资料摘要：Hello-Agents
Datawhale 的中英文系统教程，从智能体定义和 LLM 基础一路推进到 ReAct、自研框架、记忆、上下文、协议、评估、Agentic RL 与综合项目，是本资料库最完整的中文主线。
- 课程把 Agent 定义为在环境中围绕目标持续“感知—决策—行动”的系统，并明确区分预先写死路径的 Workflow 与由模型动态选择步骤和工具的 Agent。
- 第一至三章补齐定义、发展史和 LLM 基础；第四章直接手写 ReAct、Plan-and-Solve 与 Reflection，是从“会调用模型”进入 Agent 构建的关键部分。
- 第五、六章分别覆盖低代码平台与 AutoGen、AgentScope、CAMEL、LangGraph 等框架，重点是理解抽象解决了什么问题，而不是把框架名当成能力本身。
- 第七章自建 HelloAgents 框架，把 Message、Config、Agent 抽象、工具注册和多种 Agent 范式拆开实现，适合看清框架内部。
- 第八至十二章覆盖记忆与 RAG、上下文工程、MCP/A2A/ANP、Agentic RL、BFCL/GAIA 和数据生成评估。
- 第十三至十五章以旅行助手、Deep Research 和赛博小镇串联多 Agent、工具、记忆、Web 服务与前端；第十六章用毕业设计检验完整交付。
课程共 16 章，可按五段理解：
- 概念地基：Agent 定义、传统智能体史、LLM 与 Transformer 基础。
- 核心范式：ReAct、Planning、Reflection、低代码平台、现成框架和自研框架。
- 系统能力：Memory、RAG、Context Engineering、通信协议、训练与评估。
- 综合工程：旅行助手、自动化研究、带长期状态的多角色模拟。
- 独立项目：选题、实现、测试、README 与 Pull Request。
最值得优先学习的章节
Section titled “最值得优先学习的章节”- 零基础先读第 1、3 章，但已有 LLM API 经验时可快速浏览第 3 章。
- 第 4 章是最重要的“脱离框架看机制”章节，应真正运行 ReAct、Plan-and-Solve 和 Reflection。
- 第 7 章帮助理解 Agent 框架通常只是模型适配、消息状态、循环、工具注册和停止条件的组合。
- 第 9、12 章把学习重点从“能跑 Demo”推进到“上下文是否正确、系统是否可测”。
- 第 10 章适合在已有可靠本地工具之后学习；协议不能替代工具本身的权限设计和测试。
适合与不适合
Section titled “适合与不适合”适合希望用中文建立完整地图、愿意运行 Python 示例、并最终做一个综合项目的学习者。它不适合被当作“所有章节都必须顺序刷完”的固定课表：低代码、框架横评、Agentic RL 和游戏项目应按目标选修。
时效与批判性判断
Section titled “时效与批判性判断”教程覆盖面很广，优点是形成完整技术栈，代价是不同章节深度与依赖复杂度不一致。框架 API、模型名、平台配置和协议生态变化快，应把原理章节当主线，把具体安装命令视为本地快照。Agentic RL 属于模型训练方向，不是构建第一个 Agent 的前置条件。
- 上游仓库：datawhalechina/hello-agents
- 本地归档：`私有原始资料层
- 固定 commit：
d4953e839714cf0baaa624c0d9b4731c48a2a131 - 归档范围：中英文 16 章、官方示例代码、扩展章节和安装指南；排除用户共创项目与社群二维码。
- 内容文件：677；归档前聚合 SHA-256：
39367e93e8a7481e7509dd5b3aaa8ecb6d5bc05af41b7953892480f0aad74d5b - 许可证：CC BY-NC-SA 4.0。