《从零开始构建智能体》：Datawhale 开源的系统性 AI Agent 教程

《从零开始构建智能体》：Datawhale 开源的系统性 AI Agent 教程

背景：Agent 元年与教育空白

如果说 2023 年是「大模型爆发元年」，2024 年是「百模大战」的高峰，那么 2025 年无疑正式开启了「**Agent 元年**」。技术焦点已从比拼谁的底座模型更大、更强，转向一个更具实际价值的命题：**如何用 AI 真正做成一件事**。

这一背景下，AI Agent（智能体）技术成为最炙手可热的赛道。OpenAI 推出 Operator 和 Deep Research，Anthropic 发布 Computer Use，阿里的通义千问 Agent、百度文心的 Agent 框架相继落地。各大云厂商、独立软件开发商、AI 创业公司，几乎无一例外地将「Agent 化」列为 2025 年的首要战略方向。

然而，一个显著的矛盾出现了：**产业侧对 Agent 人才的需求急速上升，而系统性、重实践的 Agent 学习资源却严重稀缺**。现有的入门材料要么停留在概念介绍层面，要么只聚焦于某一个特定框架（如 LangChain、AutoGen），缺乏从原理到实战的完整脉络。

正是为了填补这一空白，Datawhale 社区发起了 **hello-agents** 项目——一本从零开始构建 AI 智能体的系统性开源教程。

项目热度：社区的用脚投票

hello-agents 在 GitHub 上的表现验证了市场需求的真实存在：项目发布后 GitHub Stars 迅速突破 **24,000**，日均新增约 **147 颗 Star**，稳居中文 AI 开源项目热度榜前列。

这一数据在开源社区中具有显著意义：相比大量需要大厂背书才能获得关注的 AI 项目，一个以教程为核心定位的社区项目能达到这样的热度，说明开发者群体对「真正能学会 Agent 构建」的需求是压倒性的。

课程架构：16 章五大模块的系统设计

hello-agents 采用 16 个章节、五大部分的系统性结构，从理论地基到毕业项目，构建了一条完整的学习路径。

第一部分：理论基础——打牢 Agent 的认知地基

第一章：初识智能体

从最基础的问题出发：什么是智能体？教程给出了一个清晰的工程化定义：能够感知环境、做出决策并采取行动以实现特定目标的 AI 系统。章节进一步梳理了 Agent 的四种核心类型（反应型、学习型、目标导向型、效用最大化型），以及当前主流的三大范式：ReAct、Plan-and-Solve、Reflection。

第二章：智能体发展史

从 1950 年代符号主义 AI 的规则引擎，到专家系统的兴衰，到强化学习赋能的 AlphaGo，再到 LLM 驱动的现代 Agent——理解这条演化路径，有助于开发者在面对具体问题时做出更准确的技术选型判断，而不是盲目追随最新框架。

第三章：大语言模型基础

扎实的 LLM 基础是 Agent 开发的前提。本章覆盖 Transformer 架构精要、提示工程（Prompt Engineering）的核心技巧，以及 GPT-4o、Claude 3.5、Gemini 1.5 Pro 等主流 LLM 的能力边界与适用场景对比。

第二部分：构建实践——动手写出第一个 Agent

第四章：三大经典范式手把手实现

• **ReAct（Reasoning + Acting）**：让模型在思考与行动之间交替迭代，是目前最成熟的 Agent 范式
• **Plan-and-Solve**：先规划完整执行计划，再逐步实施，适合长链路任务
• **Reflection**：自我评估与迭代改进机制，提升输出质量的关键

每个范式都配有完整的代码实现，从零开始，不依赖任何高层框架，帮助开发者真正理解底层逻辑。

第五章：低代码平台的使用与对比

面向想快速搭建原型的读者，详细评测 Coze、Dify、n8n 三大低代码 Agent 平台：

• Coze：字节跳动出品，Plugin 生态丰富，适合面向消费者的 Agent 应用
• Dify：开源优先，私有化部署能力强，企业级场景首选
• n8n：工作流自动化导向，与传统 SaaS 工具集成能力最强

第六章：主流框架实战

深入 AutoGen、AgentScope、LangGraph 三大框架：

• AutoGen（微软）：多 Agent 对话与协作的标杆框架
• AgentScope（阿里）：分布式 Agent 系统的中文生态代表
• LangGraph：基于图结构的复杂 Agent 工作流构建工具

第七章：从零构建 HelloAgents 框架

本章是教程的「毕业设计预备课」——直接基于 OpenAI 原生 API，不借助任何封装框架，从零构建一个功能完整的 HelloAgents 框架。这是真正理解 Agent 架构的必经之路。

第三部分：高级能力——让 Agent 更聪明、更可靠

第八章：记忆系统与 RAG

Agent 的记忆分为四个层次：工作记忆（上下文窗口）、情节记忆（对话历史）、语义记忆（向量数据库）、程序记忆（工具调用模式）。本章结合 RAG（检索增强生成）技术，系统讲解如何让 Agent 突破上下文窗口限制，拥有近乎无限的「长期记忆」。

第九章：上下文工程

提示工程（Prompt Engineering）只是第一步；上下文工程（Context Engineering）是下一个层次——如何在持续的多轮交互中动态管理上下文，确保 Agent 始终「记得」重要信息，同时不被无关内容干扰。

第十章：智能体通信协议深度解析

三大协议的全面梳理：

• **MCP（Model Context Protocol）**：Anthropic 发布的工具调用标准，正成为 Agent 生态的「USB 接口」
• **A2A（Agent-to-Agent）**：谷歌推动的 Agent 间通信协议，支持跨厂商的多 Agent 协作
• **ANP（Agent Network Protocol）**：面向去中心化 Agent 网络的协议标准

第十一章：Agentic RL

覆盖从 SFT（监督微调）到 GRPO（群组相对策略优化）的完整 LLM 训练流程，介绍如何用强化学习让 Agent 在与环境的交互中持续自我改进——这是目前最前沿的 Agent 能力提升路径之一。

第四部分：综合案例——真实项目驱动学习

案例一：智能旅行助手

综合运用 MCP 协议 + 多 Agent 协作，构建能够调用地图 API、机票查询、酒店预订等工具的旅行规划 Agent，覆盖真实项目中的工具集成、错误处理、多轮对话管理等核心工程问题。

案例二：自动化深度研究 Agent

复现 OpenAI Deep Research 的核心能力：自主搜索、阅读、综合多源信息，生成结构化研究报告。这是检验 Agent 规划与工具调用能力的标准测试场景。

案例三：赛博小镇

将 Agent 技术与游戏场景结合，构建一个多 Agent 社会模拟环境（灵感来自斯坦福 Smallville 论文），探索 Agent 的社会行为涌现现象——兼具学术趣味与工程实践价值。

第五部分：毕业设计

完整的多 Agent 应用开发项目，从需求分析、系统设计、Agent 拆分、工具集成，到测试与部署的全流程实战。

核心定位：AI 原生 Agent vs. 流程驱动 Agent

hello-agents 在立项之初就做出了一个重要的区分：

流程驱动 Agent（Dify / Coze / n8n 类）：本质是用 AI 能力增强的工作流自动化工具，逻辑流转由人预先定义好的有向图控制，AI 只是其中的一个「步骤节点」。

AI 原生 Agent：真正以 AI 为驱动核心，具备自主规划、动态调整、记忆管理、工具调用的完整能力。它不需要人为预定义每一个分支，而是由 LLM 自主判断「下一步该做什么」。

hello-agents 专注于后者的系统性培养，帮助开发者穿透框架的表象，理解 AI-Native Agent 的底层机制——这一定位恰好切中了行业需求最高端、也是人才最稀缺的层次。

行业趋势：Agent 时代的核心竞争力

hello-agents 的走红是一个缩影，折射出更深层的行业转变：

AI 竞争的主战场从**模型层**转向**应用层**。当 GPT-4 级别的能力已近乎商品化，真正的差异化在于能否将 AI 能力有效嵌入真实业务流程。掌握 Agent 构建技术，意味着掌握了这场竞争的核心杠杆。

MCP 协议的广泛采纳正在构建 Agent 工具生态的「App Store 时代」——越来越多的 SaaS 工具开始原生支持 MCP 接口，Agent 调用外部能力的边界在迅速扩张。

随着 OpenAI、Anthropic、阿里、百度、Google 等主要厂商持续加码 Agent 赛道，**Agent 工程师**有望成为未来三年最稀缺的 AI 岗位之一。而 hello-agents 这样系统性的开源教程，或许正在孵化下一批能真正构建生产级 Agent 系统的工程师。