Hello-Agents：72.7k 星的中文 AI Agent 神作，从零构建智能体的实战圣经

Hello-Agents：72.7k 星的中文 AI Agent 神作，从零构建智能体的实战圣经

Datawhale 出品的 Hello-Agents 正在重新定义 AI Agent 的学习方式。这个项目以”从零构建真正 AI 原生 Agent”为核心定位，不同于市面常见的 Coze/Dify 可视化配置教程，它从 ReAct 范式的最小代码实现开始，手把手带你写出自己的 Agent 框架。截至 2026 年 9 月，项目已累计超过 72.7k GitHub Star（star-history.com 2026-08-14 记录），7 次登上 GitHub Trending 榜首，成为中文开发者社区公认的 Agent 学习标杆资源。

功能与原则

Hello-Agents 的核心功能是一套完整的 Agent 开发学习路径，涵盖从基础理论到工业级项目的全栈内容。其设计原则是”AI Native First”——不依赖任何黑盒平台，从 LLM 原生 API 调用开始，亲手实现 ReAct、Plan-and-Solve、Reflection 等经典范式，让学习者真正理解 Agent 的内部运作机制而非停留在框架配置层。

认可度

Hello-Agents 截至 2026 年 9 月累计约 72.7k GitHub Star（截至 2026-08-14，star-history.com 记录），Fork 数 9.1k，位列 GitHub 全球总榜第 247 位。2026 年 8 月 trending-repos.com 日均数据约 60,830 Star，曾 7 次登顶 GitHub Trending。该项目是 Datawhale 社区历史上 Star 数第一的开源项目，在 CSDN、掘金等技术社区被广泛讨论和推荐。

链接

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

在线阅读（国外）：https://datawhalechina.github.io/hello-agents/

在线阅读（国内加速）：https://hello-agents.datawhale.cc/

原作者

Datawhale 社区（GitHub：datawhalechina）——国内最大的 AI 开源学习社区之一，专注于生产高质量、系统性的技术学习教程，以”学习 AI 最好的方式就是动手实践”为核心理念，成员遍布全球高校与企业。

介绍

Hello-Agents 由 Datawhale 社区于 2025 年下半年发起，项目开篇即点明核心矛盾：市面上的 Agent 教程要么只教”如何在 Coze 拖拽一个聊天机器人”，要么止步于调用 API 的Hello World。真正稀缺的，是教人从零构建具备记忆、反思与协作能力的 AI 原生 Agent 的系统性课程。

教程将 Agent 构建分为两大流派：一类是 Dify、Coze、n8n 等”软件工程类 Agent”（本质是流程驱动的可视化开发，LLM 仅为后端数据处理引擎）；另一类是以 LLM 推理为核心的”AI 原生 Agent”。Hello-Agents 选择后者作为教学方向，带你穿透框架表象，从一行行原生 API 调用开始，亲手写出 Agent 的”灵魂”代码。

教程结构分三大部分：第一部分打牢基础——智能体定义、发展史、LLM 基础概念；第二部分深入核心——ReAct、Plan-and-Solve、Reflection 三大经典范式的代码级实现（约 200 行 Python 即可跑通最小可运行 Agent）；第三部分进阶实战——低代码平台对比、自研框架 HelloAgents、MCP/A2A/ANP 等通信协议、记忆与 RAG 系统、Agentic RL 训练，以及智能旅行助手、赛博小镇等综合项目。

特点

• 原理优先：不先讲框架用法，而是从经典论文思路出发，手写最小 Agent 循环，让学习者真正理解 Agent 内部机制
• 代码驱动：全程代码清晰、注释详尽，约 200 行 Python 可跑通 ReAct 核心循环，”最好的学习就是动手造轮子”
• 体系完整：覆盖单 Agent 基础 → 多 Agent 协作 → 框架自研 → 工业部署的完整学习闭环
• 中文友好：完全中文撰写，在线阅读免费，对中文开发者极其友好，降低了 AI Agent 学习门槛
• 社区活跃：70+ 贡献者持续更新，最新版本 v1.0.2，附赠配套视频课程和面试指南

使用方法

阅读与学习（无需安装）：
直接在浏览器打开在线文档，按章节顺序学习，配合 GitHub 仓库的代码示例动手实践。

本地部署：

git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
# 按 docs/ 目录下的章节顺序阅读和实践

安装依赖（如需跑代码示例）：

pip install openai  # 基础 LLM 调用
# 各章节具体依赖见 docs/ 目录下的 requirements.txt

核心代码示例（ReAct 最小实现）：

# 典型的 ReAct Agent 循环
while not done:
    thought = modelthink(task, history)    # Agent 思考
    action, query = parse_action(thought)  # 解析工具调用
    obs = execute_tool(action, query)      # 执行工具
    history += [(thought, action, obs)]   # 更新记忆

使用场景与人群

• 目标人群：有 Python 基础的开发者、大学生、转行 AI 的工程师，以及想系统掌握 Agent 开发的技术人员
• 适用场景：想从”框架使用者”进阶为”框架构建者”的开发者；希望深入理解 Agent 内部原理而非只会拖拽配置的学习者；需要系统性 Agent 实战教程作为参考手册的团队

输入与输出案例

输入： 一份关于 ReAct 范式的基础文档 + OpenAI API Key

输出： 一个可交互运行的最小 Agent 程序，能够接收用户任务、调用工具（如搜索）、观察结果并循环思考，直到任务完成。效果等同于把”看文档”变成”跑代码”，真正把知识内化为能力。

输入： 学习第五章低代码平台内容，对比 Dify/Coze/n8n 的 Agent 构建方式

输出： 理解两派 Agent 构建哲学的本质差异——流程驱动 vs. LLM 推理驱动——从而在真实项目中做出更合理的技术选型，避免”用复杂工作流解决简单问题”的过度工程化陷阱。

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