Jason Dong

第十六章 毕业设计：构建属于你的多智能体应用恭喜你来到 Hello-Agents 教程的最后一章！在前面的 15 章中，我们从零开始构建了 HelloAgents 框架，学习了智能体的核心概念、多种范式、工具系统、记忆机制、通信协议、强化学习训练和性能评估等知识。在第 13-15 章中，我们还通过三个完整的实战项目（智能旅行助手、自动化深度研究智能体、赛博小镇）展示了如何将所学知识融会贯通。 现在，是时候让你成为真正的智能体系统构建者了！本章将指导你构建属于你自己的多智能体应用，并通过开源协作的方式与社区分享你的成果。 16.1 毕业设计的意义16.1.1 为什么要做毕业设计学习技术最好的方式不是看教程，而是动手实践。通过前面章节的学习，你已经掌握了构建智能体系统的理论知识和技术工具。但是，真正的挑战在于：如何将这些知识应用到实际问题中？如何设计一个完整的系统？如何处理各种边界情况和异常？ 毕业设计的核心价值在于培养你的综合应用能力，将前面学到的所有知识（智能体范式、工具系统、记忆机制、通信协议等）选择性的整合到一个完整的项目中。 通过本章的学习和实践，希望你能够独立设计并实现一个完整 ...

第十五章 构建赛博小镇这一章，我们将探索一个全新的方向：将智能体技术与游戏引擎结合，构建一个充满生命力的 AI 小镇。 还记得《模拟人生》或《动物森友会》中那些栩栩如生的 NPC 吗?他们有自己的性格、记忆和社交关系。本章的赛博小镇将是一个类似的项目，但与传统游戏不同的是，我们的 NPC 拥有真正的”智能”——他们能够理解玩家的对话，记住过去的互动，并根据好感度做出不同的反应。本章的赛博小镇包含以下核心功能： （1）智能 NPC 对话系统：玩家可以与 NPC 进行自然语言对话，NPC 会根据自己的角色设定和记忆做出回应。 （2）记忆系统：NPC 拥有短期记忆和长期记忆，能够记住与玩家的互动历史。 （3）好感度系统：NPC 对玩家的态度会随着互动而变化，从陌生到熟悉，从友好到亲密。 （4）游戏化交互：玩家可以在 2D 像素风格的办公室场景中自由移动，与不同的 NPC 互动。 （5）实时日志系统：所有对话和互动都会被记录，方便调试和分析。 15.1 项目概述与架构设计15.1.1 为什么要构建 AI 小镇传统游戏中的 NPC 通常只能说固定的台词，或者通过预设的对话树进行有限的互动。即使是 ...

第十四章 自动化深度研究智能体在第十三章的旅行助手项目中，我们体验了如何将 HelloAgents 应用于一个多智能体产品。本章我们继续向前，聚焦「知识密集型应用」：构建一个能够自动化执行深度研究任务的智能体助手。 相比旅行规划，深度研究的难点在于信息的不断发散、事实的快速更新以及用户对引用来源的高要求。为了交付可信的研究报告，我们需要让智能体具备三个核心能力： （1）问题剖析：将用户的开放主题拆解为可检索的查询语句。 （2）多轮信息采集：结合不同搜索 API 持续挖掘资料，并去重整合。 （3）反思与总结：依据阶段结果识别知识空白，决定是否继续检索，并生成结构化总结。 14.1 项目概述与架构设计14.1.1 为什么需要深度研究助手在信息爆炸的时代，我们每天都需要快速了解新的技术、概念或事件。传统的研究方式有几个痛点。首先是信息过载。搜索引擎返回成千上万的结果，你需要逐个点开链接，阅读大量内容，才能找到有用的信息。其次是缺少结构。即使找到了相关信息，这些信息往往是碎片化的，缺少系统性的组织。最后是重复劳动。每次研究新主题时，都需要重复”搜索→阅读→总结→整理”的过程。 这就是深度研究助 ...

第十三章 智能旅行助手在前面的章节中，我们从零开始构建了 HelloAgents 框架，实现了多种智能体范式、工具系统、记忆机制、协议通信和性能评估等核心功能。从本章开始，我们将进入一个全新的阶段：将所学知识融会贯通，构建完整的实用应用。 还记得在第一章中，我们构建的第一个智能体吗？那是一个简单的智能旅行助手，展示了Thought-Action-Observation循环的基本原理。本章的智能旅行助手将是一个完整的项目，包含以下核心功能： （1）智能行程规划：用户输入目的地、日期、偏好等信息，系统自动生成包含景点、餐饮、酒店的完整行程计划。 （2）地图可视化：在地图上标注景点位置、绘制游览路线，让行程一目了然。 （3）预算计算：自动计算门票、酒店、餐饮、交通费用，显示预算明细。 （4）行程编辑：支持添加、删除、调整景点，实时更新地图。 （5）导出功能：支持导出为 PDF 或图片，方便保存和分享。 13.1 项目概述与架构设计13.1.1 为什么需要智能旅行助手规划一次旅行是一件既令人兴奋又令人头疼的事情。你需要在网上搜索景点信息，对比不同的攻略，查看天气预报，预订酒店，计算预算，规划路 ...

第十二章 智能体性能评估在前面的章节中，我们构建了 HelloAgents 框架的核心功能，实现了多种智能体范式、工具系统、记忆机制和强化学习训练等。在构建智能体系统时，我们还需要解决一个核心问题：如何客观地评估智能体的性能？ 具体来说，我们需要回答以下问题： 智能体是否具备预期的能力？ 在不同任务上的表现如何？ 与其他智能体相比处于什么水平？ 本章将为 HelloAgents 增加性能评估系统（Evaluation System）。我们将深入理解智能体评估的理论基础，并实现评估的工具。 12.1 智能体评估基础12.1.1 为何需要智能体评估我们现在的 SimpleAgent，它已经具备了强大的推理和工具调用能力。让我们看一个典型的使用场景： 1234567891011121314151617181920212223242526from hello_agents import SimpleAgent, HelloAgentsLLMfrom hello_agents.tools import SearchTool# 创建LLM和智能体llm = HelloAgentsLLM()# ...

第十一章 Agentic-RL11.1 从 LLM 训练到 Agentic RL在前面的章节中，我们实现了多种智能体范式和通信协议。不过智能体处理更复杂的任务时表现不佳，自然会有疑问:如何让智能体具备更强的推理能力?如何让智能体学会更好地使用工具?如何让智能体能够自我改进? 这正是 Agentic RL(基于强化学习的智能体训练)要解决的核心问题。本章将为 HelloAgents 框架引入强化学习训练能力，让你能够训练出具备推理、工具使用等高级能力的智能体。我们将从 LLM 训练的基础知识开始，逐步深入到监督微调(Supervised Fine-Tuning，SFT)、群组相对策略优化(Group Relative Policy Optimization， GRPO)等实用技术，最终构建一个完整的智能体训练 pipeline。 11.1.1 从强化学习到 Agentic RL在第二章的 2.4.2 节中，我们介绍了基于强化学习的智能体。强化学习(Reinforcement Learning， RL)是一种专注于解决序贯决策问题的学习范式，它通过智能体与环境的直接交互，在”试错”中学习如 ...

第十章 智能体通信协议在前面的章节中，我们构建了功能完备的单体智能体，它们具备推理、工具调用和记忆能力。然而，当我们尝试构建更复杂的 AI 系统时，自然会有疑问：如何让智能体与外部世界高效交互？如何让多个智能体相互协作？ 这正是智能体通信协议要解决的核心问题。本章将为 HelloAgents 框架引入三种通信协议：MCP（Model Context Protocol）用于智能体与工具的标准化通信，A2A（Agent-to-Agent Protocol）用于智能体间的点对点协作，ANP（Agent Network Protocol）用于构建大规模智能体网络。这三种协议共同构成了智能体通信的基础设施层。 通过本章的学习，您将掌握智能体通信协议的设计理念和实践技能，理解三种主流协议的设计差异，学会如何选择合适的协议来解决实际问题。 10.1 智能体通信协议基础10.1.1 为何需要通信协议回顾我们在第七章构建的 ReAct 智能体，它已经具备了强大的推理和工具调用能力。让我们看一个典型的使用场景： 12345678910from hello_agents import ReActAgent, ...

第九章 上下文工程在前面的章节中，我们已经为智能体引入了记忆系统与RAG。然而，要让智能体在真实复杂场景中稳定地“思考”与“行动”，仅有记忆与检索还不够——我们需要一套工程化方法，持续、系统地为模型构造恰当的“上下文”。这就是本章的主题：上下文工程（Context Engineering）。它关注的是“在每一次模型调用前，如何以可复用、可度量、可演进的方式，拼装并优化输入上下文”，从而提升正确性、鲁棒性与效率[1][2]。 为了让读者能够快速体验本章的完整功能，我们提供了可直接安装的Python包。你可以通过以下命令安装本章对应的版本： 1pip install "hello-agents[all]==0.2.8" 本章主要介绍上下文工程的核心概念与实践，并在HelloAgents框架中新增了上下文构建器和两个配套工具： ContextBuilder (hello_agents/context/builder.py)：上下文构建器，实现 GSSC (Gather-Select-Structure-Compress) 流水线，提供统一的上下文管理接口 NoteTo ...

第八章 记忆与检索在前面的章节中，我们构建了HelloAgents框架的基础架构，实现了多种智能体范式和工具系统。不过，我们的框架还缺少一个关键能力：记忆。如果智能体无法记住之前的交互内容，也无法从历史经验中学习，那么在连续对话或复杂任务中，其表现将受到极大限制。 本章将在第七章构建的框架基础上，为HelloAgents增加两个核心能力：记忆系统（Memory System）和检索增强生成（Retrieval-Augmented Generation, RAG）。我们将采用”框架扩展 + 知识科普”的方式，在构建过程中深入理解Memory和RAG的理论基础，最终实现一个具有完整记忆和知识检索能力的智能体系统。 8.1 从认知科学到智能体记忆8.1.1 人类记忆系统的启发在构建智能体的记忆系统之前，让我们先从认知科学的角度理解人类是如何处理和存储信息的。人类记忆是一个多层级的认知系统，它不仅能存储信息，还能根据重要性、时间和上下文对信息进行分类和整理。认知心理学为理解记忆的结构和过程提供了经典的理论框架[1]，如图8.1所示。 图 8.1 人类记忆系统的层次结构 根据认知 ...

第七章 构建你的智能体框架在前面的章节中，我们讲解了智能体的基础知识，并体验了主流框架带来的开发便利。从本章开始，我们将进入一个更具挑战也更有价值的阶段：从零开始，逐步构建一个智能体框架——HelloAgents。 为确保学习过程的连贯性与可复现性，HelloAgents 将以版本迭代的方式推进开发。每一章都会在前一章的基础上增加新的功能模块，并将智能体相关的知识点进行串讲与实现。最终，我们将利用这个自建框架，来高效地实现本书后续章节中的高级应用案例。 7.1 框架整体架构设计7.1.1 为何需要自建Agent框架在智能体技术快速发展的今天，市面上已经存在众多成熟的Agent框架。那么，为什么我们还要从零开始构建一个新的框架呢？ （1）市面框架的快速迭代与局限性 智能体领域是一个快速发展的领域，随时会有新的概念产生，对于智能体的设计每个框架都有自己的定位和理解，不过智能体的核心知识点是一致的。 过度抽象的复杂性：许多框架为了追求通用性，引入了大量抽象层和配置选项。以LangChain为例，其链式调用机制虽然灵活，但对初学者而言学习曲线陡峭，往往需要理解大量概念才能完成简单任务。 快速 ...