[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-80801":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":14,"subscribersCount":14,"size":14,"stars1d":15,"stars7d":16,"stars30d":17,"stars90d":14,"forks30d":14,"starsTrendScore":18,"compositeScore":19,"rankGlobal":9,"rankLanguage":9,"license":9,"archived":20,"fork":20,"defaultBranch":21,"hasWiki":22,"hasPages":20,"topics":23,"createdAt":9,"pushedAt":9,"updatedAt":24,"readmeContent":25,"aiSummary":26,"trendingCount":14,"starSnapshotCount":14,"syncStatus":12,"lastSyncTime":27,"discoverSource":28},80801,"agent-tutorial","ljx1230\u002Fagent-tutorial","ljx1230","agent教程",null,"Python",67,2,38,0,1,9,29,4,1.43,false,"main",true,[],"2026-06-12 02:04:07","# Agent Tutorial Demo\n\n这是一个循序渐进的 Agent 教程仓库，按 `demo1` 到 `demo11` 逐步搭建一个越来越完整的 Agent 系统。\n\n如果你是第一次接触 Agent，建议按顺序学习。这个仓库最有价值的地方，不只是把 demo 跑起来，而是能看清楚消息、记忆、工具、规划、工作流、RAG、MCP 这些能力是怎么一层层长出来的。\n\n## 适合谁\n\n- 想从零理解 Agent 基本组成的人\n- 已经会调用大模型 API，但不清楚如何做成 Agent 的人\n- 想学习 `memory`、`tool calling`、`planning`、`ReAct`、`runtime`、`workflow`、`RAG`、`MCP` 这些核心概念的人\n- 想自己写一个轻量 Agent 框架或 coding agent demo 的人\n\n## 环境准备\n\n仓库中的示例主要使用 Python、DeepSeek Chat API、智谱 Embedding SDK、PostgreSQL pgvector 和 MCP Python SDK。\n\n先安装根依赖：\n\n```bash\npip install -r requirements.txt\n```\n\n大多数 demo 需要配置：\n\n```powershell\n$env:DEEPSEEK_API_KEY=\"你的 API Key\"\n```\n\n`demo10` 额外需要配置：\n\n```powershell\n$env:ZHIPU_API_KEY=\"你的智谱 API Key\"\n$env:PGVECTOR_HOST=\"你的 PostgreSQL 公网访问地址\"\n$env:PGVECTOR_PASSWORD=\"你的数据库密码\"\n```\n\n`demo10` 还需要你自己准备启用了 `pgvector` 扩展的 PostgreSQL 数据库。\n\n## 学习方式\n\n推荐每一节都按这个节奏推进：\n\n1. 先运行当前 demo，感受它能做什么\n2. 再读这一节自己的 `README.md`\n3. 再看入口文件和关键模块，理解整体流程\n4. 最后自己改一个小功能，验证是否真的理解\n\n不要一上来就试图把所有代码一次看懂。最好的学习方式，是按节奏逐步往前推。\n\n## Demo 导航\n\n| Demo | 主题 | 入口 |\n| --- | --- | --- |\n| `demo1` | 最小 LLM 调用 | [demo1\u002FREADME.md](demo1\u002FREADME.md) |\n| `demo2` | 多轮对话与短期记忆 | [demo2\u002FREADME.md](demo2\u002FREADME.md) |\n| `demo3` | Tool Calling 与文件工具 | [demo3\u002FREADME.md](demo3\u002FREADME.md) |\n| `demo4` | 显式规划与状态推进 | [demo4\u002FREADME.md](demo4\u002FREADME.md) |\n| `demo5` | ReAct 风格 Agent 循环 | [demo5\u002FREADME.md](demo5\u002FREADME.md) |\n| `demo6` | 最小 Agent 框架抽象 | [demo6\u002FREADME.md](demo6\u002FREADME.md) |\n| `demo7` | 简化版 Coding Agent | [demo7\u002FREADME.md](demo7\u002FREADME.md) |\n| `demo8` | 固定节点编排的 Workflow Agent | [demo8\u002FREADME.md](demo8\u002FREADME.md) |\n| `demo9` | 带人工审批的 HITL Workflow | [demo9\u002FREADME.md](demo9\u002FREADME.md) |\n| `demo10` | 基于 pgvector 的 RAG Agent | [demo10\u002FREADME.md](demo10\u002FREADME.md) |\n| `demo11` | 基于 MCP Server 的工具接入 | [demo11\u002FREADME.md](demo11\u002FREADME.md) |\n\n## 推荐学习路线\n\n### 路线一：完全新手\n\n按顺序学习 `demo1` 到 `demo11`。每学完一个 demo，都用自己的话回答：\n\n1. 这一节比上一节多了什么能力\n2. 这个能力是靠哪些数据结构和模块实现的\n3. 如果让我自己重写，我会保留什么，简化什么\n\n### 路线二：已经会调 LLM API\n\n可以先快速浏览 `demo1`，重点读 `demo2` 到 `demo5`，再把主要精力放在 `demo6` 到 `demo11`。\n\n### 路线三：想写自己的 Agent 框架\n\n推荐重点关注：\n\n1. `demo3`：工具 schema 和执行闭环\n2. `demo4`：状态与动作设计\n3. `demo5`：ReAct 主循环\n4. `demo6`：框架抽象\n5. `demo7`：面向代码场景的工具设计\n6. `demo8`：节点编排与 workflow 路由\n7. `demo9`：人工确认与安全执行边界\n8. `demo10`：外部知识库、向量检索与 RAG 问答\n9. `demo11`：通过 MCP 接入外部工具生态\n\n## 这套仓库的能力链路\n\n学完这套 demo，通常可以建立下面这条认知链路：\n\n1. LLM 调用本质上只是一次消息请求\n2. 多轮对话本质上是维护 `messages`\n3. Agent 的“记忆”很多时候先从短期上下文开始\n4. Tool Calling 的关键不是“会调工具”，而是“让模型知道什么时候该调”\n5. Planning 是把任务拆成可执行步骤\n6. ReAct 是“思考-行动-观察”循环\n7. 框架化是把 prompt、工具注册、消息存储、运行时循环解耦\n8. Coding agent 的核心工作流通常是：先观察，再定位，再修改，再验证\n9. Workflow 适合稳定步骤和清晰审计链路\n10. HITL 适合高风险动作前的人类确认\n11. RAG 让 Agent 在回答前先查资料\n12. MCP 让 Agent 更容易接入标准化外部工具\n\n## 详细文档在哪里\n\n顶层 README 现在只保留总览和导航。每一节的完整讲解、关键模块、运行方式、学习重点和建议练习，都已经拆到对应的 `demoN\u002FREADME.md` 里。\n\n你可以直接从上面的 demo 导航进入任意一节继续看。\n","这个项目是一个逐步构建完整Agent系统的教程仓库，旨在帮助开发者从零开始理解并实现Agent的基本组成。它通过一系列从`demo1`到`demo11`的示例，展示了消息处理、记忆机制、工具调用、规划能力、工作流设计、RAG（检索增强生成）以及MCP（多组件平台）等核心概念和技术点是如何一步步集成起来的。适合那些希望深入了解Agent架构原理，并能实际动手编写轻量级Agent框架或演示代码的学习者。项目基于Python语言开发，使用了包括DeepSeek Chat API在内的多种技术栈。","2026-06-11 04:02:23","CREATED_QUERY"]