Hello-Agents 总结

熠熠仔

427人浏览 · 2026-06-01 14:00:55

熠熠仔 · 2026-06-01 14:00:55 发布

Hello-Agents 全面总结

《从零开始构建智能体》完整知识体系梳理
来源：Datawhale 社区 | GitHub Stars：55k+ | 版本：V1.0.2 | 总章节：16 章正文 + 12 篇社区精选

项目全景
知识体系总览
第一部分：智能体与语言模型基础
第二部分：构建你的大语言模型智能体
第三部分：高级知识扩展
第四部分：综合案例进阶
第五部分：毕业设计及未来展望
社区精选内容
技术架构全景图
与其他技术生态的关系
学习路径与建议

一、项目全景

1.1 基本信息

维度	详情
项目名称	Hello-Agents
副标题	《从零开始构建智能体》
组织	Datawhale（国内知名 AI 开源学习社区）
编程语言	Python（72.5%）、Jupyter Notebook（11.2%）、Vue（8.4%）
开源协议	CC BY-NC-SA 4.0（署名-非商业性使用-相同方式共享）
在线阅读(国外)	https://datawhalechina.github.io/hello-agents/
在线阅读(国内)	https://hello-agents.datawhale.cc
PDF 下载	https://github.com/datawhalechina/hello-agents/releases/latest/
最新版本	V1.0.2（2026年2月10日发布）

1.2 核心贡献者

角色	姓名	贡献
项目负责人	陈思州 (@jjyaoao)	全文写作和校对
联合发起者	孙韬 (@fengju0213)	CAMEL-AI
联合发起者	姜舒凡 (@Tsumugii24)	章节习题设计
第五章贡献	黄佩林 (@HeteroCat)	Agent 开发工程师
第十四章贡献	曾鑫民 (@fancyboi999)	牛客科技
指导专家	朱信忠	Datawhale 首席科学家

1.3 教程定位

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的基础模型，转向构建更聪明的智能体应用。

本教程区分了 Agent 构建的两大派系：

软件工程类 Agent（Dify、Coze、n8n）：流程驱动的软件开发，LLM 充当数据处理后端
AI 原生 Agent：真正以 AI 驱动的 Agent

教程的核心目标是帮助学习者构建后者——真正的 AI Native Agent。

二、知识体系总览

Hello-Agents 知识体系
│
├── 第一部分：基础认知（第1-3章）
│   ├── 智能体定义、类型、范式与应用
│   ├── 从符号主义到 LLM 驱动的演进史
│   └── Transformer、提示工程、主流 LLM 与局限
│
├── 第二部分：动手构建（第4-7章）
│   ├── 经典范式：ReAct / Plan-and-Solve / Reflection
│   ├── 低代码平台：Coze / Dify / n8n
│   ├── 主流框架：AutoGen / AgentScope / LangGraph
│   └── 自研框架：HelloAgents 从零搭建
│
├── 第三部分：高级扩展（第8-12章）
│   ├── 记忆系统与 RAG 检索增强
│   ├── 上下文工程：多轮情境理解
│   ├── 通信协议：MCP / A2A / ANP
│   ├── Agentic RL：SFT → GRPO 训练实战
│   └── 性能评估：指标、基准与框架
│
├── 第四部分：综合实战（第13-15章）
│   ├── 智能旅行助手（MCP + 多Agent协作）
│   ├── 自动化深度研究（DeepResearch 复现）
│   └── 赛博小镇（Agent 与游戏结合）
│
└── 第五部分：毕业验收（第16章）
    └── 构建完整多智能体应用

仓库目录结构

hello-agents/
├── docs/                    # 教程正文文档
│   ├── 前言.md
│   ├── chapter1 ~ chapter16/ # 十六章正文
│   └── images/              # 图片资源
├── code/                    # 配套全部代码（★核心价值所在）
├── Co-creation-projects/    # 社区共创毕业设计
├── Extra-Chapter/           # 社区贡献精选（12篇）
├── Additional-Chapter/      # 附加章节
├── README.md
├── README_EN.md
└── LICENSE.txt

三、第一部分：智能体与语言模型基础

第1章：初识智能体

核心内容：

智能体的形式化定义：感知环境、自主决策、执行动作的实体
智能体分类：简单反射型、基于模型的、基于目标的、基于效用的
智能体范式概述：ReAct、Plan & Execute、Multi-Agent 等
典型应用场景：代码助手、客服代理、数据分析、自动化操作

为什么 2025 年是"Agent 元年"：

大模型能力已足够支撑复杂推理
工具调用（Function Calling）成为标配
行业共识从"更大的模型"转向"更聪明的应用"

第2章：智能体发展史

核心脉络：

符号主义 AI（1950s-1980s）
    │  基于规则的系统，专家系统
    │  局限：知识获取瓶颈、无法应对不确定性
    ↓
反应式 Agent（1980s-1990s）
    │  Brooks 的包容架构，感知-行动映射
    │  局限：缺乏规划和长期推理
    ↓
BDI Agent（1990s-2000s）
    │  信念-期望-意图模型
    │  贡献：形式化 Agent 的认知过程
    ↓
强化学习 Agent（2010s）
    │  AlphaGo、OpenAI Five
    │  局限：需要大量交互、泛化性差
    ↓
LLM 驱动的 Agent（2023-至今）
    基于大语言模型的通用推理 + 工具调用能力
    这是当前教程所要讲授的核心范式

关键洞察：LLM Agent 不是对之前路线的否定，而是融合——它继承了符号主义的推理结构化、反应式的实时性、BDI 的认知架构，并用大模型的能力补足了泛化问题。

第3章：大语言模型基础

核心知识：

Transformer 架构：Self-Attention、Multi-Head Attention、位置编码
提示工程（Prompt Engineering）：System Prompt、Few-shot、Chain-of-Thought
主流 LLM 概览：GPT 系列、Claude、Qwen、DeepSeek、Llama 等
LLM 的局限性：幻觉、上下文窗口限制、缺乏实时知识、无法自主行动

与 Agent 的关系：

LLM 是 Agent 的"大脑"，但大脑本身不能完成行动。Agent 框架需要为 LLM 提供"手"（工具调用）、“记忆”（上下文/存储）和"决策循环"（规划与反思）。

四、第二部分：构建你的大语言模型智能体

第4章：智能体经典范式构建 ★核心章节

这一章是整个教程的基石，手把手实现三种基础范式。

4.1 ReAct（Reasoning + Acting）

原理：将推理和行动交替进行，每一步都基于前一步的观察结果。

┌─────────────────────────────────────┐
│           ReAct 循环                 │
│                                     │
│   Thought(思考): 我需要查航班        │
│        ↓                            │
│   Action(行动): 调用航班查询API       │
│        ↓                            │
│   Observation(观察): 返回3个航班      │
│        ↓                            │
│   Thought(思考): 需要筛选最便宜的     │
│        ↓                            │
│   Action(行动): 按价格排序            │
│        ↓                            │
│   Observation(观察): 最便宜的是XX航班  │
│        ↓                            │
│   Answer(回答): 推荐XX航班            │
└─────────────────────────────────────┘

实现要点：

构建 Thought/Action/Observation 的解析循环
工具调用的格式定义与解析
终止条件的判断

4.2 Plan-and-Solve（规划求解）

原理：先让 LLM 制定完整的执行计划，再逐步执行。

用户：帮我规划从北京出发，三天内游览上海、苏州、杭州的行程

Agent 思考：
Plan:
  1. 查询北京到上海的交通方式
  2. 搜索上海必去景点（2天行程）
  3. 搜索苏州一日游路线
  4. 搜索杭州一日游路线
  5. 查询杭州回北京的交通
  6. 汇总形成完整行程建议

然后逐步执行每个子任务...

适用场景：需要多步骤协调、任务结构清晰的场景。

4.3 Reflection（自我反思）

原理：引入 Critic 角色来评估 Agent 自身的输出质量。

┌──────────┐         ┌──────────┐
│  Actor   │ ──输出──► │  Critic  │
│ (执行者)  │         │ (评审者)  │
└──────────┘         └──────────┘
      ▲                    │
      │    不合格，重新生成   │
      └────────────────────┘
                │
          合格，输出最终结果

Critic 的三种评估方式：

规则检查：格式、安全性等硬约束
LLM 自评：让模型判断答案是否合理
外部验证：代码执行结果、API 返回值等

第5章：基于低代码平台的智能体搭建

涵盖平台：Coze（扣子）、Dify、n8n

教程态度：这些平台是好用的工具，但不是教程的终点。理解它们的定位：

平台	定位	适合
Coze	字节跳动出品，对话型 Bot 平台	快速搭建客服、闲聊机器人
Dify	开源 LLM 应用开发平台	构建 RAG、Agent 工作流
n8n	开源自动化工作流	连接各种 SaaS 工具的自动化

关键区分：

这些平台是"流程驱动"的：你定义流程，LLM 只是流程中的一个节点
AI 原生 Agent 是"目标驱动"的：你定义目标，Agent 自主决定如何达成

第6章：框架开发实践

涵盖框架：AutoGen、AgentScope、LangGraph

框架	开发者	核心特点
AutoGen	Microsoft	多 Agent 对话框架，支持群聊和角色扮演
AgentScope	阿里通义实验室	国产多 Agent 框架，中文生态友好
LangGraph	LangChain	基于有向图的状态化 Agent 编排

教程的价值：不只是"怎么用"，而是帮你理解这些框架在"封装什么"——本质上是第四章的经典范式 + 工具管理 + 通信机制。

第7章：构建你的 Agent 框架 ★核心章节

HelloAgents 框架架构：

┌─────────────────────────────────────────┐
│              HelloAgents 框架            │
│                                         │
│  ┌─────────────┐   ┌─────────────────┐  │
│  │ SimpleAgent │   │  ToolRegistry   │  │
│  │ (核心Agent) │◄──│  (工具注册器)    │  │
│  └──────┬──────┘   └─────────────────┘  │
│         │                                │
│  ┌──────▼──────────────────────────┐    │
│  │     HelloAgentsLLM              │    │
│  │  (统一LLM接口，支持多模型切换)    │    │
│  └─────────────────────────────────┘    │
│                                         │
│  核心模块说明：                          │
│  • SimpleAgent：Agent 主体，管理交互循环  │
│  • ToolRegistry：工具注册、查找、调用     │
│  • HelloAgentsLLM：封装模型 API 调用      │
│  • 系统提示词配置：定义 Agent 行为边界     │
└─────────────────────────────────────────┘

设计理念：

轻量化：不过度抽象，保持代码可读性
可替换：LLM 后端可切换（OpenAI/Qwen/Claude 等）
可扩展：自定义工具通过 ToolRegistry 注册即可

典型使用流程：

# 1. 定义自定义工具
# 2. 初始化工具注册器并注册工具
# 3. 初始化 LLM 接口
# 4. 创建 SimpleAgent（配置 LLM、工具、系统提示词）
# 5. Agent.run("你的任务")

五、第三部分：高级知识扩展

第8章：记忆与检索

Agent 的三种记忆：

记忆类型	类比	实现方式
工作记忆	人脑的"当下思考"	上下文窗口（context window）
短期记忆	今天的对话记录	会话历史管理
长期记忆	人生经验与知识	向量数据库 + RAG

RAG（检索增强生成）在 Agent 中的角色：

用户问题 → 向量检索 → 相关文档片段 → LLM 结合上下文生成答案

存储方案：

向量数据库：ChromaDB、Milvus、Pinecone、Weaviate
对话历史：内存存储、数据库、文件系统
结构化记忆：JSON 配置文件、SQLite

第9章：上下文工程

核心问题：如何在长程多轮交互中保持 Agent 的"情境理解"？

关键技术：

上下文窗口管理：token 预算分配、滑动窗口、关键信息提取
对话摘要：定期对长对话进行摘要压缩，释放上下文空间
提示词组织策略：System Prompt 分层、角色定义、约束注入
状态持久化：在 Agent 重启后恢复上下文状态

核心理念：上下文工程不只是"写好 prompt"，而是对 Agent 整个交互状态的管理。

第10章：智能体通信协议 ★核心章节

这是 2025 年 Agent 生态最重要的基础设施层。

10.1 MCP（Model Context Protocol）

属性	说明
主导方	Anthropic
定位	Agent 与外部工具/数据源之间的标准化协议
通信方式	JSON-RPC 2.0
类比	USB —— 一个协议统一所有设备

MCP 架构：

┌──────────┐                  ┌─────────────────┐
│ Host     │                  │  MCP Server A   │
│ (Agent   │──┐           ┌──│  (天气查询)       │
│  应用)   │  │           │  └─────────────────┘
└──────────┘  │  MCP      │  ┌─────────────────┐
              │  Client   │──│  MCP Server B   │
              │           │  │  (航班查询)       │
              └───────────┘  └─────────────────┘

为什么 MCP 重要：

一次编写、到处使用：MCP Server 编写一次，所有支持 MCP 的 Agent 都能调用
生态效应：类比 App Store，MCP 将催生工具市场
行业共识：OpenAI 的 Function Calling、Google 的 A2A 都在走向标准化

10.2 A2A（Agent to Agent）

定位：定义 Agent 之间的直接通信方式。

与 MCP 的区别：

MCP = Agent ↔ Tool 的协议
A2A = Agent ↔ Agent 的协议

关键场景：多个 Agent 在没有中心协调者的情况下需要相互通信、协商、传递任务。

10.3 ANP（Agent Network Protocol）

定位：多 Agent 网络的通信协议，支持 Agent 发现、能力协商、任务分配。

第11章：Agentic RL（智能体强化学习）

定义：将强化学习应用于 Agent 训练的完整技术路线。

与传统 SFT 的核心区别：

维度	SFT（监督微调）	Agentic RL
数据来源	人工标注	环境交互反馈
学习方式	模仿人类示范	试错 + 奖励信号
覆盖范围	受限于标注数据	几乎所有场景
持续改进	需要重新标注	自动从交互中学习

GRPO（Group Relative Policy Optimization）：

当前主流的 Agentic RL 方法
核心思想：多策略并行探索 → 相对比较 → 优胜劣汰
训练流程：SFT（初始化）→ GRPO（优化）→ 部署 → 收集反馈 → 继续优化

实际价值：部署的 Agent 客服可以每天从数千次对话中自我改进，无需人工标注。

第12章：智能体性能评估

核心评估指标：

维度	指标	说明
任务完成率	Success Rate	是否成功完成指定任务
工具选择准确率	Tool Selection Accuracy	是否正确选择了工具
执行效率	Steps per Task	完成任务所需的平均步骤数
输出质量	LLM Judge Score	由 LLM 评估的答案质量分数

评估方法：

方法	说明
LLM Judge	用 LLM 作为评判者，从正确性、清晰度、完整性维度打分
Win Rate	将 Agent 输出与参考答案成对对比，统计胜率
基准测试	GAIA、AgentBench、WebArena 等标准测试集

评估框架：教程提供了内置评估工具，支持多基准适配和自定义评估维度。

六、第四部分：综合案例进阶

第13章：智能旅行助手 ★核心案例

这是教程中最完整的实战案例，展示了多 Agent 协作 + MCP 协议的完整应用。

系统架构：

                         用户
                          │
                          ▼
              ┌───────────────────────┐
              │  Orchestrator Agent   │
              │  任务分解、结果汇总     │
              └───────┬───────────────┘
                      │
          ┌───────────┼───────────┐
          ▼           ▼           ▼
    ┌──────────┐ ┌──────────┐ ┌──────────┐
    │ Flight   │ │ Hotel    │ │ Weather  │
    │ Agent    │ │ Agent    │ │ Agent    │
    └────┬─────┘ └────┬─────┘ └────┬─────┘
         │            │            │
    MCP Server    MCP Server   MCP Server
    (航班API)     (酒店API)     (天气API)

工作流程：

Orchestrator 接收用户旅行需求
分析任务类型，拆解为子任务
并行委派给 Flight Agent、Hotel Agent、Weather Agent
各子 Agent 通过各自 MCP Server 调用外部 API
结果汇总到 Orchestrator
生成完整的旅行方案呈现给用户

技术要点：

MCP 协议的实战应用
多 Agent 的任务编排与结果聚合
Agent 间通信与协作
外部 API 的标准化接入

第14章：自动化深度研究 Agent

案例定位：复现 DeepResearch，构建能自动完成复杂信息收集、分析和综合的 Agent。

核心能力：

自动文献检索与筛选
多源信息交叉验证
结构化研究报告生成

技术栈：

搜索工具集成（Google/Bing API、学术数据库）
内容提取与摘要
结构化报告模板

第15章：构建赛博小镇

案例定位：Agent 与游戏结合的探索性案例。

核心设定：

虚拟小镇中每个居民都是一个 Agent
每个 Agent 有自己的目标、记忆、社会关系
模拟 Agent 之间的交互与社会动态涌现

学习价值：理解多 Agent 系统中"涌现行为"——简单的个体规则如何在群体层面产生复杂的社会现象。

七、社区精选内容

12 篇社区贡献的补充内容，涵盖了从入门到进阶的各个维度：

编号	主题	内容概要
00	共创毕业设计	社区共创的优秀毕业设计项目集
01	Agent 面试题 + 答案	智能体岗位相关的面试问题与参考答案
02	上下文工程补充	对第九章上下文工程的深度扩展
03	Dify 保姆级教程	从零开始在 Dify 上创建智能体的完整操作流程
04	课程常见问题	Datawhale 组队学习中的 FAQ 汇总
05	Agent Skills vs MCP 对比	两大技术范式的差异分析与共存探讨
06	GUI Agent 科普与实战	Agent 操作图形界面的原理、工具与多场景实战
07	环境配置指南	各操作系统下的详细环境配置步骤
08	Skill 写作最佳实践	如何写出高质量的 Agent Skill
09	Code Agent 踩坑经验	真实 Code Agent 应用开发的避坑指南
10	Agent 自进化	Agent 自我改进的四类闭环机制与代表项目
11	WebAgent 科普与实战	Web Agent 原理、反爬对策与 HelloAgents 集成
12	旅行助手后训练实战	将旅行助手 Demo 打磨成可用 Planner 的经验

八、技术架构全景图

将整个教程讲授的知识组织成一张完整的技术架构图：

┌──────────────────────────────────────────────────────────────┐
│                    多智能体应用层                              │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐       │
│  │  旅行助手     │  │  深度研究     │  │  赛博小镇     │       │
│  └──────┬───────┘  └──────┬───────┘  └──────┬───────┘       │
├─────────┼─────────────────┼─────────────────┼───────────────┤
│         │        智能体编排层               │                │
│  ┌──────┴───────────────────────────────┴──────┐            │
│  │         Orchestrator / Multi-Agent 协作       │            │
│  │    • AutoGen 群聊   • LangGraph 有向图编排    │            │
│  │    • 自研框架 HelloAgents                     │            │
│  └──────────────────────┬──────────────────────┘            │
├─────────────────────────┼───────────────────────────────────┤
│              单智能体核心层                                   │
│  ┌──────────────────────┴──────────────────────┐            │
│  │  Agent 运行时                                  │            │
│  │  • ReAct 循环    • Plan-and-Solve            │            │
│  │  • Reflection    • 工具调用(函数/API)         │            │
│  └───┬──────────┬──────────┬──────────┬────────┘            │
├──────┼──────────┼──────────┼──────────┼────────────────────┤
│      │  记忆层   │ 通信协议层 │ 模型训练层 │  评估层           │
│  ┌───┴──┐ ┌─────┴─────┐ ┌──┴────┐ ┌───┴────┐              │
│  │ RAG  │ │ MCP/A2A/  │ │ SFT   │ │ LLM    │              │
│  │ 向量DB│ │ ANP       │ │ →GRPO │ │ Judge  │              │
│  │ 记忆  │ │           │ │       │ │ WinRate│              │
│  └──────┘ └───────────┘ └───────┘ └────────┘              │
├──────────────────────────────────────────────────────────────┤
│                    大语言模型层                               │
│    GPT-4o | Claude | Qwen | DeepSeek | Llama | ...         │
└──────────────────────────────────────────────────────────────┘

九、与其他技术生态的关系

9.1 与 LangChain/LangGraph 的关系

维度	Hello-Agents	LangChain/LangGraph
定位	教学导向，理解底层原理	生产导向，提供完整工具链
学习曲线	平缓，代码可读性强	陡峭，抽象层次多
建议	先用 Hello-Agents 理解原理，再用 LangGraph 做生产项目	—

9.2 与 Dify/Coze 的关系

维度	Hello-Agents 教的	Dify/Coze 做的
层次	Agent 底层逻辑	Agent 应用搭建
关系	互补——理解原理后用平台提效	—

9.3 与 AutoGen/AgentScope 的关系

Hello-Agents 教你"为什么要这样设计 Agent 框架"
AutoGen/AgentScope 提供了成熟的实现
先学前者再学后者，理解更深

十、学习路径与建议

10.1 前置要求

要求	说明
Python 基础	能独立写函数、类、文件操作
LLM 基本概念	使用过 ChatGPT 或调用过 LLM API
无需	深度学习算法背景、模型训练经验

10.2 推荐学习节奏

阶段	时间	内容	产出
基础认知	1-2 周	第 1-3 章	理解 Agent 概念框架
动手构建	2-3 周	第 4-7 章	写出 ReAct Agent + 自研框架 MVP
高级扩展	2-3 周	第 8-12 章	掌握 MCP、记忆系统、评估方法
综合实战	2-3 周	第 13-15 章	完成旅行助手等综合项目
毕业设计	2-4 周	第 16 章	独立构建完整多 Agent 应用

总计：全职学习约 9-16 周，业余学习约 3-6 个月。

10.3 关键里程碑检查

能独立写出 ReAct 循环的完整代码
理解 Reflection 中 Actor/Critic 的协作机制
能用 HelloAgents 框架注册自定义工具并创建 Agent
理解 MCP 协议的 Client-Server 模型
能独立搭建一个 MCP Server
完整运行旅行助手案例并理解其架构
独立完成毕业设计项目

10.4 推荐的每章实践方式

活动	说明
先读再写	先通读章节理解原理，再打开 code/ 目录对照实现
默写关键代码	合上书，尝试默写 ReAct 循环的核心逻辑
修改参数实验	改变提示词、工具集，观察 Agent 行为变化
阅读社区 Extra	正文学完后，针对性阅读 Extra-Chapter 中相关内容

附录：快速参考卡片

三大范式速查

范式	一句话	典型场景
ReAct	边想边做，循环往复	需要多步工具调用的任务
Plan-and-Solve	先规划再执行	结构化多步骤任务
Reflection	做完检查，不好重来	对输出质量要求高的场景

三大协议速查

协议	定位	主导方
MCP	Agent ↔ Tool	Anthropic
A2A	Agent ↔ Agent	Google
ANP	Agent Network	开源社区

核心框架速查

框架	场景	特点
HelloAgents	学习/教学	轻量、可读、自研入门
LangGraph	生产	有向图编排、状态管理
AutoGen	多 Agent	群聊模式、角色扮演
AgentScope	多 Agent(国产)	中文生态友好