Hello-Agents《从零开始构建智能体》前言导读：从 LLM 使用者到智能体系统构建者
【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
本导读以项目前言（docs/Preface.md 与 docs/前言.md）为骨架，结合仓库内十六个章节的文档、
code目录下的配套代码与Co-creation-projects社区共创项目，系统梳理 Hello-Agents 的缘起、知识架构与学习路径。读完本文，你将了解智能体（Agent）与多智能体系统（MAS）在本教程中的定位，掌握"五部分十六章节"的完整学习地图，并明确自己在编程与 LLM 基础上需要的最低前置要求，从而规划出一条"从理论到实战"的渐进式学习路线。
从"百模大战"到"Agent 元年"：为什么需要一本系统性的智能体指南
自 2022 年底以来，以 ChatGPT 为代表的大语言模型（Large Language Model, LLM）如同一场技术海啸，彻底改变了人与 AI 交互的方式。LLM 强大的自然语言理解与生成能力，让人们看到了通往通用人工智能（AGI）的曙光。然而，当最初的惊艳沉淀下来，开发者们开始追问下一个前沿问题：如何让 AI 不再只是一个"有问必答"的工具，而是成为一个能自主规划、调用工具、解决复杂问题的"行动者"？
这个问题的答案，就是智能体（Agent）。
前言给出了一个非常清晰的行业判断：如果说 2024 年是"百模大战"的元年，那么 2025 年无疑开启了"Agent 元年"。技术的焦点正从训练更大、更强的基础模型，转向构建更聪明、更高效的智能体应用。单个智能体已经能够胜任特定领域的任务；而由多个智能体分工、协作、甚至辩论，共同完成宏大目标的多智能体系统（Multi-Agent System, MAS），则被视为释放 LLM 全部潜能、解决真实世界复杂问题的关键钥匙。
与此同时，当前生态中存在一个明显的断层：一方面是层出不穷的 Agent 框架与应用，令人眼花缭乱；另一方面却是系统性知识的极度匮乏。大多数教程只聚焦于某个特定框架的 API 调用，学习者往往"知其然，而不知其所以然"，在面对复杂需求时依然力不从心。Hello-Agents 项目正是为填补这一断层而生——它希望提供一本能够穿透框架表象、从第一性原理出发，系统讲解智能体设计、构建与协作的实战指南。
这一点也直接体现在项目的整体定位上：仓库 README.md 明确指出，当今 Agent 构建主要分为两派——一派是 Dify、Coze、n8n 这类软件工程类 Agent，其本质是流程驱动的软件开发，LLM 作为数据处理的后端；另一派则是 AI 原生的（AI Native）Agent，即真正以 AI 驱动的 Agent。本教程的核心目标，是带领读者深入理解并亲手构建后者。
核心概念先导：Agent 与多智能体系统（MAS）
在展开学习地图之前，有必要先厘清前言中反复出现的两个核心概念：
- 智能体（Agent）：一个能够感知环境、自主决策并采取行动的 AI 系统。它不再满足于"回答问题"，而是能够根据目标拆解任务、规划步骤，并通过调用外部工具（如搜索引擎、计算器、数据库）来完成实际工作。仓库中大量配套代码都围绕这一能力展开，例如 code/chapter4/ReAct.py 中
ReActAgent的运行循环，正是"思考（Thought）— 行动（Action）— 工具调用"这一经典范式的最小可运行实现。 - 多智能体系统（Multi-Agent System, MAS）：由多个智能体通过分工、协作甚至辩论，共同完成单一智能体难以胜任的宏大目标。前言将 MAS 描述为"释放 LLM 全部潜能、解决真实世界复杂问题的关键钥匙"。在仓库中，这一思想体现在第四部分的综合案例里，例如第十三章的智能旅行助手（code/chapter13/helloagents-trip-planner）就是一个 MCP 与多智能体协作的真实世界应用。
写给读者的建议：学习前的前置要求
在开启这段旅程之前，前言给出了三条清晰、务实的建议，这里结合实际仓库进一步展开：
- 具备基础的 Python 编程能力。这是整个项目动手实践的前提。仓库中的配套代码几乎全部以 Python 编写，例如 code/chapter4/ReAct.py、code/chapter7/my_react_agent.py、code/chapter8/01_MemoryTool_Basic_Operations.py 等，都需要读者能够读懂并亲手运行、调试。
- 对大语言模型有基本的概念性了解。例如，知道如何获取 LLM 的 API 并完成一次调用。仓库为此提供了现成的入门示例，如 code/chapter1/FirstAgentTest.py（一个最简单的 Agent 测试脚本），以及 code/chapter3/Qwen.py（基于 Qwen 的模型调用示例），可以作为快速上手的参照。
- 无需深厚的算法或模型训练背景。项目聚焦于"应用与构建"，而不是模型原理的深挖。即便第三部分的第十一章涉及 Agentic-RL（从 SFT 到 GRPO 的训练实战，见 code/chapter11/05_grpo_training.py），文档也会以工程化的方式引导读者完成全流程，而非要求先修完备的深度学习理论。
学习地图：五大部分、十六章节的完整知识架构
项目共分为五大部分，覆盖从基础到实战的完整链路，循序渐进、层层相扣。结合 README.md 的内容导航表和 docs/_sidebar.md 侧边栏，可以整理出如下学习地图：
第一部分：智能体与语言模型基础（第一～三章）
铺垫人工智能与 LLM 的核心知识，建立对智能体诞生背景的宏观认识。
| 章节 | 核心内容 | 仓库佐证 |
|---|---|---|
| 第一章 初识智能体 | 智能体的定义、类型、范式与应用 | code/chapter1/FirstAgentTest.py |
| 第二章 智能体发展史 | 从符号主义到 LLM 驱动智能体的演进 | code/chapter2/ELIZA.py（早期对话系统原型） |
| 第三章 大语言模型基础 | Transformer、提示工程、主流 LLM 及其局限 | code/chapter3/Transformer.py、code/chapter3/Qwen.py |
第二部分：构建你的大语言模型智能体（第四～七章）
动手实践的起点：从零构建一个功能完备的单体智能体，深入理解其内部"心智"结构。
| 章节 | 核心内容 | 仓库佐证 |
|---|---|---|
| 第四章 智能体经典范式构建 | 手把手实现 ReAct、Plan-and-Solve、Reflection 三大范式 | code/chapter4/ReAct.py、code/chapter4/Plan_and_solve.py、code/chapter4/Reflection.py |
| 第五章 基于低代码平台的智能体搭建 | 了解 Coze、Dify、n8n、FastGPT 等低代码平台 | code/chapter5/HelloAgent_cozeCase.zip、code/chapter5/HelloAgent_difyCase.yml、code/chapter5/HelloAgent_fastgptCase.json、code/chapter5/HelloAgent_n8nCase.json |
| 第六章 框架开发实践 | AutoGen、AgentScope、LangGraph、CAMEL 等主流框架 | code/chapter6/AgentScopeDemo、code/chapter6/AutoGenDemo、code/chapter6/Langgraph、code/chapter6/CAMEL |
| 第七章 构建你的Agent框架 | 从 0 开始构建自己的智能体框架，兼具"用轮子"与"造轮子"的能力 | code/chapter7/my_simple_agent.py、code/chapter7/my_react_agent.py、code/chapter7/my_main.py |
第三部分：高级知识扩展（第八～十二章）
智能体在这里"学会"思考、拥有记忆和工具，并掌握通信协议，最终完成评估闭环。
| 章节 | 核心内容 | 仓库佐证 |
|---|---|---|
| 第八章 记忆与检索 | 记忆系统、RAG、存储 | code/chapter8/01_MemoryTool_Basic_Operations.py、code/chapter8/10_RAG_Pipeline_Complete.py |
| 第九章 上下文工程 | 持续交互中的"情境理解" | code/chapter9/01_context_builder_basic.py、code/chapter9/03_note_tool_operations.py |
| 第十章 智能体通信协议 | MCP、A2A、ANP 等协议解析 | code/chapter10/weather-mcp-server、code/chapter10/02_Connect2MCP.py、code/chapter10/07_SimpleA2AAgent.py |
| 第十一章 Agentic-RL | 从 SFT 到 GRPO 的 LLM 训练实战 | code/chapter11/04_sft_training.py、code/chapter11/05_grpo_training.py、code/chapter11/06_complete_pipeline.py |
| 第十二章 智能体性能评估 | 核心指标、基准测试与评估框架 | code/chapter12/02_bfcl_quick_start.py、code/chapter12/05_gaia_quick_start.py |
第四部分：综合案例进阶（第十三～十五章）
项目核心价值所在：通过精心设计的综合案例，将所学知识融会贯通，在实战中淬炼真金。
| 章节 | 核心内容 | 仓库佐证 |
|---|---|---|
| 第十三章 智能旅行助手 | MCP 与多智能体协作的真实世界应用 | code/chapter13/helloagents-trip-planner（含 backend 与 frontend 完整工程） |
| 第十四章 自动化深度研究智能体 | DeepResearch Agent 的复现与解析 | code/chapter14/helloagents-deepresearch |
| 第十五章 构建赛博小镇 | Agent 与游戏的结合，模拟社会动态 | code/chapter15/Helloagents-AI-Town（基于 Godot 的完整项目） |
第五部分：毕业设计及未来展望（第十六章）
旅程的终点是新的起点：亲手打造属于你的"毕业作品"，为学习之旅画上圆满句号。
| 章节 | 核心内容 | 仓库佐证 |
|---|---|---|
| 第十六章 毕业设计 | 构建一个完整的多智能体应用，全面检验学习成果 | docs/chapter16/共创路径.md、Co-creation-projects（社区共创毕业设计项目） |
学习路径与配套代码：为何"纸上得来终觉浅"
前言中引用了"纸上得来终觉浅，绝知此事要躬行"这句古训，并给出了一条关键的学习建议：请务必亲手运行、调试甚至修改项目里提供的每一份代码。
为了支撑这一目标，仓库在code目录下按章节组织了全部配套代码，形成"章节文档 + 可运行代码"的双轨结构。以第四章为例，code/chapter4/ReAct.py 就是一个完整的、可直接运行的 ReAct 智能体实现：它定义了REACT_PROMPT_TEMPLATE提示模板（包含 Thought / Action / Finish 三段式交互格式），并在ReActAgent.run()中以循环方式推进"思考 → 行动 → 工具调用 → 判断是否结束"的推理过程，直到达到max_steps上限或输出Finish[最终答案]。读者在阅读第四章文档的同时运行这段代码，即可直观看到智能体如何一步步拆解问题、调用工具并收敛答案——这正是"从理论到实战"最直接的体验。
此外，仓库还提供了多层次的延伸学习资源：
- 低代码平台案例包：第五章提供了 Coze（zip 工程包）、Dify（YAML 工作流）、FastGPT（JSON 配置）、n8n（JSON 工作流）四种平台的案例文件（code/chapter5），便于读者在不同平台上对照学习；
- 完整可运行的综合工程：第十三、十四、十五章的案例均包含完整的后端代码甚至前端工程，如 code/chapter13/helloagents-trip-planner（backend + frontend）与 code/chapter14/helloagents-deepresearch，可以直接运行并观察多智能体系统的实际表现；
- 社区共创项目：Co-creation-projects 目录收录了来自社区学习者的毕业设计作品，涵盖数据分析智能体、数据库智能体、股票洞察智能体、健康档案智能体、代码评审智能体、邮件摘要智能体等多种方向，可作为毕业设计与实战练手的参照案例；
- 扩展章节与社区精选：Extra-Chapter 目录提供了大量延伸内容，例如 Extra01-面试问题总结.md（Agent 岗位面试问题）与参考答案、Extra03-Dify智能体创建保姆级操作流程.md、Extra07-环境配置.md 等，帮助读者在主线之外按需深入。
参与共建：开源社区的学习闭环
作为一个开源项目，Hello-Agents 热忱欢迎每一位读者的参与和贡献。当遇到问题时，可以在社区提问；当有了新的想法或发现时，可以随时加入项目的共建。从仓库结构看，这种共建文化已经形成了完整闭环：
- 问题反馈：发现内容或代码问题，通过提交 Issue 报告 Bug；
- 内容改进：帮助改进教程，提交 Pull Request；
- 实践分享：在"社区贡献精选"中分享学习笔记与项目——Extra-Chapter 下的 13 篇扩展文档与 Co-creation-projects 下的众多毕业设计，正是这一机制的成果沉淀。
结语：从"使用者"到"构建者"
前言的核心主张可以用一句话概括：最好的学习方式就是动手实践。Hello-Agents 希望这本教程成为读者探索智能体世界的起点，帮助大家从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。
对于即将启程的读者，这里给出三点实用建议：
- 按五部分顺序推进，从第一部分的基础理论到第四部分的综合案例，保持知识的递进性；遇到难点可借助 Extra-Chapter 的扩展文档补充背景；
- 文档与代码同步学习，每读完一章，就去 code 目录运行对应的示例代码，亲手调试、修改，验证自己的理解；
- 尽早进入真实场景，参考 Co-creation-projects 中的社区作品，将所学技术应用到感兴趣的问题上——这正是第十六章毕业设计的核心目标，也是学习智能体的最终目的。
感谢你选择阅读 Hello-Agents，祝你学习愉快，探索无限！
【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
