hello-agents

从"提问者"到"构建者"：Hello-Agents 零基础入门 AI Native 智能体

如果你是 2024 年开始接触 AI 的开发者，可能有过这样的经历：阅读了大量关于 Prompt 工程、LangChain 用法的文章，在 Dify 或 Coze 平台上拖拽出了几个工作流，却始终感觉雾里看花——框架在变，概念在变，但为什么这样做、底层原理是什么，依然一头雾水。进入 2025 年，整个行业的重心已从"训练更大的模型"转向了"构建更聪明的智能体"，那么有没有一条路径，能真正让你从第一性原理出发，系统性地掌握智能体的设计、构建与协作？

答案是 Hello-Agents——由国内知名 AI 学习社区 Datawhale 发起的开源教育项目，一本从零开始、理论与实战并重的智能体构建指南。

一、项目背景：为什么是 2025 年的 Hello-Agents？

2024 年是"百模大战"的元年，2025 年则被业界称为"Agent 元年"。技术的焦点发生了根本性转变：不再是如何训练更大的基础模型，而是如何让 AI 从"有问必答的工具"变成"能自主规划、调用工具、解决复杂问题的行动者"。多智能体系统（Multi-Agent System）被视为释放大语言模型全部潜能的关键方向。

然而现实很骨感：市面上不缺框架教程，但大多数只教你怎么"调用 API"，不教你怎么"设计架构"。学习者往往知其然、不知其所以然，面对复杂需求时依然无从下手。Hello-Agents 正是为了填补这个断层而诞生的——它不是另一个"开箱即用"的 SaaS 平台，而是一份系统性的教育工程，目标是让你穿透框架表象，理解智能体的核心原理。

二、独特的教学理念：穿透"黑盒"，动手造轮子

与市面上大多数 Agent 教程不同，Hello-Agents 有两个鲜明的特点值得特别关注。

第一，它坚持"造轮子优先于用轮子"的原则。 大多数教程会直接教你怎么用 LangGraph、AutoGen，但 Hello-Agents 会先带你从零实现 ReAct（Reason + Act）、Plan-and-Solve、Reflection 等经典范式，让你真正理解这些框架的底层逻辑。有了这个基础之后，再去学任何一个具体框架，都会事半功倍。打个比方：这不是教你"怎么开车"，而是教你"发动机怎么工作、轮胎怎么接地"，学会了这些，任何车你都能开。

第二，它不区分"会用"和"会造"。 教程的第七章会带你基于 OpenAI 原生 API 从零构建一个自己的智能体框架 HelloAgents，这个框架同时也作为一个轻量级实验工具，供你在后续章节中验证各种想法。项目还特别提到 HelloAgents 框架已在持续更新中，目标是增加更多轻量化工具和特性——这意味着你参与贡献的空间是真实存在的。

三、16 章内容：从概念到实战的完整路径

Hello-Agents 的内容结构非常清晰，分为五个递进阶段，共 16 章：

第一部分（第 1-3 章）打牢基础：从智能体的定义、类型与经典范式讲起，梳理从符号主义到 LLM 驱动的智能体演进史，并快速巩固 Transformer 和主流 LLM 的核心知识。这一部分的目标是让你对"智能体是什么"有宏观且扎实的认知。

第二部分（第 4-7 章）动手实践：这是教程的核心动手区。手把手实现 ReAct 等经典范式，体验 Coze、Dify、n8n 等低代码平台的差异，深度应用 AutoGen、AgentScope、LangGraph 等主流框架，最终第七章带你从零构建自己的智能体框架。

第三部分（第 8-12 章）进阶扩展：让智能体"学会"思考与协作。涵盖记忆与检索（RAG、向量存储）、上下文工程（持续交互的情境理解）、MCP（Anthropic 提出的 Model Context Protocol）、A2A、ANP 等智能体通信协议，以及 Agentic RL（从 SFT 到 GRPO 的完整训练实战）和智能体性能评估方法。

第四部分（第 13-15 章）综合案例：理论与实践的交汇点。智能旅行助手（多智能体协作的典型场景）、自动化深度研究智能体（DeepResearch Agent 复现与解析）、构建赛博小镇（Agent 与游戏结合，模拟社会动态）。

第五部分（第 16 章）毕业设计：设计一个完整的、属于你自己的多智能体应用，全面检验学习成果。

图 1：Hello-Agents GitHub Star 增长曲线，2026 年 5 月已达 5.2 万★

四、社区驱动的延伸内容

除了主教程，项目还维护了一个极为丰富的"Extra-Chapter"（额外章节）社区精选区，收录了来自社区贡献者的实践总结，涵盖：Agent 面试题与答案、Dify 保姆级教程、GUI Agent 科普与实战、Web Agent 反爬实战、旅行助手后训练（从 Demo 到可用的 Planner）、Agent 自进化四类闭环等 12+ 专题。这些内容质量参差不齐，但覆盖面极广，是主教程的有力补充。

五、上手指南：零基础也能上车

教程对前置能力的要求非常友好：只需要有基础的 Python 编程能力，并对"如何通过 API 调用一个大语言模型"有基本概念即可——不需要深厚的算法或模型训练背景。

学习方式有两条路径：在线阅读（https://hello-agents.datawhale.cc 提供国内加速）或 Git Clone 本地阅读（配套代码在 code/ 目录下）。如果你偏好视频课程，项目方也在陆续推出更加细致的视频版本，实践课会从设计思路到实施全程讲解。

六、局限与争议

坦诚地说，Hello-Agents 也有几个需要正视的局限：

内容以中文为主，这对想深入学习的海外开发者存在语言壁垒。英文版 README 已提供，但章节正文的双语程度不如主教程完整。教程的更新速度面临挑战：智能体领域迭代极快，MCP、A2A 等协议在 2025 年才逐渐成熟，相关内容能否及时跟进，是长期维护的关键考验。实战深度因平台而异：教程对各低代码平台（Coze、Dify）的讲解相对概览性，更深入的平台使用技巧需要结合官方文档和额外资料。

七、行业意义：不止于教程，更是一种学习范式

Hello-Agents 的出现代表了一种值得关注的趋势：从"教你用工具"到"教你造工具"的范式升级。它不只是一个教程，更是一种学习 AI 技术的示范——先理解原理，再动手实践，最后自己造轮子。52,000+ 的 Star 和 6,000+ 的 Fork 证明了社区对这种学习路径的强烈需求。

结合 Datawhale 此前在 LLM-Universe、All-in-RAG 等项目上积累的教育经验，Hello-Agents 已经成为中文 AI 教育领域最具系统性和影响力的智能体学习资源。对于想在 2025 年进入 Agent 赛道的开发者来说，这是一份不可绕过的入门指南。

本文基于 Hello-Agents GitHub 仓库（datawhalechina/hello-agents，52,000+ ★，Apache License）分析生成。