012 小时
理解 Agent
先弄懂 LLM、提示词、记忆和 Agent 循环，不在概念里迷路。
</> 面向开发者的 AI Agent 实战教程
从零开始，真正做出你的第一个 AI Agent
一条可执行的中文学习路线，从 LLM 基础、工具调用、LangGraph， 一路学到 RAG、评估与生产部署。
12 个章节40+ 可运行示例6 个实战项目
Py agent.py ×＋
from typing import Callable
def tool(fn: Callable) -> Callable:
fn.is_tool = True
return fn
@tool
def get_weather(city: str) -> str:
"""查询指定城市的天气。"""
return f"{city}：晴，24°C，微风"
def run_agent(question: str) -> str:
city = "东京" if "东京" in question else "广州"
return get_weather(city)
print(run_agent("东京今天天气如何？"))运行结果⌘ ⌫
› 点击运行，观察 Agent 如何选择并调用工具
LEARNING PATH
清晰的学习路线
不堆概念。每一步都有代码、练习和可以验收的成果。
026 小时
让 Agent 会做事
从 Function Calling 到工具设计，让模型可靠地调用外部能力。
038 小时
构建工作流
用 LangGraph 组织状态、多步骤流程、分支、重试与人工审批。
全程配套可运行代码实验室
编辑、运行、观察执行轨迹——无需配置环境，先把原理真正跑通。
12 CHAPTERS
从原理到生产的完整课程
建议每周投入 5–7 小时，四周完成主线。你可以标记章节，实时看到当前学习进度。
BROWSER LAB
在线代码实验室
无需 API Key。编辑示例并运行，先观察 Agent 的决策轨迹；真实模型接入在第 4 章完成。
⌁准备就绪
点击“运行代码”查看逐步执行过程。
BUILD FOR REAL
6 个逐级进阶的实战项目
不只写 Demo。每个项目都有需求、架构拆解、关键代码和验收清单。
01入门
智能天气助手
练习意图识别、参数提取和单工具调用。
02入门
网页研究助手
搜索、筛选、归纳网页并保留引用来源。
03进阶
个人知识库 Agent
上传文档后检索、重排并给出可追溯回答。
04进阶
客服工单工作流
分类、检索、生成回复，高风险工单人工审批。
05挑战
数据分析 Agent
让 Agent 编写查询、执行分析并生成结论。
06挑战
多 Agent 内容团队
研究、写作、审核三个角色协同完成内容。
START HERE
准备好 Python，15 分钟开始
课程默认使用 Python 3.11+。先在浏览器里理解原理，再把真实模型、LangGraph 和向量库接入本地项目。
- ✓ 有前端或任意编程基础即可
- ✓ 不要求机器学习和数学背景
- ✓ 每章都提供可复制的最小代码
● ● ●Terminal
# 1. 创建虚拟环境
python -m venv .venv
source .venv/bin/activate
# 2. 安装主线依赖
pip install langgraph langchain openai
# 3. 启动你的第一个 Agent
python examples/01_first_agent.py✓ Windows 用户将激活命令替换为 .venv\Scripts\activate
FAQ
开始前，你可能想知道
这套教程适合完全零基础吗？＋
适合 Agent 零基础，但建议至少掌握一种编程语言的变量、函数和异步概念。课程会补齐 Python 语法差异。
为什么主线选择 Python 和 LangGraph？＋
Python 的 AI 生态完整，LangGraph 又能把状态、分支、重试和人工介入显式表达，适合从 Demo 走向生产。
在线实验室会产生模型费用吗？＋
不会。当前实验室在浏览器中模拟执行轨迹，不调用真实模型。涉及真实 API 的章节会明确说明密钥和成本。
学完后能做出什么？＋
你会完成工具调用 Agent、RAG 知识库、人工审批工作流与多 Agent 团队，并掌握评估、部署和安全边界。