简介

Hello-Agents 是由 Datawhale 社区发起并维护的系统性智能体（Agent）学习教程与轻量化实践框架。该项目旨在解决当前智能体领域“理论资料零散、实战案例稀缺、入门门槛高”的痛点，通过提供从基础理论到多智能体协作的全流程指南，帮助开发者从大语言模型的“使用者”蜕变为智能体系统的“构建者”。项目强调 AI 原生（AI Native）的构建理念，不仅包含详尽的文档教程，还提供了基于 Python 的 SimpleAgent 核心框架及多个共创案例，是智能体技术入门的优质开源资源。

主要功能

1. 系统化理论教程：涵盖智能体定义、核心架构（工具调用、记忆管理、任务规划）、多智能体通信协议及性能评估体系（LLM Judge、Win Rate）。

2. 轻量化开发框架：提供 SimpleAgent 核心类，封装了工具注册器（ToolRegistry）、LLM 接口适配及记忆管理模块，支持快速搭建基础智能体。

3. 多场景实战案例：包含代码审查 Agent（基于 AST 解析）、数据分析 Agent（自动生成图表与报告）、深度研究 Agent（文献检索与总结）以及天气穿搭建议等多智能体协作系统。

4. 模块化与扩展性：采用模块化设计，支持自定义工具开发、多 LLM 模型（OpenAI、Qwen、Claude）灵活切换，便于二次定制。

5. 评估与优化：内置智能体输出质量评估机制，帮助开发者量化性能并进行迭代优化。

安装与配置

环境要求：Python 3.8+，pip 包管理工具。

1. 克隆仓库：

   git clone https://github.com/datawhalechina/hello-agents.git
   cd hello-agents

2. 安装依赖：

   pip install -r requirements.txt

3. 配置环境变量：

   • 复制根目录下的 .env.example文件，重命名为 .env。

   • 编辑 .env文件，填入你的大模型 API 密钥（如 OPENAI_API_KEY=sk-...）。

如何使用

1. 理论学习：阅读 docs/目录下的教程文档，按章节顺序学习智能体原理。

2. 代码实践：进入 code/或 Co-creation-projects/目录，运行对应的 Jupyter Notebook 或 Python 脚本。

3. 构建智能体：

   • 导入 SimpleAgent类并初始化。

   • 使用 ToolRegistry注册自定义工具（如文件读取、网络搜索）。

   • 配置系统提示词（System Prompt）以定义智能体角色。

   • 调用 agent.run()方法传入用户查询，智能体将自动规划并执行任务。

应用场景实例

• 实例一：自动化代码审查

  开发者提交 Python 代码文件，代码审查 Agent 自动解析代码结构，识别潜在 Bug、风格违规及性能问题，并生成结构化的 Markdown 审查报告，无需人工逐行检查。

• 实例二：智能深度研究助手

  用户提出研究主题（如“大模型微调技术”），深度研究 Agent 自动联网检索最新论文与资料，进行内容摘要与整合，最终输出包含核心观点、引用来源及未来趋势的深度研究报告。

• 实例三：多智能体协作决策

  在天气穿搭系统中，天气查询 Agent 获取实时气象数据，穿搭推荐 Agent 根据温度、湿度及用户偏好生成着装建议，两个智能体通过消息队列协同工作，完成从数据获取到决策输出的完整闭环。

GitHub 地址

https://github.com/datawhalechina/hello-agents