AI Agents A-Z：从入门到生产，O'Reilly 明星讲师带你玩转 AI Agent

想象这样一个场景：你是一位独立开发者，想要为自己的 SaaS 产品构建一个智能客服系统。你花了三天时间研究 LangChain 文档，却发现官方示例和实际生产环境之间的鸿沟大得惊人——Rate Limit、工具调用失败后的重试策略、多轮对话的上下文管理，每一个问题都能让一个新手折腾好几天。如果这时候有一门课程，用 28 个 Jupyter Notebook 逐一拆解当前最主流的 8 个 Agent 开发框架，从 Hello World 到生产部署手把手带你走一遍，你会觉得值吗？这正是 sinanuozdemir/oreilly-ai-agents 这门开源课程做的事情。这是一个由 O'Reilly 官方背书的 AI Agent 开发课程仓库，由前约翰霍普金斯大学数据科学讲师、已收购 AI 平台 Kylie.ai 创始人 Sinan Ozdemir 亲自授课并编写代码。截至 2026 年 7 月，仓库已积累 284 颗星、218 个 Fork，涵盖 CrewAI、LangChain、AutoGen、LangGraph、OpenAI Swarm 等 8 大主流框架的实战教程，是当前 GitHub 上覆盖最全面的 Agent 开发学习资源之一。

为什么这个项目值得关注？

2025-2026 年，AI Agent 从概念走向落地。根据 GitHub Topics 数据，带有 agent 和 multi-agent 标签的仓库在过去一年内增长率超过 300%。然而，开发者面临的最大障碍不是「AI Agent 是什么」，而是「如何在生产环境中真正用起来」。大多数官方文档提供的是最简单的示例，缺乏对以下关键问题的回答：

工具调用失败时 Agent 应该如何重试？
多 Agent 之间如何共享上下文而不产生冲突？
如何评估一个 Agent 的输出质量？
OpenAI o1、DeepSeek R1 等推理模型和普通 Agent 的行为有什么本质区别？这个项目正是为解决这些问题而生。它不是框架官方文档的简单翻译，而是基于大量生产级实践经验的系统性归纳。课程从基础的 ReAct（Reasoning + Acting）模式讲起，逐步深入到规划执行（Plan & Execute）、反思（Reflection）等高级 Agent 设计范式，最终覆盖 Computer Use（让 AI 控制你的鼠标和键盘）等前沿领域。

核心技术栈与框架覆盖

项目以 Python 3.11 为基础运行环境，通过 requirements.txt 管理依赖，主要依赖包括 Streamlit（Web UI）、CrewAI 系列、LangChain 生态、OpenAI SDK 以及 Google ADK（Agent Development Kit）。仓库以 Jupyter Notebook 为主要教学载体，共包含 28+ 个精心编排的 Notebook，分类如下： 第三方框架入门（5 个）：

SmolAgents（HuggingFace）：轻量级 Agent 框架，适合快速原型开发
Google ADK：Google 官方 Agent 开发套件，集成 Google Search 和自定义工具
CrewAI：多 Agent 协作框架，支持角色定义和任务委派
AutoGen（微软）：微软开源的多 Agent 编程框架，支持人机协作
OpenAI Swarm / Agents SDK：OpenAI 官方 Agent 开发工具 LangGraph 深度教程（8 个）：作为 LangChain 生态的核心成员，LangGraph 在这个项目中占据了最大篇幅。课程从基础的 RAG Workflow 讲起，逐步覆盖：
ReAct Agent：用思维链引导工具调用的经典模式
本地 LLM（Ollama）：不依赖云端 API，保护数据隐私
MCP（Model Context Protocol）集成：让 Agent 连接外部数据源和工具
工具选择的位置偏差（Positional Bias）分析：深入探讨 Auto-Regressive LLM 在选择工具时的系统性偏好
LangGraph 中间件：对话压缩、Guardrails 等生产级增强
ReAct + MCP + 工具选择：MCP 协议与 LangGraph 的深度结合 Agent 评估体系（3 个）：评估是 Agent 开发中最容易被忽视却最关键的环节。课程提供了完整的评估方法论：
Rubric Prompt：用 LLM 本身来评判 Agent 输出质量
工具选择准确性：对比不同 LLM（GPT-4、Claude、DeepSeek、Llama 4 等）在工具选择任务上的准确率
位置偏差量化：量化 auto-regressive LLM 在 Agent 对比评测中的位置偏差问题 多 Agent 系统（3 个）：
并行节点执行：Fan-out/Fan-in 模式，多 Agent 同时处理子任务
动态 Agent 网络：Agent 之间通过通用 handoff 工具动态路由
Supervisor 模式：一个 Supervisor Agent 协调多个专业子 Agent 前沿范式：
Plan & Execute：规划 Agent 制定多步计划，执行 Agent 逐项完成
Reflection Agent：生成器 + 反思器的双 Agent 闭环
Computer Use Agent：用推理 LLM（o1/o3）控制本地机器操作鼠标和键盘
Squad Goals：作者自研的轻量 Agent 框架，支持多模态（Dalle-3 生成图像）
Amazon Nova Act：浏览器自动化控制的实践案例

架构设计亮点

从代码结构来看，这个项目有几个值得学习的架构设计思路： 1. Notebook-first 教学架构：每个 Notebook 都有明确的学习目标，从 Hello World 到完整 Workflow，渐进式增加复杂度。这种「一个 Notebook 解决一个问题」的设计非常适合学习者快速定位自己需要的内容。 2. MCP 协议先行：Model Context Protocol 是 2025 年兴起的 Agent 通信标准，课程专门用 Notebook 演示如何在 LangGraph 中集成 MCP 服务器，并分析由此带来的工具选择位置偏差问题——这是官方文档中很少提及的实践细节。 3. 评估驱动的开发：课程不仅教如何构建 Agent，还花大量篇幅讲如何评估 Agent。这包括用 Rubric Prompt 评估生成质量、用准确率指标评估工具选择、以及对位置偏差的量化分析。这种「构建+评估」的闭环思维对生产级 Agent 开发至关重要。 4. 本地 LLM 支持：LangGraph_React_Local_LLMs.ipynb 演示了如何使用 Ollama 在本地运行 Agent，完全不依赖云端 API。这对于有数据隐私要求的企业场景非常有价值。

部署与上手体验

项目部署相对简单但有明确要求：

Python 3.11 强制要求：部分依赖（如 LangChain 某些版本）需要 Python 3.11，不支持 3.10 或 3.12
依赖安装：一条 pip install -r requirements.txt 即可完成全部依赖安装
Web UI：项目内置 streamlit/ 目录，提供基于 Streamlit 的 CrewAI 部署示例，运行 streamlit run app.py 即可启动
GPU：非必需，课程中大多数示例可在 CPU 环境下运行
容器化：不支持 Dockerfile 或 Docker Compose，需要手动配置 Python 环境整体部署难度评分为「简单」，预计 15 分钟可完成环境配置并运行第一个 Notebook。

局限性与注意事项

这个项目也有其局限性，用户在选择前需要了解： 1. 课程非独立完成：这是 O'Reilly 付费课程的配套代码仓库，Notebook 中的注释和解释需要配合 O'Reilly 的视频课程才能获得最佳学习效果。纯自学时部分实验的背景说明可能不足。 2. 框架版本漂移风险：项目最后一次更新为 2026 年 7 月，依赖的各个框架（LangChain、LangGraph、CrewAI 等）更新频繁。部分 Notebook 代码可能在框架升级后需要调整。建议在安装依赖前查看 requirements.txt 中的版本锁定情况。 3. 生产环境的差距：课程提供了大量实战示例，但生产级的 Agent 系统还需要考虑监控、日志、错误告警、AB 测试等工程实践，这些内容不在本课程的覆盖范围内。 4. 无许可证：项目未声明开源许可证，使用前请注意这一法律风险。

行业意义与趋势

sinanuozdemir/oreilly-ai-agents 的存在本身就是 AI Agent 行业发展的一个缩影：

框架碎片化：项目覆盖了 8 个主流框架，客观反映了 2025-2026 年 Agent 开发框架的激烈竞争格局——没有绝对霸主，开发者需要理解多个框架的适用场景
推理模型重塑 Agent 设计：o1/o3/DeepSeek R1 等推理模型的崛起正在改变 Agent 的思维链设计。课程专门新增了 Computer Use 和 Reasoning LLM Agent 的 Notebook，紧跟这一趋势
MCP 协议生态：Model Context Protocol 的引入标志着 Agent 的互联互通标准正在形成。项目中的 MCP 集成示例对理解这一趋势非常有价值
评估体系重要性凸显：随着 Agent 数量增加，「如何判断 Agent 好不好」成为核心问题。课程对位置偏差的深入分析代表了行业对 Agent 评估的前沿思考对于想要系统学习 AI Agent 开发的工程师和数据科学家，这个仓库是当前最具系统性、覆盖最全面的开源学习资源之一。它不是最好的框架文档，但可能是最好的 Agent 开发「地图」——帮助你理解每个框架在版图中的位置，以及它们之间的协作方式。 仓库地址：github.com/sinanuozdemir/oreilly-ai-agents 课程官网：O'Reilly AI Agents A-Z Live Training

AI Agents A-Z：从入门到生产，O'Reilly 明星讲师带你玩转 AI Agent

为什么这个项目值得关注？

工具调用失败时 Agent 应该如何重试？

多 Agent 之间如何共享上下文而不产生冲突？

如何评估一个 Agent 的输出质量？

OpenAI o1、DeepSeek R1 等推理模型和普通 Agent 的行为有什么本质区别？这个项目正是为解决这些问题而生。它不是框架官方文档的简单翻译，而是基于大量生产级实践经验的系统性归纳。课程从基础的 ReAct（Reasoning + Acting）模式讲起，逐步深入到规划执行（Plan & Execute）、反思（Reflection）等高级 Agent 设计范式，最终覆盖 Computer Use（让 AI 控制你的鼠标和键盘）等前沿领域。

核心技术栈与框架覆盖

SmolAgents（HuggingFace）：轻量级 Agent 框架，适合快速原型开发

Google ADK：Google 官方 Agent 开发套件，集成 Google Search 和自定义工具

CrewAI：多 Agent 协作框架，支持角色定义和任务委派

AutoGen（微软）：微软开源的多 Agent 编程框架，支持人机协作

OpenAI Swarm / Agents SDK：OpenAI 官方 Agent 开发工具 LangGraph 深度教程（8 个）：作为 LangChain 生态的核心成员，LangGraph 在这个项目中占据了最大篇幅。课程从基础的 RAG Workflow 讲起，逐步覆盖：

ReAct Agent：用思维链引导工具调用的经典模式

本地 LLM（Ollama）：不依赖云端 API，保护数据隐私

MCP（Model Context Protocol）集成：让 Agent 连接外部数据源和工具

工具选择的位置偏差（Positional Bias）分析：深入探讨 Auto-Regressive LLM 在选择工具时的系统性偏好

LangGraph 中间件：对话压缩、Guardrails 等生产级增强

ReAct + MCP + 工具选择：MCP 协议与 LangGraph 的深度结合 Agent 评估体系（3 个）：评估是 Agent 开发中最容易被忽视却最关键的环节。课程提供了完整的评估方法论：

Rubric Prompt：用 LLM 本身来评判 Agent 输出质量

工具选择准确性：对比不同 LLM（GPT-4、Claude、DeepSeek、Llama 4 等）在工具选择任务上的准确率

位置偏差量化：量化 auto-regressive LLM 在 Agent 对比评测中的位置偏差问题 多 Agent 系统（3 个）：

并行节点执行：Fan-out/Fan-in 模式，多 Agent 同时处理子任务

动态 Agent 网络：Agent 之间通过通用 handoff 工具动态路由

Supervisor 模式：一个 Supervisor Agent 协调多个专业子 Agent 前沿范式：

Plan & Execute：规划 Agent 制定多步计划，执行 Agent 逐项完成

Reflection Agent：生成器 + 反思器的双 Agent 闭环

Computer Use Agent：用推理 LLM（o1/o3）控制本地机器操作鼠标和键盘

Squad Goals：作者自研的轻量 Agent 框架，支持多模态（Dalle-3 生成图像）

Amazon Nova Act：浏览器自动化控制的实践案例

架构设计亮点

部署与上手体验

项目部署相对简单但有明确要求：

Python 3.11 强制要求：部分依赖（如 LangChain 某些版本）需要 Python 3.11，不支持 3.10 或 3.12

依赖安装：一条 pip install -r requirements.txt 即可完成全部依赖安装

Web UI：项目内置 streamlit/ 目录，提供基于 Streamlit 的 CrewAI 部署示例，运行 streamlit run app.py 即可启动

GPU：非必需，课程中大多数示例可在 CPU 环境下运行

容器化：不支持 Dockerfile 或 Docker Compose，需要手动配置 Python 环境整体部署难度评分为「简单」，预计 15 分钟可完成环境配置并运行第一个 Notebook。

局限性与注意事项

行业意义与趋势

sinanuozdemir/oreilly-ai-agents 的存在本身就是 AI Agent 行业发展的一个缩影：

框架碎片化：项目覆盖了 8 个主流框架，客观反映了 2025-2026 年 Agent 开发框架的激烈竞争格局——没有绝对霸主，开发者需要理解多个框架的适用场景

推理模型重塑 Agent 设计：o1/o3/DeepSeek R1 等推理模型的崛起正在改变 Agent 的思维链设计。课程专门新增了 Computer Use 和 Reasoning LLM Agent 的 Notebook，紧跟这一趋势

MCP 协议生态：Model Context Protocol 的引入标志着 Agent 的互联互通标准正在形成。项目中的 MCP 集成示例对理解这一趋势非常有价值

评估体系重要性凸显：随着 Agent 数量增加，「如何判断 Agent 好不好」成为核心问题。课程对位置偏差的深入分析代表了行业对 Agent 评估的前沿思考对于想要系统学习 AI Agent 开发的工程师和数据科学家，这个仓库是当前最具系统性、覆盖最全面的开源学习资源之一。它不是最好的框架文档，但可能是最好的 Agent 开发「地图」——帮助你理解每个框架在版图中的位置，以及它们之间的协作方式。 仓库地址：github.com/sinanuozdemir/oreilly-ai-agents 课程官网：O'Reilly AI Agents A-Z Live Training