Hello-Agents：从零开始构建 AI Agent 的开源教程

在大模型应用快速发展的这几年，很多人已经不满足于“会用 ChatGPT”或者“会写 Prompt”。真正更有价值的方向，是理解大语言模型如何调用工具、如何维护记忆、如何规划任务、如何和外部系统协作，最后形成一个可以持续执行任务的 AI Agent。

Datawhale 社区开源的 Hello-Agents，就是一套围绕 AI Agent 原理与实践展开的系统教程。它不是单纯介绍某个低代码平台，也不是只教你套用现成框架，而是试图从智能体的基础概念、经典范式、工程实现一路讲到多智能体应用，适合希望系统入门 Agent 开发的人阅读。

一、这个项目是什么

Hello-Agents 的中文标题是《从零开始构建智能体》。项目定位很清楚：从基础理论到实际应用，帮助学习者系统掌握智能体系统的设计与实现。

在项目 README 中，作者将当前 Agent 构建大致分为两类：一类是 Dify、Coze、n8n 这类偏软件工程与流程编排的 Agent；另一类是更偏 AI 原生的 Agent，也就是让模型真正参与规划、推理、工具调用和任务执行的系统。

Hello-Agents 更关注后者。它希望学习者不要只停留在“拖几个节点、拼一个流程”的层面，而是逐步理解 Agent 内部究竟是如何工作的：模型如何接收上下文，如何决定下一步动作，如何调用工具，如何处理记忆，如何进行反思与纠错，如何在复杂任务中进行协作。

对我来说，这类教程的价值在于：它能让人从“使用 AI 工具”进阶到“理解 AI 应用的结构”。这一步非常关键。因为真正能形成个人生产力的，不只是知道某个工具叫什么，而是知道它背后的工作方式，并且能够把它迁移到自己的项目中。

二、适合哪些人学习

Hello-Agents 比较适合以下几类读者：

• 想系统了解 AI Agent，但不想只看零散博客的人；
• 已经会使用 ChatGPT、Claude、Gemini 等大模型工具，想进一步理解背后原理的人；
• 有一点 Python 或编程基础，想动手做 Agent 项目的人；
• 想学习 ReAct、RAG、Memory、上下文工程、多智能体协作等概念的人；
• 想把 AI Agent 能力用于个人网站、自动化工具、知识库、数据分析或研究工作流的人。

如果只是想快速做一个简单的聊天机器人，低代码平台可能更快；但如果目标是理解 Agent 系统的底层逻辑，Hello-Agents 这种从原理到代码的路线更值得看。

三、项目内容结构

从公开 README 来看，Hello-Agents 的内容覆盖范围比较完整，大致可以分为几个阶段。

1. 智能体与大语言模型基础

教程首先从智能体概念讲起，包括智能体的定义、类型、发展历史和应用场景。随后进入大语言模型基础，介绍 Transformer、Prompt、主流 LLM 以及当前大模型的局限。

这一部分适合打基础。很多人一开始学 Agent，容易直接跳到框架和工具调用，但如果不理解 LLM 本身的能力边界，后面很容易把 Agent 想得过于神秘。

2. 经典 Agent 范式与框架实践

项目中比较重要的一部分，是对经典智能体范式的介绍与实现，例如：

• ReAct：让模型在推理与行动之间循环；
• Plan-and-Solve：先规划，再分步骤执行；
• Reflection：让模型对自己的输出进行反思和修正；
• 工具调用与外部环境交互；
• 基于框架的 Agent 开发实践。

这些内容对真正理解 Agent 很重要。所谓 Agent，并不是简单地把用户问题丢给模型，而是要设计一个循环：模型观察状态，生成计划，选择工具，执行动作，接收结果，再继续推理。

3. 低代码平台与主流框架

Hello-Agents 也介绍了 Coze、Dify、n8n 等低代码平台，以及 AutoGen、AgentScope、LangGraph 等主流 Agent 框架。

这部分的意义在于：学习者可以同时看到两条路线。一条是产品化、流程化路线，适合快速搭建应用；另一条是代码化、框架化路线，适合更深度的工程控制。

对初学者来说，不必一开始就纠结到底选哪个框架。更重要的是先理解共同的底层问题：任务如何拆分，工具如何接入，状态如何维护，失败如何处理，上下文如何压缩。

4. 记忆、RAG 与上下文工程

当 Agent 从简单问答走向复杂任务时，记忆和上下文管理就变得非常重要。Hello-Agents 中包含记忆系统、RAG、存储、上下文工程等内容。

这部分尤其值得认真学。因为很多 Agent Demo 看起来很炫，但真正使用时很快会遇到问题：

• 对话历史太长，模型开始遗忘重点；
• 工具返回信息太多，模型抓不住关键；
• 多轮任务中状态丢失；
• 检索结果不稳定；
• 成本和上下文窗口难以控制。

这些问题本质上都和上下文工程有关。能不能把信息组织好，往往比单纯换一个更大的模型更重要。

5. 综合项目与多智能体应用

Hello-Agents 还包含一些综合实践项目，例如智能旅行助手、赛博小镇等案例。这类项目的价值不只是展示效果，而是帮助学习者看到一个 Agent 系统如何从模块走向整体。

当一个 Agent 需要处理真实任务时，它通常不再只是一个函数调用，而是会涉及用户输入、任务规划、外部工具、记忆系统、错误处理、结果展示等多个环节。通过完整案例学习，可以更容易理解 Agent 工程的复杂性。

四、为什么这个项目值得关注

我觉得 Hello-Agents 值得关注，主要有三个原因。

1. 它不是只讲概念，而是强调动手实践

AI Agent 的概念文章已经很多，但只看概念很容易产生错觉：好像 Agent 就是“模型 + 工具调用”。真正写起来才会发现，难点在工程细节，比如消息结构、工具返回格式、异常处理、上下文压缩、记忆更新、多轮执行控制等。

Hello-Agents 的路线更偏实践，它不是只告诉你 Agent 是什么，而是让你逐步搭建、运行和理解系统。

2. 它适合中文学习者系统入门

很多 Agent 学习资料分散在英文文档、论文、GitHub 示例和框架教程中。对中文学习者来说，资料不是没有，而是缺少一条比较清晰的学习路径。

Hello-Agents 作为中文开源教程，把智能体基础、LLM 基础、经典范式、框架实践、高级主题和综合项目放在同一个体系里，降低了系统入门的门槛。

3. 它能帮助学习者建立工程意识

Agent 不是玄学，也不是单纯的 Prompt 技巧。它更像是一种围绕大语言模型构建的软件系统。

学习 Agent 时，应该逐渐建立几个工程意识：

• 模型只是系统的一部分，不是全部；
• Prompt 重要，但状态管理、工具设计和错误处理同样重要；
• Demo 能跑不代表系统可靠；
• RAG、Memory、Tool Use、上下文工程都需要具体设计；
• 真正有价值的 Agent，通常来自具体场景，而不是空泛聊天。

Hello-Agents 的内容正好能帮助学习者从“模型崇拜”转向“系统构建”。

五、我建议怎么学

如果你是初学者，不建议一上来就追求把所有章节看完。可以按下面的路线学习：

1. 先理解基本概念

先看智能体定义、发展史和 LLM 基础。这个阶段不用急着写复杂代码，重点是理解 Agent 为什么出现，它试图解决什么问题，以及它和普通聊天机器人的区别。

2. 再学习 ReAct 和工具调用

掌握 ReAct 和 Tool Use，是理解 Agent 的关键一步。你要弄清楚模型什么时候应该直接回答，什么时候应该调用工具，工具结果如何返回给模型，模型如何基于结果继续推理。

3. 然后补上 RAG、Memory 和上下文工程

当你能写出一个简单 Agent 后，就可以继续学习 RAG、记忆系统和上下文工程。这些内容决定了 Agent 能不能处理更长、更复杂、更贴近真实场景的任务。

4. 最后再看多智能体与综合项目

多智能体听起来很高级，但不建议太早学。先把单个 Agent 的输入、输出、工具、状态、记忆和上下文弄清楚，再看多智能体协作，理解会更扎实。

六、可以和个人项目怎么结合

如果你正在做个人网站、知识库、自动化工具或 AI 学习项目，Hello-Agents 也有不少可以借鉴的地方。

例如，可以把它的学习思路迁移到以下方向：

• 为网站文章建立智能检索与问答系统；
• 给自己的工具页面接入 LLM 解释功能；
• 做一个能调用多个 API 的个人助理；
• 用 RAG 整理自己的 Markdown、PDF、笔记和代码库；
• 设计一个面向特定领域的 Agent 工作流；
• 学习如何把复杂任务拆成多个可执行步骤。

真正有价值的学习方式，不是把教程代码复制一遍，而是把其中的思想迁移到自己的项目里。比如在个人网站中，Agent 可以不只是聊天窗口，而是文章助手、搜索助手、代码解释器、择日工具解释器，甚至是自动内容整理工作流。

如果你已经想清楚要做什么，接下来纠结的往往是用哪种语言落地，可以参考 《AI Agent 用什么语言：Python、TypeScript 与下一代产品工程》。

七、版权声明

本文仅用于介绍、学习与转载分享 Datawhale 社区 Hello-Agents 项目，项目原始内容、代码、文档与相关版权归原作者及 Datawhale 社区所有。

根据项目仓库公开许可信息，Hello-Agents 使用 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International（CC BY-NC-SA 4.0） 许可协议。转载、引用或改编相关内容时，请保留原作者署名、原项目链接和许可协议说明，并遵守非商业使用与相同方式共享等要求。

本站仅作学习介绍与资料整理，不声称拥有原项目版权，也不代表 Datawhale 官方立场。如原作者或社区认为本文存在不妥之处，请联系本站修改或删除。

常见问题

Hello-Agents 适合什么人学？

适合想系统理解 AI Agent 原理、不满足于只看零散博客、已经会用 ChatGPT / Claude / Gemini、并且有一点 Python 或编程基础的人，尤其是想从“工具使用者”进阶为“智能体应用构建者”的学习者。

Hello-Agents 和 Coze、Dify、n8n 有什么不同？

Coze、Dify、n8n 偏低代码流程编排，适合快速拼一个应用；Hello-Agents 更关注 AI 原生 Agent，讲模型如何规划、推理、调用工具、维护记忆与反思纠错，路线从原理一直到代码实现。

学 Hello-Agents 需要什么基础？该怎么学？

有一点 Python 或编程基础即可。建议循序渐进：先理解智能体定义与 LLM 基础，再学 ReAct 与工具调用，然后补 RAG、记忆与上下文工程，最后再看多智能体与综合项目。

Hello-Agents 是免费的吗？可以转载吗？

它是 Datawhale 社区开源教程，采用 CC BY-NC-SA 4.0 许可，可免费学习。转载、引用或改编时需保留原作者署名与项目链接，遵守非商业使用与相同方式共享的要求。

参考来源

• Hello-Agents GitHub 仓库
• Hello-Agents 在线阅读
• Hello-Agents 国内加速阅读
• Hello-Agents License
• Datawhale GitHub 主页