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
- FA 评分
- 58/100 · 缺口较多
30 秒速览
- 运行形态
- 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
- 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。
- 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。
- 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。
- 想比较提示链、路由、并行化及编排模式的应用工程团队。
- 需要通过教程了解上下文工程、记忆和 RAG 示例的开发者。
- 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?
- 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。
- 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?
查看各维度的扣分理由
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。
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。
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。
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。
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。
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。
- 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。
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。
-
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 ↗ -
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?
我可以只运行一节教程吗?
需要什么环境?
这里会提供可直接投入生产的智能体吗?
从零构建 AI 智能体 官网是什么?
从零构建 AI 智能体 开源吗?
从零构建 AI 智能体 安全吗?
从零构建 AI 智能体 还在维护吗?
从零构建 AI 智能体 是谁开发的?
谢谢反馈,我们会据此改进页面。