核心信息
Hello-Agents 是 Datawhale 社区维护的系统性智能体教程（50.3k Stars），目标是从零开始构建智能体系统。项目强调”穿透框架表象”，从核心原理出发，最终亲手构建多智能体应用。
- 项目负责人：陈思州 (@jjyaoao)
- 许可证：CC BY-NC-SA 4.0
- 在线地址：国外 / 国内加速
- 技术栈：Python, Jupyter Notebook, OpenAI API, Qdrant, Neo4j, TRL
项目结构
项目分为 五部分 16 章，外加 12 个社区贡献精选：
第一部分：智能体与语言模型基础
- 初识智能体 — 定义、分类、PEAS 模型、Agent Loop
- 智能体发展史 — 从符号主义到 LLM 驱动
- 大语言模型基础 — Transformer、提示工程、主流 LLM
第二部分：构建你的 LLM 智能体
- 经典范式构建 — ReAct、Plan-and-Solve、Reflection
- 低代码平台搭建 — Coze、Dify、n8n
- 框架开发实践 — AutoGen、AgentScope、LangGraph
- 构建你的 Agent 框架 — HelloAgents 自研框架
第三部分：高级知识扩展
- 记忆与检索 — 四层记忆架构 + RAG 系统
- 上下文工程 — 持续交互的情境理解
- 智能体通信协议 — MCP、A2A、ANP
- Agentic-RL — 从 SFT 到 GRPO 的训练管线
- 性能评估 — 核心指标、基准测试与评估框架
第四部分：综合案例进阶
- 智能旅行助手 — MCP 与多智能体协作
- 自动化深度研究 — DeepResearch Agent
- 构建赛博小镇 — Agent 与游戏结合
第五部分：毕业设计与展望
- 毕业设计 — 构建完整多智能体应用
核心思想
- 区分 软件工程类 Agent（流程驱动）与 AI Native Agent（AI 驱动），教程聚焦后者
- “最好的学习方式就是动手实践” — 全书配备完整可运行代码
- 目标是帮助学习者从 LLM “使用者” 蜕变为智能体系统”构建者”
- “如果说 2024 年是’百模大战’的元年，那么 2025 年无疑开启了’Agent 元年‘“
技术特色
- 自研
hello-agentsPython 框架（基于 OpenAI API） - 完整的四层记忆架构（工作记忆、情景记忆、语义记忆、感知记忆）
- 三大通信协议实现（MCP/A2A/ANP）
- 从 SFT 到 GRPO 的 Agentic-RL 训练管线（基于 TRL + Qwen3-0.6B）
- 智能分块、MQE（多查询扩展）、HyDE（假设文档嵌入）等高级 RAG 技术
关联连接
- Datawhale — Datawhale 开源社区
- Agentic_Systems — 智能体系统核心概念
- Agent_Paradigms — 三种经典 Agent 范式
- Agent_Memory — 四层记忆架构
- Agent_Communication_Protocols — MCP/A2A/ANP 协议
- Agentic_RL — 智能体强化学习
- ReAct — 推理与行动范式
- RAG — 检索增强生成