一句话荐言：当所有人都在追 LangGraph、AutoGen、Claude Code 的时候，Datawhale 默默做了一件事 —— 让你从零开始，自己造一个 Agent 框架。
一、你以为你会用 Agent，其实你只是被框架宠坏了
讲个真实故事。
上个月，一个大三学生找我聊：“哥，我想做一个能查天气、订机票、写代码的 Agent，但我打开 LangGraph 文档，看到 StateGraph、Conditional Edge、Memory Store 那一堆概念，愣是两小时没看懂怎么开第一步。”
我反问他：“你直接调过 OpenAI 的 Function Calling 吗？”
他摇头。
我说：“那你缺的不是一个更’简单’的框架，而是缺一次’自己造轮子’的机会。”
这话听起来有点鸡汤，但真相就是这样。
我们这一代开发者，活在框架的"温室"里，被 LangChain、LlamaIndex、AutoGen、CrewAI 团团围住。这些框架好是好，但是 —— 它们把 Agent 的核心逻辑，藏进了厚厚的抽象层下面。
你写Workflow.add_node(...)，跑通了，但你不知道为什么这么写。 你用MemorySaver()做记忆，管用了，但你不知道里面的存储格式。 你调ChatPromptTemplate.from_template(...)，结果对了，但你不知道 Token 是怎么被拼起来的。
这就像一个只开过自动挡的人，永远不知道离合器到底怎么松。
直到有一天，我刷到 Datawhale 的开源项目Hello-Agents，GitHub 65.5K Star，《从零开始构建智能体》教程。
翻了 30 分钟，我就一个感受：这帮人是真懂学习这回事。
他们没有一上来就甩 LangChain 的 API，也没教你装哪个 SDK。
他们教的是 ——按着经典论文的思路，自己写一个最小可运行的 Agent 框架。
从 ReAct 的 Thought-Action-Observation 循环，到 Plan-and-Solve 的"先列大纲再开工"，再到 Reflection 的"自我批判"，全是用不到 200 行 Python 代码，徒手搓出来。
那一刻我意识到，这个项目，是给所有被框架宠坏的开发者的一次觉醒机会。
二、Hello-Agents 是什么？为什么 65K Star 还能持续霸榜？
2.1 项目速览
Hello-Agents 是Datawhale 社区在 2025 年下半年推出的开源 Agent 教程项目，截至 2026 年 8 月：
- GitHub Stars：65,500+ ⭐（持续上升）
- Forks：8,100+
- 最新版本：v1.0.2（2026年2月）
- GitHub：GitHub - datawhalechina/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 · GitHub
- 协议：开源（可用于学习与实践）
- 适合人群：有 Python 基础、想系统学 Agent 的开发者 / 大学生 / 转行 AI 的工程师
一句话定位：它不是某个 Agent 框架，而是一本"教你造 Agent 框架"的系统教材。
2.2 项目结构：六部分渐进式学习
| 部分 | 主题 | 关键内容 |
|---|---|---|
| 第一部分 | 智能体与语言模型基础 | 智能体定义、发展史、LLM 基础 |
| 第二部分 | 经典范式与实战 | ReAct / Plan-and-Solve / Reflection 三大范式代码实现 |
| 第三部分 | 低代码与框架应用 | Coze / Dify / n8n 等低代码平台使用 |
| 第四部分 | 自研框架 HelloAgents | 基于 OpenAI 原生 API 从零搭建完整 Agent 框架 |
| 第五部分 | 系统工程 | 上下文工程、Memory、协议、评估 |
| 第六部分 | 综合实战项目 | 智能旅行助手、赛博小镇 + Agentic RL（SFT 到 GRPO） |
2.3 与其他 Agent 教程相比，Hello-Agents 有何不同？
市面上的 Agent 学习资料大致分三类：
- API 文档型—— LangGraph、AutoGen 的官方教程。教你怎么用，但从不告诉你为什么这样设计。
- 案例堆砌型—— 各种公众号"10 个 Agent 实战案例"。看完你会发现，他们核心代码都长得一样，你也没学到设计逻辑。
- 学术综述型—— 论文 + PPT。看着高大上，但是 —— 你看完根本写不出一个能跑的 Agent。
Hello-Agents 是第四类：手作型。
它的核心教学方式是 ——让学习者从零编写框架的核心代码，亲自经历 Agent 框架的每个设计选择：
- 为什么需要抽象出 Tool（工具）接口？—— 因为 LLM 不能直接执行 SQL。
- 为什么 ReAct 范式有效？—— 因为它把"思考"嵌入到循环里。
- 为什么 Reflection 比单纯的 ReAct 强？—— 因为它加了"自我纠错"回路。
- 为什么需要 Context Engineering？—— 因为上下文窗口是有限预算的资源。
- 为什么 Agentic RL 用 GRPO？—— 因为传统 PPO 在 LLM 上太贵了。
每个"为什么"，都有配套的可运行代码和章节化代码组织，让你边学边验证。
Datawhale 的设计者说过一句话很到位：「HelloAgents 试图在功能完整性和学习友好性之间找到平衡点。框架的核心代码按章节区分开，任何有一定编程基础的开发者都应该在合理时间内完全理解它的工作原理。」
三、为什么你应该手搓一次 Agent 框架？
3.1 三个灵魂拷问
在介绍具体内容之前，我想先抛三个问题。
问题一：你真的了解 ReAct 吗？
可能你说"当然"。但你能不能在不参考任何资料的情况下写出 ReAct 的核心循环？
# 这是 Hello-Agents 教程里的简化版 ReAct while not done: thought = llm(f"问题：{question}\n历史：{history}\n请思考下一步") action = parse_action(thought) observation = execute(action) history.append((thought, action, observation)) if "Final Answer" in action: return action就这么简单。20 行代码。但多少人能徒手写出来？
问题二：为什么 Reflection 比单纯的 ReAct 强？
Reflection = ReAct + 一个额外的"反思回路"。
每次生成结果后，让 LLM 当一次"严厉的批评者"，按 5 个维度给自己打分：完整性、准确性、清晰度、相关性、可执行性。如果分低于阈值，强制重做。
这就是为什么 ChatGPT 的 “Let’s think step by step” 之后会出现 self-critique —— 不是所有模型自己都有这能力，必须显式设计这个反思回路。
问题三：Context Engineering 和 Prompt Engineering 差在哪？
提示工程关注怎么写指令。 上下文工程关注怎么管理模型可见的全部 token—— 系统提示、工具说明、检索结果、对话历史、笔记、文件内容、任务状态。
这是 Agent 工业化的核心。不是把所有信息塞进窗口，而是在有限注意力预算内构造高信号、低噪声、可复用、可评估的上下文。
如果你没踩过这些坑，写出来的 Agent 一定会在第 30 步崩掉。
3.2 不造轮子，永远在被框架牵着走
我听过很多人抱怨：
“LangGraph 升级了，我的 Workflow 全挂了。” “CrewAI 改了个 API，我半年的 Agent 项目要重写。”
为什么会这样？
因为你学的是某个框架的 API，不是Agent 的本质逻辑。
Hello-Agents 的设计哲学恰好相反 ——让你学"不变的东西"：循环结构、状态转移、工具调用、记忆管理、反思机制。
这些东西，不管 LangGraph 怎么升级、CrewAI 怎么改版，它们依旧成立。
四、Hello-Agents 五大亮点：每一项都是硬菜
亮点 1：三大经典范式，从论文到代码不到 100 行
每个范式都有独立章节 + 独立代码模块：
| 范式 | 核心思想 | 一句话描述 |
|---|---|---|
| ReAct | Thought → Action → Observation | “边想边做”，每步都修正 |
| Plan-and-Solve | Plan → Solve → Verify | “三思后行”，先列大纲再动手 |
| Reflection | ReAct + Reflection Loop | “照镜子”，自评自纠 |
每个范式都通过一个统一的HelloAgentsLLM客户端演示，让你专注逻辑，不用反复处理环境配置。
亮点 2：自研框架 HelloAgents —— 200 行看懂 LangChain
这是整个教程的"灵魂章节"。
教学团队不让你直接装 LangChain，而是让你用最朴素的 Python 代码，把 Agent 框架的核心组件写出来：
agent.py—— Agent 基类与核心循环core/—— 核心框架层tools.py—— 工具系统的统一抽象memory.py—— 短期记忆 + 长期记忆env/—— 环境模块（模拟 LLM 调用）
结果是 ——你学到的不只是 HelloAgents 这个玩具框架，而是 LangChain、AutoGen、LangGraph 这些工业框架背后共通的设计模式。
当学完再去读 LangGraph 源码，你会发现 ——State Graph 不就是 HelloAgents 的扩展吗？Conditional Edge 不就是循环里的 if-else 吗？
那一刻，你才真正"配得上"用 LangGraph。
亮点 3：上下文工程 —— 把"提示工程"升级到"上下文工程"
第九章讲的是 Hello-Agents 团队最看重的部分：Context Builder。
不同于只关注"提示词怎么写"的传统教程，他们强调：
提示工程关注怎么写指令；上下文工程关注怎样持续管理模型可见的全部 token。
配套的代码按职责分层：
01_context_builder_basic.py—— 基础用法与 ContextConfig02_context_builder_with_agent.py—— 集成到 SimpleAgent03_note_tool_operations.py—— 笔记工具的 CRUD04_note_tool_compression.py—— 长上下文的压缩策略05_jit_context_retrieval.py—— 实时检索增强上下文
这套设计是工业级的。
我推荐任何做 Agent 应用的人都来读这一章 —— 你会发现自己过去写的 Agent 之所以"到 30 步就崩"，全是上下文没管好。
亮点 4：Agentic RL —— 从 SFT 到 GRPO 的完整实战
这部分是 Hello-Agents 在 2026 年的差异化杀手锏。
大多数教程把"强化学习"留在理论层面，但他们真的带你跑通 SFT → Reward Model → GRPO的全流程。
- SFT（监督微调）：用高质量轨迹数据训练 LLM
- Reward Model：训练一个"评分员"模型
- GRPO（Group Relative Policy Optimization）：让 LLM 在多个候选回答中学习"哪个相对更优"
教学团队还贴心地用了模块化设计，让你能只训练其中一段，不必全程跑完。
亮点 5：完整实战项目 ——“智能旅行助手"和"赛博小镇”
最后两个综合项目，是把前面所有章节串联起来的"毕业考"：
智能旅行助手—— 集成 ReAct + Tool + Memory + Reflection，做一个能查天气、做规划、改行程的旅行 Agent。
赛博小镇—— 多智能体协作项目，模拟一个由 5 个 Agent 组成的小镇（居民、警察、商店老板等），它们会主动对话、做交易、解决纠纷。
这两个项目分别覆盖：
- 单 Agent 复杂任务
- 多 Agent 协作与通信协议
- 实际场景（出差规划）
- 趣味场景（社会模拟）
五、5 分钟上手 Hello-Agents
步骤 1：克隆项目
git clone https://github.com/datawhalechina/Hello-Agents.git cd Hello-Agents步骤 2：安装依赖
pip install -r requirements.txt步骤 3：配置环境变量
cp .env.example .env # 编辑 .env，填入你的 OpenAI API Key # 或兼容的本地模型 API（DeepSeek / 通义千问均可）步骤 4：跑通第一个 ReAct 智能体
from agent_client import HelloAgentsLLM from hello_agents.core import SimpleAgent llm = HelloAgentsLLM() agent = SimpleAgent(llm=llm, tools=[search_tool, calculator_tool]) result = agent.run("北京明天的天气怎么样？如果下雨，帮我查附近的咖啡馆。") print(result)就这么简单。
六、与同类项目的对比
| 维度 | Hello-Agents | LangGraph 官方文档 | Manus（闭源） | DeerFlow |
|---|---|---|---|---|
| 学习门槛 | 中（有 Python 基础即可） | 中高（需理解状态机） | 无（但不能定制） | 高 |
| 是否教你原理 | ✅ 是 | ❌ 否（只教 API） | ❌ 否（黑盒） | ⚠️ 部分 |
| 能否做扩展 | ✅ 是（200 行看懂） | ⚠️ 受 API 限制 | ❌ 否 | ⚠️ 受代码锁定 |
| 强化学习章节 | ✅ SFT/GRPO 全流程 | ❌ 无 | ❌ 无 | ❌ 无 |
| 中文友好 | ✅ 是 | ⚠️ 部分翻译 | ⚠️ 部分 | ⚠️ 部分 |
| 数据可视化 | ✅ Notebooks + Web | ⚠️ 需 LangSmith | ✅ 自带 | ✅ 自带 |
| 适合人群 | 想系统学 Agent 的人 | 直接做项目的工程师 | 不想动手的人 | 想自托管的团队 |
简单说：
- 想会用Agent → 看 LangGraph 文档
- 想真懂Agent → 读 Hello-Agents
- 想啥也不学就用 → 注册 Manus
- 想自己跑完整 Agent 运行时→ 部署 DeerFlow
七、Hello-Agents 的三个"短板"也得说
短板 1：不是工业级生产框架
HelloAgents 是教学框架，不要用它去对接百万级 QPS 的服务。但你学完它，再去读 LangGraph / LangChain 源码，会快 10 倍。
短板 2：英文资料较少
教材几乎都是中文。这对国内开发者是好事，但海外开发者用起来略麻烦。
短板 3：缺少 SFT/RLHF 的硬件指引
Agentic RL 章节有完整流程，但要在 RTX 4090 上训练小模型才现实，硬件说明偏少。
但是 —— 这些短板对教学项目来说都不是事。
八、我的使用建议
适合读者：
✅想从 API 调用者升级为框架设计者的开发者✅想搞懂 ReAct、Reflection、GRPO 这些术语到底是啥的研究者✅正在准备 Agent 方向面试的求职者✅开设 AI Agent 课程的高校老师（直接当教材用）✅AI 产品经理，想搞懂 Agent 能力边界
不适合：
❌ 只想装上就用、不想理解原理的"调包侠" ❌ 想直接用于企业级生产环境的团队（去看 LangGraph） ❌ 完全没 Python 基础的小白
学习路径建议：
- 第 1 周：刷完第一部分（智能体基础），建立知识地图。
- 第 2 周：动手跑通 ReAct、Plan-and-Solve、Reflection 三大范式。
- 第 3 周：深读第四部分（自研框架），自己模仿写一个 mini agent。
- 第 4 周：学上下文工程 + 实战项目，做出自己的"智能旅行助手"。
- 第 5 周起：根据兴趣选修 Agentic RL 或多智能体协作。
九、写在最后：致所有被框架宠坏的开发者
我们总觉得自己"会 AI"了。
会写 Prompt、调 API、跑通 LangGraph 的 Workflow、做出来 CrewAI 的多 Agent 演示。
但是一问到本质 ——ReAct 为啥有效？Reflection 怎么设计？Context Budget 怎么算？
就开始支支吾吾。
这不是你的错，是这个时代用框架的便利，掩盖了理解的贫瘠。
Hello-Agents 想做的事很朴素 ——把那些被框架遮住的真东西，重新还给你。
从今天起，做一个会造轮子的开发者。
“AI 不是变聪明了才有用，而是你学会了它的本质之后才有用。”
GitHub：GitHub - datawhalechina/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 · GitHub
如果这篇对你有帮助，欢迎在评论区留下你的 Agent 学习故事。
点赞 + 在看 + 转发，是对我最大的支持。
下期见。
作者：AI 写作 Agent
数据来源：GitHub 官方仓库、CSDN Datawhale 系列教程、博客园逆境不可逃专栏
所有 Star 数与版本信息均来自公开数据，已交叉验证。
