很多人听过 AI 智能体，也看过“让 AI 自动做事”的演示，但真到自己动手时，常常会卡在第一步：Agent 到底是什么、和普通聊天机器人有什么区别、要不要写代码、该从 Dify 还是 LangGraph 学起。Hello-Agents 解决的正是这个问题。它把智能体相关概念、主流范式、低代码平台、代码框架、记忆与检索、多智能体案例等内容整理成一套中文教程，让学习者不用在零散文章和视频里来回拼图。
- 项目名称：Hello-Agents
- 项目定位：从零开始构建智能体的中文开源教程
- 维护方：Datawhale 社区
- 主语言：Python
- 适合人群：AI 开发者、软件工程师、在校学生、有编程基础的自学者
- GitHub：datawhalechina/hello-agents
- 在线阅读：hello-agents.datawhale.cc
- Star 数：公开资料显示约 6.6 万
- 许可证：GitHub 元数据未明确识别；README 中标注作品采用 CC BY-NC-SA 4.0
它到底是什么：把智能体学习路线整理成一本能跟着走的教程
Hello-Agents 不是一个下载后就能替你自动办公的软件，也不是某个单一 Agent 应用。更准确地说，它是一套“带实践的学习教材”，目标是教你理解并构建大语言模型智能体。
这里的智能体，可以先粗略理解成“会围绕目标拆任务、调用工具、记录上下文、和其他模块协作的 AI 程序”。它比普通问答机器人更强调行动过程，而不只是回答一句话。
- 如果你只会用 ChatGPT、通义、豆包这类聊天工具，Hello-Agents 能帮你理解背后怎么从“聊天”走向“做任务”。
- 如果你已经听过 RAG、Memory、MCP、ReAct，但概念很散，它提供了一条从基础到案例的学习顺序。
- 如果你想做自己的智能体项目，它的价值在于给你示例、章节和配套代码，而不是只讲抽象名词。
最值得看的地方：它不是只讲概念，而是把“怎么做”也放进来了
Hello-Agents 最容易吸引人的地方，是它覆盖面比较完整。它从智能体定义、发展史、大语言模型基础讲起，再进入 ReAct、Plan-and-Solve、Reflection 等经典范式。
这对普通学习者的意义是，你不需要一开始就被各种框架名吓住。先知道每种方法想解决什么问题，再去看代码和平台，学习压力会小很多。
- 从基础概念开始：项目包含智能体定义、类型、历史，以及大语言模型基础。对于刚入门的人，这能减少“每个词都认识，连起来看不懂”的情况。
- 覆盖低代码平台：教程提到 Coze、Dify、n8n 等平台。低代码工具适合先搭出流程，看清一个 Agent 应用通常由哪些环节组成。
- 覆盖主流代码框架：公开资料里列出了 AutoGen、AgentScope、LangGraph 等框架内容。对想写代码的人来说，这能帮助你比较不同工具的使用方式。
- 有进阶主题：教程包含记忆与检索、上下文工程、通信协议、Agentic-RL、性能评估等章节。它不只停留在“做个演示”，也会碰到系统化构建时常见的问题。
- 有综合案例：公开章节包括智能旅行助手、自动化深度研究智能体、赛博小镇等案例。案例的好处是把概念放回实际任务里，看它们为什么需要协作、规划和评估。
适合谁，不适合谁：它更像学习材料，不是懒人一键工具
如果你是 AI 初学者，但愿意花时间学概念、看代码、跑示例，Hello-Agents 是比较合适的。它的章节安排比零散教程更系统，也有在线阅读入口。
如果你已经是开发者，想把聊天模型接进自己的业务流程，它也有参考价值。尤其是当你想理解低代码平台、Agent 框架和多智能体之间的关系时，这套教程能当作路线图。
- 适合 AI 开发者和软件工程师：可以用它补齐 Agent 的基本范式、框架选择和工程实践。
- 适合在校学生和自学者：它是中文内容，结构清楚，适合做学习计划或课程式阅读。
- 适合准备相关岗位的人：项目的补充章节里包含 Agent 面试题总结和参考答案，可作为复习材料。
- 不太适合完全不想写代码的人：README 明确建议具备基础 Python 能力，并知道如何通过 API 调用大语言模型。
- 不太适合只想找成品工具的人：它主要教你学习和构建，不是打开网页就能完成所有自动化任务的 SaaS 产品。
实际可以怎么用：把它当成学习路线、项目参考和查漏补缺手册
第一种用法，是把它当作系统入门课。你可以从第一章开始看，先理解智能体和大语言模型基础，再进入经典范式和低代码平台，这比直接冲进框架文档更稳。
第二种用法，是带着项目问题查章节。比如你正在做一个旅行规划助手，就可以重点看记忆、检索、通信协议、多智能体协作和旅行助手案例相关内容。
- 做个人学习计划：按章节推进，每学完一部分就运行对应代码。这样学到的不是“听说过”，而是知道某个模块在系统里起什么作用。
- 做课程或社群共学：它有在线阅读、PDF 下载和社区贡献内容，适合组织成每周学习任务，大家围绕章节和代码讨论。
- 做项目选型参考：当你在 Coze、Dify、n8n、LangGraph、AutoGen 等名字之间犹豫时，可以先通过教程理解它们各自出现在哪类任务里。
上手门槛怎么样：读起来不难，但真正动手需要一点技术底子
从阅读角度看，Hello-Agents 的门槛不高。它提供在线阅读入口，也有 PDF 版本下载线索，不需要先安装复杂环境才能开始看。
从实践角度看，门槛会明显提高。README 中建议学习者具备基础 Python 编程能力，并对大语言模型有基本概念，比如知道如何通过 API 调用 LLM。
简单说：只看教程，普通读者也能理解不少；想跑代码、改案例、做自己的 Agent，就需要会 Python，并准备处理模型 API、依赖安装和调试问题。
- 部署方式：公开资料主要强调在线阅读、本地阅读和配套代码，具体每个案例的环境细节需要进入对应章节查看。
- 账号要求：如果案例涉及调用大语言模型 API，通常需要相关模型服务账号；具体要求以章节说明为准。
- 费用情况：项目内容标注为开源免费学习，但调用外部模型 API 是否收费，公开信息里没有在总览部分讲得很细。
- 许可证信息：README 写明作品采用 CC BY-NC-SA 4.0；GitHub 元数据里的 license 字段未明确识别。
现在有哪些限制或注意点：别把它误会成万能 Agent 平台
第一个注意点是，它更偏教程和学习项目，不是生产环境工具箱。你可以学思路、看实现、复用部分代码，但不能把它理解成“装好就能直接接管工作”。
第二个注意点是，Agent 领域变化很快。教程覆盖的框架、协议和范式很丰富，但具体工具版本、API 行为和平台规则可能会变化，动手时仍要看对应官方文档。
- 公开资料里没有承诺某个案例可以直接用于商业生产环境，所以不要把演示案例当成稳定产品。
- 项目内容较多，初学者容易贪多。更实际的做法是先跑通一两个小例子，再看复杂的多智能体案例。
- 视频截图里出现 GitHub Trending、Repository Of The Day、64k stars 等信息，可作为传播素材里的展示信息；是否长期保持该排名，正文不能当作持续事实。
- README 中包含“下一步规划”相关内容，但未来内容属于计划，不应当按已经完成的能力来理解。
官方链接和补充资料：从在线阅读开始最省事
如果只是想看看内容质量，最省事的入口是官网在线阅读。它不要求你先懂 GitHub，也不用下载仓库，适合先判断自己是否愿意继续学。
如果你想看源码、章节文件、社区补充和 Release，就去 GitHub 仓库。公开 Release 中可以看到 V1.0.0 和 V1.0.2 等版本记录，README 也给出了 PDF 下载线索。
- 官网在线阅读：https://hello-agents.datawhale.cc
- GitHub 仓库：https://github.com/datawhalechina/hello-agents
- Release 页面：https://github.com/datawhalechina/hello-agents/releases
- 最新公开 Release 线索：Hello-agents V1.0.2，发布时间为 2026-02-10
- 补充资料：Extra-Chapter 中包含面试题、Dify 教程、环境配置、WebAgent、GUI Agent、实践踩坑等社区内容。
值不值得试：想认真学 Agent，就值得收藏并跟着跑一遍
如果你只是想找一个能立刻帮你写周报、订机票、自动运营账号的工具，Hello-Agents 不是最直接的选择。它的价值不在“替你做完”，而在“教你为什么能做、怎么一步步搭出来”。
如果你想从大语言模型使用者，往智能体应用构建者靠近，并且愿意花时间读教程、跑代码、理解框架取舍，那它值得试。尤其对中文学习者来说，它把很多分散在英文论文、框架文档和社区文章里的内容，整理成了一条更容易跟上的路径。
一句话判断：想系统学习 AI Agent，并且有一点 Python 基础，Hello-Agents 值得加入书签；只想要零门槛成品工具，则可以先看 Dify、Coze 这类平台，再回来补原理。
相关文章
