Hello-Agents 是Datawhale社区的系统性智能体学习教程。
如今Agent构建主要分为两派，
一派是Dify，Coze，N8N这类软件工程类Agent，其本质只是将模型作为返回字符串的后端；
另一派则是AI原生的Agent，即真正以AI驱动的Agent。
本教程旨在带领大家深入理解并构建后者——真正的AI Native Agent。
教程将带领你穿透框架表象，从智能体的核心原理出发，深入其核心架构，理解其经典范式，并最终亲手构建起属于自己的多智能体应用。
我们相信，最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点，能够从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。项目地址：hello-agents
在线浏览
hello-agents项目内容概括：
- 第一部分：智能体与语言模型基础（第1章～第3章），我们将从智能体的定义、类型与发展历史讲起，为你梳理"智能体"这一概念的来龙去脉。随后，我们会快速巩固大语言模型的核心知识，为你的实践之旅打下坚实的理论地基。
- 第二部分：构建你的大语言模型智能体（第4章～第7章），这是你动手实践的起点。你将亲手实现 ReAct 等经典范式，体验 Coze 等低代码平台的便捷，并掌握 Langgraph 等主流框架的应用。最终，我们还会带你从零开始构建一个属于自己的智能体框架，让你兼具“用轮子”与“造轮子”的能力。
- 第三部分：高级知识扩展（第8章～第12章），在这一部分，你的智能体将“学会”思考与协作。我们将使用第二部分的自研框架，深入探索记忆与检索、上下文工程、Agent训练等核心技术，并学习多智能体间的通信协议。最终，你将掌握评估智能体系统性能的专业方法。
- 第四部分：综合案例进阶（第13章～第15章），这里是理论与实践的交汇点。你将把所学融会贯通，亲手打造智能旅行助手、自动化深度研究智能体，乃至一个模拟社会动态的赛博小镇，在真实有趣的项目中淬炼你的构建能力。
- 第五部分：毕业设计及未来展望（第16章），在旅程的终点，你将迎来一个毕业设计，构建一个完整的、属于你自己的多智能体应用，全面检验你的学习成果。我们还将与你一同展望智能体的未来，探索激动人心的前沿方向。
第一章：智能体
什么是智能体/agent?
智能体的四要素：环境、传感器、执行器、自主性
- 环境：可以简单理解为除了智能体之外的外部总和；
- 传感器：雷达、红外传感器、摄像头等等（也包括文件读取组件等看不着的部分），这些组件帮助智能体感知环境；
- 执行器：智能体控制的机械结构/装置或者计算器、编程器、文件读写等，这些组件帮助智能体改变状态，从而和环境互动；
- 自主性：智能体最突出的特征，即自主决策、自主规划、自主执行等特点。
智能体的分类
按（快速）反应性和规划性分类：
- 反应式智能体：需要瞬时响应
- 优势：速度快、计算开销低
- 劣势：短视，难以完成复杂任务
- 例子：安全气囊系统、高频交易
- 规划式智能体：需要复杂规划能力
- 优势：决策战略性强、有远见
- 劣势：时间和计算成本高
- 例子：棋类AI、商业规划系统
- 混合式智能体：既需要快速响应又需要一定的规划能力
- 规划(Reasoning)：在"思考"阶段，LLM分析当前状况，规划出下一步的合理行动。这是一个审议过程。
- 反应(Acting & Observing)：在"行动"和"观察"阶段，智能体与外部工具或环境交互，并立即获得反馈。这是一个反应过程。
五分钟简易demo:
# pip install requests tavily-python openai
import os,requests,json
from tavily import TavilyClient
from openai import OpenAI
import re
# 从环境变量获取API密钥等。请根据实际进行修改
# getting api key, base url,model name from environment variables
api_key = os.getenv("ZHIPUAI_API_KEY")
base_url = os.getenv("ZHIPUAI_BASE_URL")
model_name = os.getenv("ZHIPUAI_MODEL_NAME")
TAVILY_API_KEY=os.getenv("TAVILY_API_KEY")
# pormpt for ai assistant
AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手，能够帮助用户规划旅行并提供相关信息。
你有以下工具可以使用：
1. get_weather(city): 获取指定城市的天气信息
2. search_attraction(city, weather): 根据城市和天气搜索合适的旅游景点
请按照以下格式回复：
Thought: [你的思考过程]
Action: [要执行的动作，格式为函数调用]
如果不需要使用工具，请直接回复用户。
"""
# define the tool function get_weather
import requests
import json
def get_weather(city):
"""
获取指定城市的天气信息
这里使用模拟数据，实际应用中可以接入真实的天气API
"""
# 模拟天气数据
weather_data = {
"北京": {"temperature": 25, "condition": "晴", "wind": "微风"},
"上海": {"temperature": 28, "condition": "多云", "wind": "东南风"},
"广州": {"temperature": 32, "condition": "雷阵雨", "wind": "南风"},
"深圳": {"temperature": 30, "condition": "阴", "wind": "无风"}
}
if city in weather_data:
data = weather_data[city]
return f"{city}当前天气：{data['condition']}，气温{data['temperature']}°C，{data['wind']}"
else:
return f"抱歉，暂时无法获取{city}的天气信息"
# define the tool function search_attraction
def search_attraction(city, weather):
"""
根据城市和天气条件搜索合适的旅游景点
"""
try:
# 初始化Tavily客户端
tavily = TavilyClient(api_key=TAVILY_API_KEY)
# 构建搜索查询
query = f"{city} {weather} 适合的旅游景点推荐"
# 执行搜索
response = tavily.search(query=query, max_results=3)
# 处理搜索结果
attractions = []
for result in response.get('results', []):
attractions.append({
'title': result.get('title', ''),
'content': result.get('content', '')[:200] + '...'
})
return f"根据{city}的{weather}天气，推荐以下景点：" + \
"\n".join([f"- {attr['title']}: {attr['content']}" for attr in attractions])
except Exception as e:
return f"搜索景点时出现错误：{str(e)}"
# 可用工具字典
available_tools = {
"get_weather": get_weather,
"search_attraction": search_attraction
}
# define the Client class
class OpenAICompatibleClient:
def __init__(self):
self.client = OpenAI(
api_key=api_key,
base_url=base_url
#,
#model_name=model_name
)
# glm-4.6貌似会出错
def chat_completion(self, messages, model="glm-4.5"):
"""调用LLM进行对话"""
try:
response = self.client.chat.completions.create(
model=model,
messages=messages,
temperature=0.7,
max_tokens=1000
)
return response.choices[0].message.content
except Exception as e:
return f"调用LLM时出现错误：{str(e)}"
def parse_action(self, response):
"""解析LLM响应中的Action"""
# 使用正则表达式提取Action
action_pattern = r'Action:\s*([a-zA-Z_]+)\((.*?)\)'
match = re.search(action_pattern, response)
if match:
function_name = match.group(1)
# 简单解析参数（实际应用中需要更robust的解析）
params_str = match.group(2).strip('"\'')
params = [p.strip().strip('"\'') for p in params_str.split(',') if p.strip()]
return function_name, params
return None, None
# define the agent runing function
def run_agent():
"""运行智能体主循环"""
client = OpenAICompatibleClient()
# 初始化对话历史
messages = [{"role": "system", "content": AGENT_SYSTEM_PROMPT}]
print("🤖 智能旅行助手已启动！输入 'quit' 退出。\n")
while True:
# 获取用户输入
user_input = input("👤 用户: ").strip()
if user_input.lower() == 'quit':
print("👋 再见！")
break
# 添加用户消息到历史
messages.append({"role": "user", "content": user_input})
# 开始智能体循环
max_iterations = 5 # 防止无限循环
for iteration in range(max_iterations):
print(f"\n🔄 循环 {iteration + 1}:")
# 1. 思考阶段：调用LLM
response = client.chat_completion(messages)
print(f"🧠 智能体响应:\n{response}")
# 2. 解析行动
function_name, params = client.parse_action(response)
if function_name and function_name in available_tools:
# 3. 执行行动
print(f"⚡ 执行工具: {function_name}({', '.join(params)})")
try:
tool_result = available_tools[function_name](*params)
observation = f"Observation: {tool_result}"
print(f"👁️ 观察结果: {tool_result}")
# 4. 将观察结果添加到对话历史
messages.append({"role": "assistant", "content": response})
messages.append({"role": "user", "content": observation})
except Exception as e:
error_msg = f"Observation: 工具执行出错 - {str(e)}"
print(f"❌ 错误: {str(e)}")
messages.append({"role": "assistant", "content": response})
messages.append({"role": "user", "content": error_msg})
else:
# 没有工具调用，直接结束循环
messages.append({"role": "assistant", "content": response})
print("✅ 任务完成！")
break
print("\n" + "="*50 + "\n")
# 运行智能体
if __name__ == "__main__":
run_agent()
