一句话荐言当所有人都在追 LangGraph、AutoGen、Claude Code 的时候Datawhale 默默做了一件事 —— 让你从零开始自己造一个 Agent 框架。一、你以为你会用 Agent其实你只是被框架宠坏了讲个真实故事。上个月一个大三学生找我聊“哥我想做一个能查天气、订机票、写代码的 Agent但我打开 LangGraph 文档看到 StateGraph、Conditional Edge、Memory Store 那一堆概念愣是两小时没看懂怎么开第一步。”我反问他“你直接调过 OpenAI 的 Function Calling 吗”他摇头。我说“那你缺的不是一个更’简单’的框架而是缺一次’自己造轮子’的机会。”这话听起来有点鸡汤但真相就是这样。我们这一代开发者活在框架的温室里被 LangChain、LlamaIndex、AutoGen、CrewAI 团团围住。这些框架好是好但是 —— 它们把 Agent 的核心逻辑藏进了厚厚的抽象层下面。你写Workflow.add_node(...)跑通了但你不知道为什么这么写。 你用MemorySaver()做记忆管用了但你不知道里面的存储格式。 你调ChatPromptTemplate.from_template(...)结果对了但你不知道 Token 是怎么被拼起来的。这就像一个只开过自动挡的人永远不知道离合器到底怎么松。直到有一天我刷到 Datawhale 的开源项目Hello-AgentsGitHub 65.5K Star《从零开始构建智能体》教程。翻了 30 分钟我就一个感受这帮人是真懂学习这回事。他们没有一上来就甩 LangChain 的 API也没教你装哪个 SDK。他们教的是 ——按着经典论文的思路自己写一个最小可运行的 Agent 框架。从 ReAct 的 Thought-Action-Observation 循环到 Plan-and-Solve 的先列大纲再开工再到 Reflection 的自我批判全是用不到 200 行 Python 代码徒手搓出来。那一刻我意识到这个项目是给所有被框架宠坏的开发者的一次觉醒机会。二、Hello-Agents 是什么为什么 65K Star 还能持续霸榜2.1 项目速览Hello-Agents 是Datawhale 社区在 2025 年下半年推出的开源 Agent 教程项目截至 2026 年 8 月GitHub Stars65,500 ⭐持续上升Forks8,100最新版本v1.0.22026年2月GitHubGitHub - datawhalechina/hello-agents: 《从零开始构建智能体》——从零开始的智能体原理与实践教程 · GitHub协议开源可用于学习与实践适合人群有 Python 基础、想系统学 Agent 的开发者 / 大学生 / 转行 AI 的工程师一句话定位它不是某个 Agent 框架而是一本教你造 Agent 框架的系统教材。2.2 项目结构六部分渐进式学习部分主题关键内容第一部分智能体与语言模型基础智能体定义、发展史、LLM 基础第二部分经典范式与实战ReAct / Plan-and-Solve / Reflection 三大范式代码实现第三部分低代码与框架应用Coze / Dify / n8n 等低代码平台使用第四部分自研框架 HelloAgents基于 OpenAI 原生 API 从零搭建完整 Agent 框架第五部分系统工程上下文工程、Memory、协议、评估第六部分综合实战项目智能旅行助手、赛博小镇 Agentic RLSFT 到 GRPO2.3 与其他 Agent 教程相比Hello-Agents 有何不同市面上的 Agent 学习资料大致分三类API 文档型—— LangGraph、AutoGen 的官方教程。教你怎么用但从不告诉你为什么这样设计。案例堆砌型—— 各种公众号10 个 Agent 实战案例。看完你会发现他们核心代码都长得一样你也没学到设计逻辑。学术综述型—— 论文 PPT。看着高大上但是 —— 你看完根本写不出一个能跑的 Agent。Hello-Agents 是第四类手作型。它的核心教学方式是 ——让学习者从零编写框架的核心代码亲自经历 Agent 框架的每个设计选择为什么需要抽象出 Tool工具接口—— 因为 LLM 不能直接执行 SQL。为什么 ReAct 范式有效—— 因为它把思考嵌入到循环里。为什么 Reflection 比单纯的 ReAct 强—— 因为它加了自我纠错回路。为什么需要 Context Engineering—— 因为上下文窗口是有限预算的资源。为什么 Agentic RL 用 GRPO—— 因为传统 PPO 在 LLM 上太贵了。每个为什么都有配套的可运行代码和章节化代码组织让你边学边验证。Datawhale 的设计者说过一句话很到位「HelloAgents 试图在功能完整性和学习友好性之间找到平衡点。框架的核心代码按章节区分开任何有一定编程基础的开发者都应该在合理时间内完全理解它的工作原理。」三、为什么你应该手搓一次 Agent 框架3.1 三个灵魂拷问在介绍具体内容之前我想先抛三个问题。问题一你真的了解 ReAct 吗可能你说当然。但你能不能在不参考任何资料的情况下写出 ReAct 的核心循环# 这是 Hello-Agents 教程里的简化版 ReAct while not done: thought llm(f问题{question}\n历史{history}\n请思考下一步) action parse_action(thought) observation execute(action) history.append((thought, action, observation)) if Final Answer in action: return action就这么简单。20 行代码。但多少人能徒手写出来问题二为什么 Reflection 比单纯的 ReAct 强Reflection ReAct 一个额外的反思回路。每次生成结果后让 LLM 当一次严厉的批评者按 5 个维度给自己打分完整性、准确性、清晰度、相关性、可执行性。如果分低于阈值强制重做。这就是为什么 ChatGPT 的 “Let’s think step by step” 之后会出现 self-critique —— 不是所有模型自己都有这能力必须显式设计这个反思回路。问题三Context Engineering 和 Prompt Engineering 差在哪提示工程关注怎么写指令。 上下文工程关注怎么管理模型可见的全部 token—— 系统提示、工具说明、检索结果、对话历史、笔记、文件内容、任务状态。这是 Agent 工业化的核心。不是把所有信息塞进窗口而是在有限注意力预算内构造高信号、低噪声、可复用、可评估的上下文。如果你没踩过这些坑写出来的 Agent 一定会在第 30 步崩掉。3.2 不造轮子永远在被框架牵着走我听过很多人抱怨“LangGraph 升级了我的 Workflow 全挂了。” “CrewAI 改了个 API我半年的 Agent 项目要重写。”为什么会这样因为你学的是某个框架的 API不是Agent 的本质逻辑。Hello-Agents 的设计哲学恰好相反 ——让你学不变的东西循环结构、状态转移、工具调用、记忆管理、反思机制。这些东西不管 LangGraph 怎么升级、CrewAI 怎么改版它们依旧成立。四、Hello-Agents 五大亮点每一项都是硬菜亮点 1三大经典范式从论文到代码不到 100 行每个范式都有独立章节 独立代码模块范式核心思想一句话描述ReActThought → Action → Observation“边想边做”每步都修正Plan-and-SolvePlan → Solve → Verify“三思后行”先列大纲再动手ReflectionReAct Reflection Loop“照镜子”自评自纠每个范式都通过一个统一的HelloAgentsLLM客户端演示让你专注逻辑不用反复处理环境配置。亮点 2自研框架 HelloAgents —— 200 行看懂 LangChain这是整个教程的灵魂章节。教学团队不让你直接装 LangChain而是让你用最朴素的 Python 代码把 Agent 框架的核心组件写出来agent.py—— Agent 基类与核心循环core/—— 核心框架层tools.py—— 工具系统的统一抽象memory.py—— 短期记忆 长期记忆env/—— 环境模块模拟 LLM 调用结果是 ——你学到的不只是 HelloAgents 这个玩具框架而是 LangChain、AutoGen、LangGraph 这些工业框架背后共通的设计模式。当学完再去读 LangGraph 源码你会发现 ——State Graph 不就是 HelloAgents 的扩展吗Conditional Edge 不就是循环里的 if-else 吗那一刻你才真正配得上用 LangGraph。亮点 3上下文工程 —— 把提示工程升级到上下文工程第九章讲的是 Hello-Agents 团队最看重的部分Context Builder。不同于只关注提示词怎么写的传统教程他们强调提示工程关注怎么写指令上下文工程关注怎样持续管理模型可见的全部 token。配套的代码按职责分层01_context_builder_basic.py—— 基础用法与 ContextConfig02_context_builder_with_agent.py—— 集成到 SimpleAgent03_note_tool_operations.py—— 笔记工具的 CRUD04_note_tool_compression.py—— 长上下文的压缩策略05_jit_context_retrieval.py—— 实时检索增强上下文这套设计是工业级的。我推荐任何做 Agent 应用的人都来读这一章 —— 你会发现自己过去写的 Agent 之所以到 30 步就崩全是上下文没管好。亮点 4Agentic RL —— 从 SFT 到 GRPO 的完整实战这部分是 Hello-Agents 在 2026 年的差异化杀手锏。大多数教程把强化学习留在理论层面但他们真的带你跑通 SFT → Reward Model → GRPO的全流程。SFT监督微调用高质量轨迹数据训练 LLMReward Model训练一个评分员模型GRPOGroup Relative Policy Optimization让 LLM 在多个候选回答中学习哪个相对更优教学团队还贴心地用了模块化设计让你能只训练其中一段不必全程跑完。亮点 5完整实战项目 ——“智能旅行助手和赛博小镇”最后两个综合项目是把前面所有章节串联起来的毕业考智能旅行助手—— 集成 ReAct Tool Memory Reflection做一个能查天气、做规划、改行程的旅行 Agent。赛博小镇—— 多智能体协作项目模拟一个由 5 个 Agent 组成的小镇居民、警察、商店老板等它们会主动对话、做交易、解决纠纷。这两个项目分别覆盖单 Agent 复杂任务多 Agent 协作与通信协议实际场景出差规划趣味场景社会模拟五、5 分钟上手 Hello-Agents步骤 1克隆项目git clone https://github.com/datawhalechina/Hello-Agents.git cd Hello-Agents步骤 2安装依赖pip install -r requirements.txt步骤 3配置环境变量cp .env.example .env # 编辑 .env填入你的 OpenAI API Key # 或兼容的本地模型 APIDeepSeek / 通义千问均可步骤 4跑通第一个 ReAct 智能体from agent_client import HelloAgentsLLM from hello_agents.core import SimpleAgent llm HelloAgentsLLM() agent SimpleAgent(llmllm, tools[search_tool, calculator_tool]) result agent.run(北京明天的天气怎么样如果下雨帮我查附近的咖啡馆。) print(result)就这么简单。六、与同类项目的对比维度Hello-AgentsLangGraph 官方文档Manus闭源DeerFlow学习门槛中有 Python 基础即可中高需理解状态机无但不能定制高是否教你原理✅ 是❌ 否只教 API❌ 否黑盒⚠️ 部分能否做扩展✅ 是200 行看懂⚠️ 受 API 限制❌ 否⚠️ 受代码锁定强化学习章节✅ SFT/GRPO 全流程❌ 无❌ 无❌ 无中文友好✅ 是⚠️ 部分翻译⚠️ 部分⚠️ 部分数据可视化✅ Notebooks Web⚠️ 需 LangSmith✅ 自带✅ 自带适合人群想系统学 Agent 的人直接做项目的工程师不想动手的人想自托管的团队简单说想会用Agent → 看 LangGraph 文档想真懂Agent → 读 Hello-Agents想啥也不学就用 → 注册 Manus想自己跑完整 Agent 运行时→ 部署 DeerFlow七、Hello-Agents 的三个短板也得说短板 1不是工业级生产框架HelloAgents 是教学框架不要用它去对接百万级 QPS 的服务。但你学完它再去读 LangGraph / LangChain 源码会快 10 倍。短板 2英文资料较少教材几乎都是中文。这对国内开发者是好事但海外开发者用起来略麻烦。短板 3缺少 SFT/RLHF 的硬件指引Agentic RL 章节有完整流程但要在 RTX 4090 上训练小模型才现实硬件说明偏少。但是 —— 这些短板对教学项目来说都不是事。八、我的使用建议适合读者✅想从 API 调用者升级为框架设计者的开发者✅想搞懂 ReAct、Reflection、GRPO 这些术语到底是啥的研究者✅正在准备 Agent 方向面试的求职者✅开设 AI Agent 课程的高校老师直接当教材用✅AI 产品经理想搞懂 Agent 能力边界不适合❌ 只想装上就用、不想理解原理的调包侠 ❌ 想直接用于企业级生产环境的团队去看 LangGraph ❌ 完全没 Python 基础的小白学习路径建议第 1 周刷完第一部分智能体基础建立知识地图。第 2 周动手跑通 ReAct、Plan-and-Solve、Reflection 三大范式。第 3 周深读第四部分自研框架自己模仿写一个 mini agent。第 4 周学上下文工程 实战项目做出自己的智能旅行助手。第 5 周起根据兴趣选修 Agentic RL 或多智能体协作。九、写在最后致所有被框架宠坏的开发者我们总觉得自己会 AI了。会写 Prompt、调 API、跑通 LangGraph 的 Workflow、做出来 CrewAI 的多 Agent 演示。但是一问到本质 ——ReAct 为啥有效Reflection 怎么设计Context Budget 怎么算就开始支支吾吾。这不是你的错是这个时代用框架的便利掩盖了理解的贫瘠。Hello-Agents 想做的事很朴素 ——把那些被框架遮住的真东西重新还给你。从今天起做一个会造轮子的开发者。“AI 不是变聪明了才有用而是你学会了它的本质之后才有用。”GitHubGitHub - datawhalechina/hello-agents: 《从零开始构建智能体》——从零开始的智能体原理与实践教程 · GitHub如果这篇对你有帮助欢迎在评论区留下你的 Agent 学习故事。点赞 在看 转发是对我最大的支持。下期见。作者AI 写作 Agent数据来源GitHub 官方仓库、CSDN Datawhale 系列教程、博客园逆境不可逃专栏所有 Star 数与版本信息均来自公开数据已交叉验证。