《從零開始構建智能體》：Datawhale 開源的系統性 AI Agent 教程
datawhalechina/hello-agents 是 Datawhale 社區發起的開源智能體學習教程，專注於 AI 原生（AI-Native）Agent 的設計與實現，而非流程驅動的低代碼平臺。它的目標是幫助開發者從 LLM 的使用者蛻變爲智能體系統的構建者，補足當前社區中系統性、重實踐 Agent 教程嚴重匱乏的空缺。目前已積累 24,074 Stars，日增 147 顆，在中文 AI 社區持續高熱。
教程覆蓋 16 個章節，從智能體基礎理論（定義、歷史、ReAct/Plan-and-Solve/Reflection 範式）出發，深入框架實戰（AutoGen、AgentScope、LangGraph），再到上下文工程、記憶系統、MCP/A2A/ANP 通信協議、Agentic RL（從 SFT 到 GRPO 全流程）與性能評估，最終以智能旅行助手、賽博小鎮等綜合案例收尾。配套自研的 HelloAgents 框架基於 OpenAI 原生 API 從零實現，是不可多得的動手實踐平臺。
適合所有希望深入理解 AI Agent 底層原理並親手構建多智能體系統的 Python 開發者與 AI 從業者。Datawhale 一貫的開源免費風格確保了極低的學習門檻，是 2025 年 Agent 元年不可錯過的入門寶典。
《從零開始構建智能體》：Datawhale 最重磅的 Agent 系列教程
項目背景
如果說 2024 年是"百模大戰"的元年，那 2025 年無疑開啓了"Agent 元年"。技術焦點正從訓練更大的基礎模型，轉向構建更聰明的智能體應用。然而，市面上系統性、重實踐的 Agent 教程卻極度匱乏。爲此，Datawhale 社區發起了 hello-agents 項目——一本從零開始、理論與實戰並重的智能體系統構建指南。
目前 GitHub Stars 已達 24,074（日均增長 147 顆），在中文 AI 開源社區中持續保持高熱。
核心內容與架構
hello-agents 採用 16 章節的系統性結構，分爲五大部分：
第一部分：基礎理論
- 第一章：初識智能體——定義、類型、範式與應用
- 第二章：智能體發展史——從符號主義到 LLM 驅動的演進
- 第三章：大語言模型基礎——Transformer、提示工程與主流 LLM
第二部分：構建實踐
- 第四章：手把手實現 ReAct、Plan-and-Solve、Reflection 三大經典範式
- 第五章：低代碼平臺（Coze、Dify、n8n）的使用與對比
- 第六章：AutoGen、AgentScope、LangGraph 等主流框架實戰
- 第七章：基於 OpenAI 原生 API 從零構建 HelloAgents 框架
第三部分：高級技能
- 第八章：記憶系統與 RAG 檢索增強生成
- 第九章：上下文工程——持續交互的情境理解
- 第十章：智能體通信協議——MCP、A2A、ANP 深度解析
- 第十一章：Agentic RL——從 SFT 到 GRPO 的全流程 LLM 訓練
第四部分：綜合案例
- 智能旅行助手（MCP + 多智能體協作）
- 自動化深度研究 Agent（DeepResearch 復現）
- 賽博小鎮（Agent 與遊戲結合的社會模擬）
第五部分：畢業設計
構建完整的多智能體應用，從設計到實現的完整項目實戰。
爲什麼選擇 hello-agents？
教程明確區分了兩類 Agent：
1. 軟件工程類 Agent（Dify/Coze/n8n）：本質是流程驅動的軟件開發
2. AI 原生 Agent：真正以 AI 驅動，具備自主規劃、記憶、工具調用能力
hello-agents 專注於後者，幫助開發者穿透框架表象，深入理解 AI-Native Agent 的核心機制。
行業趨勢關聯
hello-agents 的走紅折射出 AI 行業的深層轉變：從模型競爭轉向應用生態的競爭。MCP 協議的廣泛採納、A2A（Agent-to-Agent）通信標準的興起、Agentic RL 的產業化探索，都在推動 Agent 從實驗室走向真實生產場景。隨着 OpenAI、Anthropic、阿里、百度等主要廠商持續押注 Agent 賽道，掌握 Agent 構建能力將成爲未來 AI 工程師的核心競爭力。