GraphCanon updated 5d · GitHub synced 5d
Decision brief
hello-agents is a comprehensive guide and hands-on tutorial for developing AI agents using LLMs (Large Language Models) and RAG methods.
Good fit when
- You should use hello-agents if you are interested in practical, step-by-step instructions on building intelligent agents from the ground up.
- Select hello-agents if your goal is to deepen your understanding of both foundational concepts and advanced techniques like LLMs and Retrieval-Augmented Generation (RAG), which it uniquely emphasizes.
Avoid when
- Avoid using hello-agents if you are looking for a quick, superficial introduction to AI agents; this tool focuses heavily on in-depth learning and practical application.
- Do not opt for hello-agents if you want a more general AI development resource; unlike some competitors, it has a narrower focus specifically on agent creation with advanced methods like LLMs and RAG.
- Requirements:
- Min 4 GB RAM; Python knowledge assumed
Observed Jul 11, 2026 · Source: enrich:decision_facts
Verify the decision
Maintenance and security
Full trust report- Maintenance
- Very active (1d since push)
- As of 5d
- Provenance
- Not a fork · Organization account
- As of 5d
- Security (OSV)
- No lockfile
- As of 1mo
Public GitHub metadata and optional OSV scans. Signals, not a guarantee. Trust methodology.
Install
pip install hello-agentsHow it fits your stack(15)
Typed graph edges - alternatives, integrations, successors, and dependencies. Ranked by relationship type, not raw GitHub stars.
Alternative
Integrates
Related
Relationship graph
Optional deeper exploration of typed edges and category neighbours.
langflow153k★
llm-course82k★easy-vibe19k★
yu-ai-agent2.6k★
langchain144k★
Prompt-Engineering-Guide78k★
dynamiq1.1k★
AutoGPT187k★
awesome-llm-apps131k★langflow153k★llm-course82k★easy-vibe19k★yu-ai-agent2.6k★langchain144k★Prompt-Engineering-Guide78k★dynamiq1.1k★AutoGPT187k★awesome-llm-apps131k★Similar tools
Same-category neighbours not already linked as typed edges.
Evidence and technical details
Sourced facts, taxonomy, compatibility claims, README excerpt, and machine-readable endpoints.
Overview
A comprehensive guide and practical tutorial for constructing AI agents, including an introduction to LLMs and RAG methods.
Capability facts
- Languages
- python
Source: github.language · Aug 16, 2026
Categories
Graph entities
Compatibility
Sourced claims from the README excerpt - not unsourced marketing copy.
Source: README excerpt (regex_v1, Aug 16, 2026)
docs/chapter6/第六章%20框架开发实践.md) | AutoGen、AgentScope、LangGraph 等主流框架应用 | ✅ |Source link
Tags
README
Hello-Agents
🤖 《从零开始构建智能体》
从基础理论到实际应用，全面掌握智能体系统的设计与实现
🎯 项目介绍
如果说 2024 年是"百模大战"的元年，那么 2025 年无疑开启了"Agent 元年"。技术的焦点正从训练更大的基础模型，转向构建更聪明的智能体应用。然而，当前系统性、重实践的教程却极度匮乏。为此，我们发起了 Hello-Agents 项目，希望能为社区提供一本从零开始、理论与实战并重的智能体系统构建指南。
Hello-Agents 是 Datawhale 社区的系统性智能体学习教程。如今 Agent 构建主要分为两派，一派是 Dify，Coze，n8n 这类软件工程类 Agent，其本质是流程驱动的软件开发，LLM 作为数据处理的后端；另一派则是 AI 原生的 Agent，即真正以 AI 驱动的 Agent。本教程旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将带领你穿透框架表象，从智能体的核心原理出发，深入其核心架构，理解其经典范式，并最终亲手构建起属于自己的多智能体应用。我们相信，最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点，能够从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。
📚 快速开始
在线阅读
本地阅读
如果您希望在本地阅读或贡献内容，请参考下方的学习指南。
✨ 你将收获什么？
- 📖 Datawhale 开源免费 完全免费学习本项目所有内容，与社区共同成长
- 🔍 理解核心原理 深入理解智能体的概念、历史与经典范式
- 🏗️ 亲手实现 掌握热门低代码平台和智能体代码框架的使用
- 🛠️ 自研框架 HelloAgents 基于 Openai 原生 API 从零构建一个自己的智能体框架
- ⚙️ 掌握高级技能 一步步实现上下文工程、Memory、协议、评估等系统性技术
- 🤝 模型训练 掌握 Agentic RL，从 SFT 到 GRPO 的全流程实战训练 LLM
- 🚀 驱动真实案例 实战开发智能旅行助手、赛博小镇等综合项目
- 📖 求职面试 学习智能体求职相关面试问题
📖 内容导航
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 前言 | 项目的缘起、背景及读者建议 | ✅ |
| 第一部分：智能体与语言模型基础 | ||
| 第一章 初识智能体 | 智能体定义、类型、范式与应用 | ✅ |
| 第二章 智能体发展史 | 从符号主义到 LLM 驱动的智能体演进 | ✅ |
| 第三章 大语言模型基础 | Transformer、提示、主流 LLM 及其局限 | ✅ |
| 第二部分：构建你的大语言模型智能体 | ||
| 第四章 智能体经典范式构建 | 手把手实现 ReAct、Plan-and-Solve、Reflection | ✅ |
| 第五章 基于低代码平台的智能体搭建 | 了解 Coze、Dify、n8n 等低代码智能体平台使用 | ✅ |
| 第六章 框架开发实践 | AutoGen、AgentScope、LangGraph 等主流框架应用 | ✅ |
| 第七章 构建你的Agent框架 | 从 0 开始构建智能体框架 |
For agents
This page has a .md twin and JSON over the API.