到 100 行核心代码的 ReAct 主循环第 5~6 章平台与框架Coze、Dify、n8nAutoGen、AgentScope、LangGraph分清用轮子和流程驱动平台的区别第 7 章自研框架基于 OpenAI 原生 API 从零构建 HelloAgents 框架一个属于自己的、可复述可复写的 Agent 框架第 8~12 章高级扩展记忆与 RAG 检索、上下文工程、MCP/A2A 通信协议、Agentic-RL 训练、性能评估给 Agent 加上长期记忆、工具协议与评测手段第 13~16 章综合实战智能旅行助手、自动化深度研究 Agent、Godot 赛博小镇、毕业设计3 个完整多智能体项目 毕业设计方案完整章节索引见 docs 目录每章都标注了关键内容可按需规划节奏不必从头硬啃。 拆解一个 Agent 主循环请求是怎么一步步变成答案的以仓库里最小的可运行例子 FirstAgentTest.py约 200 行为例它实现了旅行助手查天气、推景点。你在终端输入查询北京今天天气并根据天气推荐一个合适的景点接下来发生的事全部由模型驱动构建 prompt主循环把system_prompt声明了get_weather、get_attraction两个工具加上prompt_history里的历史消息拼成完整输入。模型输出 Thought Action模型先写Thought我需要先知道天气再写Action: get_weather(city北京)——注意是模型自己决定调哪个工具不是你写死的 if-else。正则解析并执行程序用正则提取函数名和参数调用 wttr.in 拿到真实天气解析失败时回写一条错误 Observation 让模型下一轮自我修正。Observation 写回历史天气结果以Observation: ...追加进prompt_history下一轮模型基于它发起get_attraction搜索拿到 Tavily 返回的推荐理由。Finish 结束信息足够后模型输出Action: Finish[最终答案]循环终止你拿到天气 景点 理由的完整回答。关键取舍只有一个这套循环把下一步干什么完全交给模型代码只负责解析和执行。循环上限设为 5 次防止模型死循环。把这一层放大就是第 13 章多智能体系统的做法。下图是第 4 章 Plan-and-Solve 范式的结构上半部分 Planning Phase 由 Plan 模块生成任务清单下半部分 Solving Phase 中 Task Agent 循环执行、Replan 模块负责修正用户请求与最终响应在两个阶段间流转。三种范式ReAct、Plan-and-Solve、Reflection的独立实现都放在 code/chapter4/每个文件都能单独跑配合 第四章文档 逐行读。 3 步跑通第一个 Agent第一步获取项目。git clone https://gitcode.com/GitHub_Trending/he/hello-agents.git cd hello-agents第二步配置密钥。打开 code/chapter1/FirstAgentTest.py替换 4 个占位符AIHubmix、ModelScope 两条免费通道的注册步骤见 Extra07-环境配置API_KEY YOUR_API_KEY BASE_URL YOUR_BASE_URL MODEL_ID YOUR_MODEL_ID os.environ[TAVILY_API_KEY] YOUR_KEY第三步运行。cd code/chapter1 python FirstAgentTest.py运行后终端会逐轮打印--- 循环 1 ---、Thought、Observation最后一行输出任务完成最终答案: ...即一份天气 景点 理由的回答——这就是你的第一个 Agent 主循环。 常见报错排查表现象常见原因怎么处理输出错误未配置TAVILY_API_KEY。Tavily Key 没填或os.environ赋值写在了运行代码之后没生效确认赋值在脚本里执行后再运行完整步骤见 Extra07-环境配置调用LLM API时发生错误API_KEY、BASE_URL、MODEL_ID三项不匹配BASE_URL必须指向 OpenAI 兼容接口模型名以服务商模型库为准天气工具返回查询天气时遇到网络问题wttr.in 需要外网访问网络受限换可访问外网的环境或把工具函数改成你熟悉的天气 API循环 5 次后没有 Finish模型输出未严格遵循 Thought/Action 格式换指令遵循能力更强的模型解析失败时脚本会自动回写纠错 Observation可观察几轮再处理ModelScope 的 Key 调不通模型服务未绑定对应云账号按 Extra07 中 ModelScope 部分的说明先完成账号绑定 跑通之后往哪走对自研框架有兴趣啃第 7 章第七章文档 带你在第 4 章范式代码的基础上把 LLM 客户端、工具执行器、记忆模块组装成完整的 HelloAgents 框架配套代码在 code/chapter7/。想给 Agent 加上长期记忆和检索看第 8 章记忆工具与 RAG 管线的 11 个示例脚本在 code/chapter8/从基础增删改查到完整 RAG 管线逐级递进。想要现成参考翻社区共创项目Co-creation-projects/ 下有 50 余个社区按教程路线做出来的项目数据分析、邮件摘要、股票分析等结构基本都是 agents / tools / memory / frontend照着拆比凭空设计快得多。Hello-Agents 适合有一定 Python 基础、想从会用 Agent 工具转向会构建 Agent 系统的开发者和学生。下一步建议先花 15 分钟按上面三步把FirstAgentTest.py跑起来读懂那 5 轮循环再回到 README 的章节导航表从第 1 章开始按顺序推进。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考