# agent101

**Repository Path**: aistudy101/agent101

## Basic Information

- **Project Name**: agent101
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-01
- **Last Updated**: 2026-03-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI Agent 101: 原理与开发指北

![Course Banner](assets/banner.png)

欢迎来到 **《AI Agent 101: 原理与开发指北》**！这是一门专为具备基础 Python 编程经验、希望深入了解和开发人工智能智能体（AI Agent）的开发者设计的从入门到进阶课程。

如果只把大预言模型 (LLM) 当作聊天机器人，你只发掘了它 1% 的潜力。本课程将带你探索剩下的 99%——**如何为大模型装上“双手”、“记忆”以及“团队协作”的能力。**

---

## 🌟 为什么学习 AI Agents？

1. **从纯文本到真实动作**：单纯的 LLM 只能回复文字，而 Agent 可以帮你发送邮件、执行代码、控制真实的浏览器。
2. **超越单次对话瓶颈**：面对复杂任务（如：搜索并撰写一份百页报告），传统对话模型极容易遗忘和产生幻觉。搭载记忆机制（Memory）和规划（Planning）架构的 Agent 能够拆解步骤，稳扎稳打。
3. **迈向前沿工程领域**：多智能体协同（Multi-Agent System）、人机闭环审核（Human in the loop）、模型自治容错...这些范式正在重塑未来的软件工程。

---

## 📚 课程结构与大纲

本课程总计 16 节核心实验课，分为三大主线模块：

### 模块一：认知与工具运用 (Lessons 1-5)
- **1. Agent 的黎明**：大语言模型认知与 Agentic Workflow 前瞻
- **2. 向模型发号施令**：系统提示词 (System Prompt) 与结构化输出
- **3. 为大模型装上双手**：基于 Schema 的工具调用 (Tool / Function Calling)
- **4. 打造专属百宝箱**：Skills 封装与复杂的并行工具调用 (Parallel Tool Calling)
- **5. MCP 协议革命**：让大模型标准且安全地读取企业内部数据源

### 模块二：反思、记忆与前沿感知 (Lessons 6-11)
- **6. 不需要 API 的自主探索**：手工打造纯文本的 ReAct 经典引擎
- **7. 左右互搏术**：Critic-Actor 反思 (Reflection) 排错架构
- **8. 对话框外的羁绊**：短期滑动窗口与长期记忆归档的实现策略
- **9. 解决知识盲区**：RAG 极简向量检索与带抄作答机制
- **10. 找得准才能答得对**：混编检索 (Hybrid Search) 与业务黑话处理
- **11. 带上眼睛查报表**：视觉多模态大模型的基础与 Computer Use 前置原理

### 模块三：LangGraph 多智能体实战 (Lessons 12-16)
本模块将使用前沿框架 LangGraph，连贯地打造一个“自动化生产车间”：
- **12. Phase 1 - 画图建队**：基于图（Graph）与包裹（State）的空间流转思维，建立基础流水线。
- **13. Phase 2 - 层级复杂化博弈**：引入条件边（Router）动态分发文章排版任务。
- **14. Phase 3 - 自运转打分回路**：主编节点（Reviewer）上线，打造打分与强制打回重写的死循环炼狱。
- **15. Phase 4 - 人机协同防御伞**：引入快照控制（Checkpointer），在执行高危推送前悬停并寻求人类审批（Human in the loop）。
- **16. Phase 5 - 灾难容错中心**：主动捕获崩溃、网络断开等深层异常并平滑降级（Fallback）。

---

## 🛠️ 如何开始？

### 环境依赖
本课程代码环境统一且极简，主要基于 `openai` 官方库（作为调用各大厂模型的泛用接口）、轻量级计算工具以及 `langgraph`。

安装依赖：
```bash
pip install -r requirements.txt
```

### API 凭证配置
在项目根目录创建或编辑 `.env` 文件，填入你的模型 API Key。课程默认按照 ModelScope 的端点配置，你可以自由切换为你喜欢的模型供应商：

```env
MODELSCOPE_API_KEY="你的_api_key_放在这里"
```

### 学习方法
每节课对应的目录下均有 3 个重要内容：
1. `README.md`: 本课的高纯度知识讲义。
2. `project.md`: 动手实操任务的挑战指南。
3. `src/` 和 `answers/`: **你唯一需要写代码的地方！** 请在 `src/` 中根据 `TODO` 注释完成拼图，如果遇到困难，可以随时参考 `answers/` 里的满分答案。

---

> “Agents are not just the future of AI; they are the future of software.” — 开始你的旅程吧！