Hello-Agents 导读：从零开始构建 AI 原生智能体的系统性实战指南

Hello-Agents 导读：从零开始构建 AI 原生智能体的系统性实战指南

【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/datawhalechina/hello-agents

《从零开始构建智能体》（Hello-Agents）是 Datawhale 社区推出的一套系统性智能体学习教程。本篇导读将带你理清该项目的缘起、五大部分课程体系的学习路径、配套代码的组织方式，以及成为一名智能体系统"构建者"所需的前置知识与学习策略。读完本文，你将清楚知道：这本书为什么而写、按照什么顺序学、每一步能在仓库中找到哪些可运行的实战资源，以及如何参与到开源共建中来。

从"有问必答"到"自主行动"：智能体为何成为下一个前沿

自 2022 年底以来，以 ChatGPT 为代表的大语言模型（Large Language Model, LLM）如同技术海啸，彻底改变了人与人工智能交互的方式。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，开发者们开始追问一个更前沿的问题：如何让 AI 不再只是一个"有问必答"的工具，而是成为一个能够自主规划、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）。

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。单个智能体已经能胜任特定领域的任务，而由多个智能体通过分工、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。

生态断层：为什么需要一本从第一性原理出发的实战指南

尽管 Agent 生态热闹非凡，前言中指出当前生态存在一个明显的断层：

• 框架与应用层出不穷：Dify、Coze、n8n、AutoGen、LangGraph、AgentScope 等工具持续涌现，令人眼花缭乱；
• 系统性知识极度匮乏：大多数教程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"，面对复杂需求时依然力不从心。

在这个背景下，Hello-Agents 项目的发起动机非常明确：穿透框架表象，从第一性原理出发，系统讲解智能体的设计、构建与协作，为社区提供一本从零开始、理论与实战并重的构建指南。

值得注意的是，项目介绍中对 Agent 构建流派做了一个关键区分，这也是全书立论的基础：

• 软件工程类 Agent（如 Dify、Coze、n8n）：本质是流程驱动的软件开发，LLM 作为数据处理的后端；
• AI 原生的 Agent（AI Native Agent）：真正以 AI 驱动，是本书深入理解和构建的对象。

课程的目标是带领读者深入智能体的核心架构，理解其经典范式，最终亲手构建属于自己的多智能体应用——完成从大语言模型"使用者"到智能体系统"构建者"的蜕变。

读者画像与前置知识要求

在正式启程之前，前言给出了清晰的能力前置要求，门槛并不高：

1. 基础的 Python 编程能力——这是动手实践的基础；
2. 对大语言模型有基本的概念性了解——例如知道如何通过 API 调用一个 LLM；
3. 无需深厚的算法或模型训练背景——项目的重点在于应用与构建。

从适用人群看，README进一步明确了定位：尤其适合有一定编程基础的 AI 开发者、软件工程师、在校学生，以及对前沿 AI 技术抱有浓厚兴趣的自学者。教程内容兼顾理论与实战，目标是帮助学习者系统掌握从单个智能体到多智能体系统的设计与开发全流程。

五部分课程体系：从基础到实战的渐进路径

全书按照"基础 → 单体 → 高级 → 实战 → 展望"的组织逻辑划分为五大部分，覆盖基础到实战，循序渐进、层层相扣。结合 docs/README.md 的内容导航与 docs/_sidebar.md 的侧边栏结构，可以将这套体系与仓库中的具体章节一一对应：

第一部分：智能体与语言模型基础（第一章～第三章）

铺垫人工智能与 LLM 的核心知识，让读者对智能体的诞生背景建立宏观认识。

章节	关键内容	文档位置
第一章 初识智能体	智能体定义、类型、范式与应用	docs/chapter1/第一章 初识智能体.md
第二章 智能体发展史	从符号主义到 LLM 驱动的智能体演进	docs/chapter2/第二章 智能体发展史.md
第三章 大语言模型基础	Transformer、提示工程、主流 LLM 及其局限	docs/chapter3/第三章 大语言模型基础.md

第二部分：构建你的大语言模型智能体（第四章～第七章）

这是动手实践的起点，也是全书的核心动手区。读者将亲手实现经典范式、体验低代码平台的便捷、掌握主流框架的应用，并最终从零构建属于自己的智能体框架，兼具"用轮子"与"造轮子"的能力。

章节	关键内容	文档位置
第四章 智能体经典范式构建	手把手实现 ReAct、Plan-and-Solve、Reflection	docs/chapter4/第四章 智能体经典范式构建.md
第五章 基于低代码平台的智能体搭建	Coze、Dify、n8n 等低代码平台使用	docs/chapter5/第五章%20基于低代码平台的智能体搭建.md
第六章 框架开发实践	AutoGen、AgentScope、LangGraph 等主流框架应用	docs/chapter6/第六章 框架开发实践.md
第七章 构建你的 Agent 框架	基于 OpenAI 原生 API 从零构建智能体框架	docs/chapter7/第七章 构建你的Agent框架.md

第三部分：高级知识扩展（第八章～第十二章）

在这一部分，智能体将"学会"思考与协作：拥有记忆和工具、掌握通信协议，并完成评估闭环。

章节	关键内容	文档位置
第八章 记忆与检索	记忆系统、RAG、存储	docs/chapter8/第八章 记忆与检索.md
第九章 上下文工程	持续交互的"情境理解"	docs/chapter9/第九章 上下文工程.md
第十章 智能体通信协议	MCP、A2A、ANP 等协议解析	docs/chapter10/第十章 智能体通信协议.md
第十一章 Agentic-RL	从 SFT 到 GRPO 的 LLM 训练实战	docs/chapter11/第十一章 Agentic-RL.md
第十二章 智能体性能评估	核心指标、基准测试与评估框架	docs/chapter12/第十二章 智能体性能评估.md

第四部分：综合案例进阶（第十三章～第十五章）

这是项目核心价值所在。读者将通过精心设计的综合案例，把所学知识融会贯通，在实战中淬炼真金。

章节	关键内容	文档位置
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	docs/chapter13/第十三章 智能旅行助手.md
第十四章 自动化深度研究智能体	DeepResearch Agent 复现与解析	docs/chapter14/第十四章 自动化深度研究智能体.md
第十五章 构建赛博小镇	Agent 与游戏的结合，模拟社会动态	docs/chapter15/第十五章 构建赛博小镇.md

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。读者将亲手打造属于自己的"毕业作品"，构建一个完整的多智能体应用，全面检验学习成果，并展望智能体的未来方向。第十六章 毕业设计同时提供了共创路径说明，社区共创的毕业设计项目沉淀在 Co-creation-projects 目录中，例如股票洞察 Agent、数据库智能体、会议行动项 Agent 等真实社区作品，是"学以致用"的直接示范。

纸上得来终觉浅：code 目录中的配套实战代码

"纸上得来终觉浅，绝知此事要躬行。"前言反复强调：最好的学习方式就是动手实践。为此，项目在code文件夹中提供了与章节一一对应的全部配套代码，强烈建议读者将理论与实践相结合，亲手运行、调试甚至修改每一份代码，并举一反三应用到真实场景。

以第二部分"动手实践开始"的第四章为例，code/chapter4 中直接提供了三个经典范式的可运行实现：

• ReAct.py：ReAct（推理 + 行动）范式的完整实现；
• Plan_and_solve.py：Plan-and-Solve（先规划后执行）范式实现；
• Reflection.py：Reflection（反思修正）范式实现；
• llm_client.py 与 tools.py：支撑上述范式的基础组件。

从源码结构看，这套代码的设计极具教学价值，体现了"小而完整"的原则。以 ReAct.py 为例，其核心ReActAgent类只依赖两个抽象组件——HelloAgentsLLM（负责思考）和ToolExecutor（负责行动），并通过max_steps控制最大推理步数；主循环（ReAct.py）严格遵循 ReAct 的"Thought → Action → Observation"循环：每一步将思考结果和行动结果追加进history，再拼入REACT_PROMPT_TEMPLATE提示词模板，让模型基于完整历史持续推理，直至模型输出Finish[最终答案]指令为止。

配套的 llm_client.py 展示了如何以"兼容任何 OpenAI 接口的服务"为目标设计 LLM 客户端：通过LLM_MODEL_ID、LLM_API_KEY、LLM_BASE_URL、LLM_TIMEOUT等环境变量解耦模型配置，并默认使用流式响应（llm_client.py）实时打印模型输出，让"思考过程"可视化，教学体验直观。而 tools.py 中的ToolExecutor则是一个极简工具注册表，通过registerTool(name, description, func)即可为智能体挂接任意工具（如基于 SerpApi 的网页搜索），这种"注册表 + 描述注入提示词"的模式正是现代 Agent 工具调用的通用雏形。

更进一步，第二部分的代码还延续到了自研框架章节——README 中明确介绍了项目基于 OpenAI 原生 API 从零构建的自研框架 HelloAgents（README.md），用于驱动后续记忆、上下文工程、协议、评估等高级内容的讲解。

开源社区与共建

作为一个开源项目，Hello-Agents 热烈欢迎各类形式的参与和贡献。前言与 README 给出了清晰的参与方式：

• 报告 Bug：发现内容或代码问题，提交 Issue；
• 提出建议：对项目有好的想法，发起讨论；
• 完善内容：帮助改进教程，提交 Pull Request；
• 分享实践：在"社区贡献精选"中分享学习笔记和项目。

社区贡献的优质内容沉淀在两个地方：正文之外的技术心得可以投稿至 Extra-Chapter，其中已收录 Agent 面试题总结与参考答案、上下文工程补充知识、Dify 保姆级操作流程、Agent Skills 与 MCP 对比解读、GUI Agent 科普与实战、环境配置、Skill 写作最佳实践、Agent 自进化、Web Agent 实战、旅行助手后训练实战等十余篇精选内容；独立于正文的毕业设计作品则沉淀在 Co-creation-projects，供后来者参考与迭代。

结语

Hello-Agents 的价值在于它提供了一条从"使用者"到"构建者"的完整路径：以第一性原理穿透框架表象，以五大部分渐进式的课程体系系统覆盖智能体的概念、范式、框架、记忆、上下文、协议、训练与评估，再以code目录中的配套代码和实战案例完成"理论 → 实践"的闭环。正如前言所言——"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/datawhalechina/hello-agents