agentic-playground
denniszielke/agentic-playground加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨三点，你盯着屏幕上的日志——AI 模型终于学会了自己调用工具、查询实时数据、把结果写进数据库，全程没有问你一句"接下来怎么办"。这不是科幻，而是 agentic-playground 项目每天在演示的现实。
denniszielke/agentic-playground 是微软工程师 Dennis Zieke 维护的一个实验性仓库，专门用来展示 AI Agent（人工智能体）的各种编排模式和实战能力。项目覆盖了从"Hello World"级别到生产级分布式 Agent 的完整技术谱系，是理解现代 AI Agent 开发的绝佳起点。
Agent 与普通 LLM 聊天机器人的本质区别：自主决策 + 工具调用 + 持续行动
普通 LLM（比如你的日常 AI 助手）本质上是一个"超级文本生成器"——你问，它答，然后结束。而 AI Agent 则是一个能够感知环境、自主决策、调用工具、持续行动的系统。
用生活场景来类比：普通 LLM 像一个只会回答问题的图书管理员，而 AI Agent 像是那个图书管理员同时变成了一个能够自己走进仓库找书、翻阅资料、填写借阅单、把书送到你手里的全能助手。
这个项目用一张"Spectrum of Agentic Behaviour"图清晰地展示了这个渐进过程：从简单的问答，到工具调用，到多步推理（ReAct），再到完全自主的多 Agent 协作。
从被动问答到主动自治：AI Agent 的能力演进图谱
项目设计了 10 个渐进式学习模块，从最基础的 API 调用到前沿的 MCP（Model Context Protocol）协议都有覆盖：
| 模块 | 内容 | 技术栈 |
|---|---|---|
| 00-basics | Hello World、工具调用、流式输出 | OpenAI SDK |
| 01-voice-agents | 语音 Agent，通过音频输入填报表格 | FastAPI + WebSocket |
| 02-multimodal-models | 多模态模型，图像理解与分析 | OpenAI 视觉模型 |
| 03-complex-data | 结构化数据，知识图谱处理 | LlamaIndex |
| 04-complex-problems | 复杂问题分解与推理 | LangChain |
| 05-single-agent | 单 Agent ReAct 模式 | LangGraph |
| 06-human-in-the-loop | 人类在环审批流 | Semantic Kernel |
| 07-multi-agent-collaboration | 多 Agent 协作编程 | AutoGen |
| 08-society-of-agents | Agent 社会：复杂协作网络 | MagenticOne |
| 09-eventdriven-agents | 事件驱动 Agent | LlamaIndex Events |
| 10-mcp | MCP 协议 Server 开发 | FastMCP |
每个模块都包含完整的 Python 示例代码，克隆仓库后只需配置 .env 文件即可运行。
这个项目最特别的地方是它同时展示了四个主流 Agent 框架，让开发者能够直观对比它们的差异：
多 Agent 协作网络：不同 Agent 扮演不同角色，共同完成复杂任务
项目详细演示了如何为 AI Agent 赋予"超能力"——调用外部工具。示例包括：
工具调用是 Agent 区别于普通 LLM 的关键技术之一，它让 AI 真正能够与外部系统交互、影响现实世界。
项目本身对硬件要求不高，不需要 GPU，一台能运行 Python 的电脑即可。但你需要：
git clone https://github.com/denniszielke/agentic-playground
cd agentic-playground
cp .env_template .env
# 编辑 .env，填入你的 GITHUB_TOKEN
pip install -r requirements.txt
python src/00-basics/hello-world.py
项目还支持 VS Code Dev Container，如果你使用 VS Code + Remote Containers 插件，可以一键进入预配置好的开发环境，包含 Python、Node.js、Azure CLI 等所有依赖。
项目中最令人印象深刻的是 07-multi-agent-collaboration 模块，展示了如何让多个 AI Agent 分工协作解决复杂问题：
多 Agent 协作编程：一个 Agent 写代码，另一个 Agent 审查，形成类似人类团队的协作模式
这类似于一个没有人类 PM 的虚拟开发团队——Architect 提出方案，Coder 负责实现，Reviewer 给出反馈，循环迭代直到任务完成。
客观来说，这个项目也反映了当前 Agent 技术的一些局限性：
项目提供 Dev Container 配置，支持 VS Code 一键进入开发环境，降低了上手门槛。但由于：
生产部署需要一定 DevOps 经验。不过这也正是项目的定位——教育性和实验性，而非开箱即用的生产产品。
从 GPT-4 到 GPT-4o，从 RAG 到 Agent，AI 正在从"能回答问题"进化到"能替你完成任务"。GitHub Models 数据显示，2024 年 Agent 相关项目增长率超过 300%，各大云厂商（Azure、Google Cloud、AWS）都在积极布局 Agent 基础设施。
denniszielke/agentic-playground 正是这个趋势的一个缩影——它不是一个追求 stars 的明星项目，而是一个真实反映当前 AI Agent 技术边界的实验场。对于想深入理解 Agent 技术的开发者来说，它的价值远超其 55 颗星所暗示的。