DataWhale-HelloAgents（第一部分：智能体与语言模型基础）

在学习之前：

•   ✅ 具备基础Python编程能力、对大模型有一定概念
•   ✅ 安装 Python 编程环境（Jupyter / PyCharm / VS Code）{本文将使用Jupyter 作为基础环境}
•   ✅ 具备基础MarkDown语法基础，完成每次学习笔记

特别感谢本教程各位开源贡献者及文睿的支持

2025 年被视为“Agent 元年”，多智能体协同（MAS）成为释放大模型潜能、解决真实复杂问题的关键。然而，网上我们可见的框架纷飞，能够进行系统学习的材料却非常稀缺，此次Hello-Agents 就可以作为链接初学者入门的桥梁，用第一性原理+实战，把开发者从“调 API 的用户”可自行模拟场景的创造者，带大家从零搭出属于自己的多智能体应用。简单来说，会聊天的大模型像装满知识的“大脑”，而 Agent 就是给大脑装上“手脚”和“团队”，让它能自己接单、查资料、写代码、互相讨论，把活干完。学 Agent 别急着追新框架，先弄懂“大脑怎么想、手脚怎么动、队员怎么配合”这三件事，再结合本教程中的一些小项目练手，一点点把流程跑通，即可食用(*╹▽╹*)。。。

什么是智能体？

智能体不是更会聊天的 GPT，而是一套“大模型驱动、具备自主经济学结构且没有感情的数字工人”  
它最核心的专业组件有三件：  

1. 规划模块，通常用 ReAct、Chain-of-Thought 或树搜索算法把用户的一句话拆成可验证的子目标；  
2. 工具调用接口，通过 JSON Schema 或 OpenAI 的 parallel function call 把外部 API、数据库、Python 解释器封装成可执行动作空间（Action Space）；  
3. 记忆与反思机制，利用向量数据库做语义检索，再用 Reflexion、Self-Critique 等提示策略让模型对自己的轨迹进行梯度无关的“元学习”。  

这三件套结束后，Agent 就不再只是“生成答案”，而是“生成动作序列”，在环境中观测（Observation）→ 推理（Reasoning）→ 行动（Action）→ 获得奖励（Reward），形成完整的 POMDP（部分可观察马尔可夫决策过程）回路（这里使用课件的图做以解释，简单来说就是

感知——思考——行动）

多智能体系统进一步把单点智能体升级为“数字组织”。每个 Agent 拥有角色画像（Persona）、私有记忆池（Private Memory）和通信协议（如 ACL、KQL、自然语言信道），通过共识算法（ReAct-Deliberation、LLM-Debate）或博弈策略（Shapley 分配、拍卖机制）完成分工、谈判、甚至互相审计。这就把 LLM 的“涌现”从 token 层提升到系统层——群体智能（Swarm Intelligence）出现，算力即产能。  {这里说的可能有点抽象，大家可以先忽略，不影响后续学习}

安装必要的第三方库（包括requests、tavily-python、openai）

以下是教程样例中的代码：

自己第一次把 Agent 跑通时震撼是：  
        “原来我不是在调接口，而是在雇一个 24h 连轴转的初级算法工程师。”  
给它一篇 arXiv 链接，它能自动拆 related work、跑实验、画曲线、写 README，还把 bug 清单发我邮箱。那一刻我深刻体会到，Agent 的真正杀伤力不在于“更像人”，而在于“把人最值钱的认知流水线封装成可复制的服务”。  

当然，幻觉（Hallucination）、工具误调用（Tool Misuse）、目标漂移（Goal Drift）仍是技术壁垒0，根据以往的项目工程经验：  

• 用“双塔”验证——让 Planner 与 Checker 两个独立模型互相对齐，降低级联错误；  
• 把奖励函数拆成“硬规则 + 软语义”两层，硬规则用 Python assert 不可妥协，软语义用 cosine 相似度给 GPT-4 打分；  
• 记忆分三级：热上下文（2k token）、温向量（24h 内）、冷归档（对象存储），既省成本又防上下文被“记忆淹没”。  

Agent 是大模型从“概率生成器”走向“目标驱动的因果执行器”的桥梁，谁先能把这套“认知-动作”闭环低成本地跑通，谁就拥有下一个十年的自动化红利。

总结材料原文中写的很好，这里直接写入笔记：

• 智能体如何工作？ 从基础上学习了智能体与环境交互的运行机制，这个持续的闭环是智能体处理 信息、做出决策、影响环境并根据反馈调整自身行为的基础。
• 如何构建智能体？以一个“智能旅行助手”为例，构建了一个完整的、由真实 LLM 驱 动的智能体。

Agent 智能体

方案A：固定流程人工审核确定性高、可解释、合规友好、上线快但维护成本高

方案B：智能体的优点是端到端学习、千人千面、持续进化、人工节省，缺点也很明显，需要的数据或算力门槛高。

适用边界

• 单量<1万/日、监管强、规则稳定 → Workflow。
• 单量>5万/日、交易复杂、数据底座成熟 → Agent。

方案C：分层决策架构
规则层兜底硬约束 → Agent层输出“动作+置信度+可解释特征” → 置信度≥98%自动执行，80–98%人机协同，<80%强制人工；反馈闭环持续RLHF。实现自动率↑、成本↓、风险小，所以我选C

提示：思考如何修改 Thought-Action-Observation 循环来实现这些功能。 添加一个”记忆”功能，让智能体记住用户的偏好（如喜欢历史文化景点、预算范围等） 当推荐的景点门票已售罄时，智能体能够自动推荐备选方案 如果用户连续拒绝了 3 个推荐，智能体能够反思并调整推荐策略

不改动 LLM 调用方式，仅通过“记忆槽位 + 新 Action + 反射计数器”即可实现

在 Thought 前追加 System Prompt 片段：

计数器 

• 记忆：Profile 持久化 + System Prompt 注入，零侵入 LLM。
• 备选：新增 Action，以 Observation 状态驱动二次搜索。
• 反射：拒绝计数器 ≥3 时，在 Thought 前插入强制提示，引导 LLM 主动调整策略。

整个 TAO 循环依旧保持“黑盒 Thought → 可观测 Action → Observation”节奏，仅通过“外部状态 + 提示工程”可实现

Hello-Agents-V1.0.0-