datawhalechina/hello-agents

📌 【Datawhale 開源指南】從 LLM 使用者，蛻變為 AI-Native Agent 构建者

如果說 2024 年是「百模大戰」的元年，那麼 2025 年將正式開啟「Agent 元年」。當業界的焦點從追求模型規模，轉向追求如何構建更聰明的智能體應用時，開發者面臨的最大痛點不再是缺乏模型，而是缺乏一套系統性的實踐指南。

🤔 流程驅動的軟體 $\neq$ AI 原生的智能體

目前的 Agent 構建路徑大致分為兩派：一派是以 Dify、Coze、n8n 為代表的「軟體工程類 Agent」，其本質是以流程驅動的軟體開發，LLM 僅作為數據處理的後端；另一派則是真正的「AI 原生 (AI-Native) Agent」，由 AI 核心驅動決策與行為。

許多開發者在學習時容易被低代碼平台的表象所吸引，卻忽略了智能體最核心的底層邏輯。如何穿透框架，真正掌握 AI Native Agent 的設計精髓？

🧪 從理論到實戰：一套完整的智能體學習路徑

Datawhale 團隊推出的 hello-agents 專案，旨在提供一套從零開始、理論與實戰並重的構建指南。該專案不只是簡單的工具介紹，而是一套完整的知識體系，將學習路徑分為四個階段：

1. 基礎理論：從符號主義演進到 LLM 驅動，理清智能體的定義與發展史。
2. 範式實作：手把手實現 ReAct、Plan-and-Solve、Reflection 等經典 Agent 範式。
3. 框架開發：從使用 AutoGen、LangGraph 等主流框架，進階到基於 OpenAI 原生 API 從零自研 HelloAgents 框架。
4. 高級擴展：深入探討記憶系統 (Memory)、上下文工程、通信協議 (MCP/A2A) 以及性能評估。

🚀 不只教怎麼用，更教如何透過 RL 強化智能體

本專案最值得關注的技術亮點在於其對 Agentic RL 的涵蓋。它不僅討論 Prompt 工程，更將訓練流程納入教學，從 SFT (監督微調) 到 GRPO (群組相對策略優化) 的全流程實戰，讓開發者理解如何透過強化學習提升 LLM 的智能體能力。

💡 從「呼叫 API」進化到「設計系統」

這套教程的核心價值在於將 Agent 的開發從「單點嘗試」提升到「系統工程」的高度。透過實作「智能旅行助手」與「賽博小鎮」等綜合案例，開發者能將 MCP 協議與多智能體協作 (Multi-Agent Collaboration) 應用於真實場景，將碎片化的知識轉化為可落地的系統能力。

⚠️ 偏向教學導向，非前沿算法研究

需要注意的是，hello-agents 是一個系統性的教學專案而非發表新算法的論文。其價值在於「整合」與「導引」，適合希望快速建立知識體系並親手實作的工程師，而非尋找最新理論突破的研究者。

🎯 給開發者的學習建議：不要跳過「從零構建」的階段

許多人傾向直接使用低代碼平台，但建議在學習時，務必嘗試專案中的「自研框架」章節。理解如何處理上下文、設計記憶機制與通信協議，才能在面對複雜業務場景時，不再依賴特定平台的限制，而是能根據需求設計最適合的 AI-Native 系統。

🔗 專案連結 📝 hello-agents: 從零開始構建智能體 👤 Datawhale 社區 🔗 GitHub: https://github.com/datawhalechina/hello-agents

你認為 2025 年 Agent 最關鍵的突破會是在「推理能力」還是「多智能體協作」？歡迎在評論區分享你的看法 👇

#AI #AIagent #LLM #Datawhale #OpenSource #MachineLearning #AINative #智能體