如果说 2024 年是"百模大战"的元年，那么 2025 年毫无疑问开启了 "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、更实用的智能体应用。然而，系统性的实战教程却极度匮乏——理论文章多，手把手教你从零搭起一个 Agent 框架的资料少之又少。
Datawhale 社区开源的 Hello-Agents 项目，正是为了填补这一空白。这是一本让你从"LLM 使用者"蜕变为"Agent 构建者"的完整学习路径。截至目前，项目已收获 26.4k Star，成为国内最具影响力的智能体教程之一。
项目位：什么是 Hello-Agents
如今 Agent 构建主要分为两派：
- 软件工程类 Agent：Dify、Coze、n8n 等低代码平台，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 Agent：真正以 AI 驱动的智能体，强调自主规划、记忆、工具使用和多智能体协作
Hello-Agents 旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将穿透框架表象，从智能体的核心原理出发，深入其架构设计，理解经典范式（ReAct、Plan-and-Solve、Reflection），并最终亲手构建属于自己的多智能体应用。
项目的核心信念是：最好的学习方式就是动手实践。
教程体系：五大部分 16 章节
Hello-Agents 的内容组织非常系统，层层递进：
第一部分：智能体与语言模型基础（第 1-3 章）
奠定理论基础，梳理"智能体"概念的来龙去脉：
- 第 1 章：智能体定义、类型、范式与应用
- 第 2 章：从符号主义到 LLM 驱动的智能体演进史
- 第 3 章：Transformer、提示工程、主流 LLM 及其局限
第二部分：构建你的大语言模型智能体（第 4-7 章）
动手实践的起点，你将亲手实现经典范式，并掌握主流框架：
- 第 4 章：智能体经典范式构建（ReAct、Plan-and-Solve、Reflection）
- 第 5 章：基于低代码平台的智能体搭建（Coze、Dify、n8n）
- 第 6 章：框架开发实践（AutoGen、AgentScope、LangGraph）
- 第 7 章：构建你自己的 Agent 框架（从零实现）
第四章内容示例：经典范式 ReAct 的工作流程
第三部分：高级知识扩展（第 8-12 章）
让你的智能体"学会"思考与协作：
- 第 8 章：记忆与检索（RAG、向量存储、长期记忆）
- 第 9 章：上下文工程（持续交互中的情境理解）
- 第 10 章：智能体通信协议（MCP、A2A、ANP）
- 第 11 章：Agentic-RL（从 SFT 到 GRPO 的 LLM 训练实战）
- 第 12 章：智能体性能评估（基准测试与评估框架）
第四部分：综合案例进阶（第 13-15 章）
理论与实践的交汇点，打造真实有趣的项目：
- 第 13 章：智能旅行助手（MCP 与多智能体协作）
- 第 14 章：自动化深度研究智能体（DeepResearch Agent 复现）
- 第 15 章：构建赛博小镇（Agent 与游戏结合，模拟社会动态）
第十三章实战案例：智能旅行助手的交互界面
第五部分：毕业设计及未来展望（第 16 章）
构建完整的多智能体应用，并展望 Agent 技术的前沿方向。
教程特色：为什么 Hello-Agents 值得学
1. 系统性 + 重实践
市面上许多文章只讲概念，Hello-Agents 坚持"代码驱动"。项目提供了完整的配套代码（code/ 文件夹），涵盖所有章节的实现。你不仅要知道 ReAct 是什么，还要亲手写一个 ReAct Agent。
2. 内容覆盖全面
从最基础的 Agent 定义，到高级的 Agentic-RL 训练，再到多智能体协议和复杂案例，课程的广度与深度兼备。学完后，你将具备：
- 独立实现一个 Agent 框架的能力
- 使用主流工具栈（LangGraph、AutoGen 等）快速搭建应用的能力
- 评估与优化 Agent 系统性能的专业知识
3. 社区驱动，持续更新
Datawhale 社区拥有成熟的贡献者机制，内容会随技术发展持续迭代。项目还设有"社区贡献精选"板块，收录学习者的独到见解。
4. 学习资源丰富
- 在线阅读：https://datawhalechina.github.io/hello-agents/（随时访问）
- 配套代码：所有章节的代码实现
- Cookbook：https://book.heterocat.com.cn/（更多实战案例）
- PDF 版本：开源免费下载，已预加水印以防止营销号倒卖
第七章：从零构建 HelloAgents 框架的核心代码片段
核心内容亮点
ReAct 范式手搓
在第四章，你将用不到 100 行 Python 代码实现一个完整的 ReAct Agent——它能够思考（Thought）、行动（Action）、观察（Observation）并循环迭代，直到完成用户任务。这是理解 Agent 推理机制的基石。
自研框架 HelloAgents
第七章是全书的高光时刻。你将基于 OpenAI 原生 API，从零搭建一个名为 HelloAgents 的轻量级 Agent 框架。这个框架具备：
- 统一的 Agent 接口设计
- 内置多种工具调用机制
- 支持多轮对话状态管理
- 可扩展的工具注册系统
亲手实现一遍，你对 Agent 框架的理解将远超单纯使用者。
Agentic-RL 训练实战
第十一章进阶到模型训练层面，讲解如何用 RL 范式（GRPO）进一步优化 Agent 的决策能力。这是目前 Agent 技术的前沿方向，适合有一定基础的学习者深入。
真实世界案例
第十三章到第十五章的三个综合案例，是检验学习成果的试金石：
- 智能旅行助手：结合 MCP 协议，让 Agent 能够调用地图、天气、机票等多类工具，规划完整行程
- DeepResearch Agent：复现 OpenAI 的深度研究智能体，能够自主拆解问题、搜索资料、撰写报告
- 赛博小镇：用 Agent 模拟小镇居民的社会动态，每个 Agent 有自己的记忆、目标和行为逻辑
适合谁学？
Hello-Agents 并非零基础入门，它要求：
- Python 编程能力：至少能够阅读和编写中等规模的 Python 代码
- LLM 基本概念：知道 Prompt、API 调用、Token 等基础术语
- 学习意愿强烈：内容体量大，需要投入时间动手实践
但项目不要求深厚的算法或模型训练背景。只要你对 AI 应用开发有热情，愿意动手写代码，这就是为你准备的教程。
总结
Agent 时代已经到来。掌握 Agent 系统的设计与实现，是 AI 开发者下一阶段的必备技能。Hello-Agents 提供了一个结构清晰、内容扎实、社区活跃的学习路径。
如果你不想只停留在"调用 API"的层面，而是想真正理解 Agent 的底层原理，亲手构建自己的智能体框架，那么 Hello-Agents 无疑是最佳选择。
开始学习吧：https://datawhalechina.github.io/hello-agents/
项目信息
- GitHub：https://github.com/datawhalechina/hello-agents
- Stars：⭐ 26.4k
- 协议：CC BY-NC-SA 4.0（署名-非商业性使用-相同方式共享）
- 最新版本：V1.0.2 (2026-02-10)
评论区