从零构建 AI 智能体

通过可运行的 Python 教程,从 LLM 调用逐步搭建理解智能体原理的完整工程流程。

Star 数
★ 394
最近更新
16 天前
License
MIT
主语言
Python

30 秒速览

运行形态
开发框架
可在哪里用
通用 · 跨平台OpenAI API · Claude API
费用
软件免费,模型调用费用自付
上手难度
中 · 需要几步配置
开始前需要
Python 3.11+uvAnthropic API 密钥和/或 OpenAI API 密钥Shell / 命令行网络访问本地文件系统MCP Server
典型场景
希望从基础 API 调用开始,亲手实现工具调用和智能体循环的软件工程师。
不适合
  • 想直接部署现成智能体而非动手构建的人
  • 不愿配置 Anthropic 或 OpenAI API 密钥的团队
官网
agenticloops.ai ↗ 来自 GitHub 仓库设置
维护状态
近 30 天有提交最近提交 2026-11-05最新版本 v2026.04.07(2026-04-07)

这个 Agent 能做什么,适合哪些场景?

这是一个面向工程师的动手教程仓库,带读者从单次 LLM API 调用逐步构建智能体。课程以 Python 脚本和逐课 README 组成,先从原理实现提示词、对话历史、工具调用和智能体循环,再讲工作流模式、上下文、记忆、RAG、多模态、安全以及测试评估。每个教程可独立运行,示例通过 Anthropic 和/或 OpenAI API 调用模型,使用工具结果更新上下文并继续循环,直至生成回答。仓库还规划了 MCP、子智能体、框架实现和生产部署等模块,其中若干模块标为即将推出。它提供的是学习材料和示例代码,不是可直接托管或部署的成品智能体。

读者复制 .env.example 为 .env 并配置 Anthropic 和/或 OpenAI 密钥,然后用 uv run --directory <tutorial> python <script>.py 启动教程脚本。示例调用模型 API、跟踪令牌、维护消息历史、执行工具调用,并把工具结果追加回上下文;智能体循环重复这些步骤,直到模型能够回答。课程还包含 RAG 与记忆、提示链、路由、并行化、人机协作、结构化输出、流式响应、护栏和评估等示例。

  1. 希望从基础 API 调用开始,亲手实现工具调用和智能体循环的软件工程师。
  2. 准备面试、需要练习解释上下文、推理循环和工具调用的开发者。
  3. 想比较提示链、路由、并行化及编排模式的应用工程团队。
  4. 需要通过教程了解上下文工程、记忆和 RAG 示例的开发者。
  5. 希望学习智能体测试、评估、追踪和基准测试的工程师。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • brew install uv
配置文件
.env.example .env
运行环境
Python 3.11+
安装说明涉及
macOS

如何安装或部署这个 Agent?

需要 Python 3.11+、uv、Git,以及 Anthropic 和/或 OpenAI API 密钥。README 提供了使用 Homebrew 或 pipx 安装 uv、克隆仓库、复制环境文件并运行第一个示例的步骤:

brew install uv

git clone https://github.com/agenticloops-ai/agentic-ai-engineering.git
cd agentic-ai-engineering
cp .env.example .env
uv run --directory 01-foundations/01-simple-llm-call python 01_llm_call_anthropic.py

在 .env 中填入所需提供商的 API 密钥;完整环境设置步骤在 SETUP.md 中。

如何使用这个 Agent?

选择一个教程目录并运行其中的 Python 脚本;README 记录了每课的说明和学习目标。快速入门示例为:

uv run --directory 01-foundations/01-simple-llm-call python 01_llm_call_anthropic.py

如遇模块未找到,在该课程目录运行:

uv sync

脚本需要对应示例所用提供商的 API 密钥;不是所有未来规划的模块都已提供,Loop Engineering、Frameworks 和 Production 均标记为即将推出。

这个 Agent 有哪些优点和局限?

优点
  • 从单次 API 调用到工具执行循环逐步从零构建,便于看清框架抽象背后的组成部分。
  • 每课提供独立 Python 脚本和 README,可单独探索或按模块学习。
  • 教程覆盖评估、追踪、红队测试和基准测试,而不止于原型循环。
  • 示例支持 Anthropic 和 OpenAI API,适合对照学习两种提供商的调用路径。
局限
  • 需要自行提供 Anthropic 和/或 OpenAI API 密钥,模型调用费用取决于提供商。
  • 这是教程仓库,不提供可直接部署的智能体产品或托管服务。
  • 教程要求 Python 3.11+ 和 uv,使用者需要能在终端运行脚本。
  • Loop Engineering、Frameworks 和 Production 模块在 README 中标为即将推出。

这个 Agent 与同类方案有什么区别?

README 将本项目与使用智能体框架直接构建的方式作了隐含对照:这里先用原始 API 和循环从第一原理实现,再在后续规划的 Frameworks 模块中比较多种框架。

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
从零构建 AI 智能体 当前 58 · 缺口较多 开发框架免费 + 模型费 ★ 394 16 天前 Python OpenAI API · Claude API
Hello-Agents 智能体教程 53 · 缺口较多 网页应用免费 + 模型费 ★ 88k 8 天前 Python OpenAI API
LangChain 与 LangGraph 智能体实战课 43 · 缺口较多 命令行工具免费 + 模型费 ★ 1.8k 21 天前 — —
Agent Systems Handbook 62 · 存在缺口 网页应用免费 ★ 315 1 个月前 MDX —

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
58/ 100 五分制 2.9 / 5
信任安全 11/29
可靠稳定 6/14
适用触发 14/18
规范维护 11/18
有效结果 12/13
证据核验 4/8
查看各维度的扣分理由
信任安全11 / 29 · 1.9/5

样例清楚展示了工具调用、消息历史和 web 搜索来源收集;内容写作流程包含人工检查点,测试样例也展示了阻止危险命令。但给分有限,因为片段没有说明 API 密钥如何保护、工具授权如何统一确认、外部副作用如何回滚;依赖版本范围较宽,且仓库来源归属未验证。

可靠稳定6 / 14 · 2.1/5

代码有迭代上限、速率限制重试和超限提示,README 也描述了逐步课程路径。但 README 的 CI 说明与所给 workflow 不一致:workflow 查找 lessons/,README 列出的课程位于编号目录;因此自洽性偏弱。所给样例不足以判断各课程依赖能否持续获取。

适用触发14 / 18 · 3.9/5

README 明确面向懂 Python 基础、无须 AI/ML 背景的学习者,按基础、模式、进阶和评估逐步组织,并提供独立课程和本地或 Codespaces 使用方式。能力边界只部分明确:多个后续模块标为 coming soon,描述却涵盖生产、安全等主题;入口和触发场景主要是学习课程及运行示例。

规范维护11 / 18 · 3.1/5

课程导航、分模块结构、快速开始、设置链接和 FAQ 清楚,且提供 MIT 许可证。扣分原因是样例中根目录配置将包发现排除 lessons,而 CI 又从 lessons 查找课程;版本虽见于 pyproject,但缺少所给变更记录、已知限制和明确维护责任说明。

有效结果12 / 13 · 4.6/5

课程从单次 API 调用延伸到工具循环、评估、安全与架构模式,提供可运行脚本、示例和综合项目,学习产出明确。运行需要 Python 环境及 Anthropic 和/或 OpenAI API 密钥,可能产生 API 费用;所给材料没有量化费用或覆盖所有课程的完成状态,因此成本收益不是满分。

证据核验4 / 8 · 2.5/5

README 将课程主题、设置入口和示例目录对应起来,代码中可见迭代上限、重试及工具结果处理等具体实现;说明与部分源代码能相互印证。所给测试样例补充了行为契约,但没有足够的跨课程源码或结果记录来验证整体宣传;评分区分了可见实现与未验证的课程覆盖或生产能力主张。

风险与缓解建议
  • 源码中未见:回滚或恢复路径运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
  • 运行示例前按 SETUP.md 配置所需 API 密钥;调用外部模型可能产生费用。
  • README 所述 CI 与所给 workflow 的课程目录路径不一致,不能据此确认所有课程都被自动检查。
  • 所给文件只是仓库样本;未展示的课程、依赖和安全措施应视为未知。
证据充分度:低 评估于 2026年11月11日 审查版本 7fa90c39c561
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/agentic-ai-engineering.svg?lang=zh)](https://followagents.com/zh/agents/agentic-ai-engineering)
<a href="https://followagents.com/zh/agents/agentic-ai-engineering"><img src="https://followagents.com/badge/agentic-ai-engineering.svg?lang=zh" alt="FARS 评测"></a>

最近版本

来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。

  1. v2026.04.07 v2026.04.07 — Testing & Evaluation Module
    发布说明摘录
    Testing & Evaluation Module New module covering the full eval lifecycle for AI agents — from unit testing to production eval harnesses. Tutorials | # | Tutorial | What It Covers | |---|----------|----------------| | 1 | Unit Testing Agents | Mock LLMs, tool isolation, behavioral contracts | | 2 | Evals | Golden datasets, LLM-as-judge, pass@k/pass^k metrics | | 3 | Tracing & Debugging | Span-based traces, execution replay, failure analysis | | 4 | Red Teaming & Safety | Prompt injection, guardrail verification, ASR measurement | …
    在 GitHub 查看 ↗
  2. v2026.02.18
    发布说明摘录
    First public release of Agentic AI Engineering — a hands-on tutorial series for building AI agents from scratch. What's Included 🎓 Module 01 — Foundations Build everything from scratch to understand what's really happening under the hood: 1. [Simple LLM Call](https://github.com/agenticloops-ai/agentic-ai-engineering/tree/main/01-foundations/01-simple-llm-call) — API basics, token tracking 2. [Prompt Engineering](https://github.com/agenticloops-ai/agentic-ai-engineering/tree/main/01-foundations/02-prompt-engineering) — System messages, few-shot learning, structured output …
    在 GitHub 查看 ↗

常见问题

运行教程会产生费用吗?
软件仓库采用 MIT 许可,但示例要求 Anthropic 和/或 OpenAI API 密钥;模型使用费用由相应提供商决定。
我可以只运行一节教程吗?
可以。README 说明每个教程自包含且幂等,可从任意教程开始;按该课目录运行脚本即可。
需要什么环境?
教程使用 Python 3.11+ 脚本,并通过 uv 管理运行;首次运行还需为所用 API 示例配置密钥。
这里会提供可直接投入生产的智能体吗?
不会。仓库提供构建示例和学习路径;生产部署是一个标为即将推出的课程模块。
从零构建 AI 智能体 官网是什么?
从零构建 AI 智能体 的 GitHub 仓库填写的官网是 http://agenticloops.ai。这个链接由仓库作者设置;源码在 GitHub(agenticloops-ai/agentic-ai-engineering)。
从零构建 AI 智能体 开源吗?
开源。源码在 GitHub(agenticloops-ai/agentic-ai-engineering),许可证是 MIT。
从零构建 AI 智能体 安全吗?
FollowAgents 的 FARS 评审(2026年11月11日)给 从零构建 AI 智能体 的“信任与安全”打了 11/29 分。评审没有在源码和文档里找到这些安全措施:回滚或恢复路径。接入真实账号或数据前:运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
从零构建 AI 智能体 还在维护吗?
在维护。GitHub 上最近一次提交是 2026-11-05,在最近 30 天内。最新版本是 v2026.04.07(2026-04-07)。
从零构建 AI 智能体 是谁开发的?
从零构建 AI 智能体 由 GitHub 账号 agenticloops-ai 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念