🦾AI 智能体
从智能体基础到 smolagents / LlamaIndex / LangGraph 框架，再到 Agentic RAG 与实战，系统掌握 AI 智能体的理论与工程。
共 70 篇教程 · 11 个主题
课程导论
1 篇第 1 单元 · 智能体基础
15 篇 什么是智能体？ 用 Alfred 的类比讲清智能体的定义、能动性层次，以及 LLM 如何借助工具与环境交互。 什么是大语言模型（LLMs）？ 讲解 LLM 的定义、Transformer 架构、自回归与下一个词元预测、注意力机制、提示与训练方式，以及其在智能体中的作用。 什么是工具？ 讲解 AI 智能体中工具的定义、运作机制，以及如何通过系统消息和 Python 自省自动生成工具描述，并介绍 MCP 统一接口。 动作：使智能体能够与环境交互 讲解智能体动作的类型、停止与解析方法，以及代码智能体相较 JSON 智能体的优势。 思维机制：内部推理与 ReAct 方法 解析 AI 智能体的内部思维机制与 ReAct 方法：如何将复杂任务分解、规划并逐步推理。 观察：整合反馈以反思和调整 解释智能体如何通过 Observations 感知行动结果，把环境反馈整合进上下文并据此动态调整策略。 消息和特殊 Tokens 理解聊天模板如何将系统、用户、助手消息格式化为 LLM 可识别的提示，以及特殊 token 与 ChatML 的作用。 通过思考-行动-观察循环理解 AI 智能体 以阿尔弗雷德天气智能体为例，拆解智能体的思考（Thought）-行动（Action）-观察（Observation）循环及其迭代工作机制。 使用 smolagents 创建第一个智能体 动手用 smolagents 构建第一个智能体，集成搜索、天气、图像生成等工具，并发布到 Hugging Face Space 分享。 简单智能体库（Dummy Agent Library） 通过手写一个最小智能体，演示系统提示、思考-行动-观察循环，以及用 Serverless API 调用 LLM 并手动拼接工具执行结果的全过程。 智能体简介 第一单元导览，概览智能体基础：理解智能体、LLM 的角色、工具与行动、智能体工作流程，以及用 smolagents 构建第一个智能体。 总结：第一单元 第一单元收尾——巩固智能体基础知识、获取证书与反馈，并预告微调函数调用的进阶单元。 自测题：智能体基础（第 1 单元） 6 道选择题巩固“什么是智能体”——涵盖定义、规划作用、工具增强、行动与工具区别、LLM 角色与典型示例。 自测题：LLM、消息系统与工具（第 1 单元） 5 道选择题巩固 LLM 定义、特殊标记作用、聊天模型消息处理流程，以及工具的本质与调用方式。 自测题：第一单元综合测验 第一单元结束后在 Hugging Face Hub 托管的交互式选择题测验，附结业证书说明。
第 2 单元 · 框架概览
1 篇第 2 单元 · smolagents
12 篇 smolagents 简介 smolagents 轻量级智能体框架概览：代码智能体、工具调用智能体、检索智能体、多智能体编排及视觉与浏览器能力。 为什么选择 smolagents 剖析 smolagents 框架的优缺点，讲解其代码优先（Code Agent）理念、智能体类型与灵活的 LLM 模型集成方式，帮你判断何时选用它。 构建使用代码的智能体 介绍 smolagents 中默认的「代码智能体」，它用 Python 代码表达工具调用，并通过派对策划实例演示其用法与可观测性。 将操作编写为代码片段或 JSON 结构 对比 smolagents 中 CodeAgent 与 ToolCallingAgent 的操作表示，讲解工具调用智能体如何以 JSON 结构生成工具指令。 工具（smolagents） 讲解 smolagents 中工具的定义方式（@tool 装饰器与 Tool 子类）、默认工具箱，以及如何将自定义工具共享到 Hub 并导入社区、Space 与 LangChain 工具。 构建智能驱动的 RAG 系统 用 smolagents 将自主智能体与动态知识检索结合，构建支持 DuckDuckGo 搜索与自定义知识库检索的智能驱动 RAG 系统。 多智能体系统 在 smolagents 中构建多智能体系统：以 Batman 取景地转运任务为例，演示如何拆分任务、编排管理智能体与专业子智能体协作。 使用 smolagents 构建视觉智能体 演示如何用 smolagents 与视觉语言模型（VLM）构建能核验身份的视觉智能体，含初始图像与网页动态检索两种方式。 自测题：smolagents 基础（第 2 单元） 5 道选择题巩固 smolagents：核心优势、适用场景、模型集成灵活性、代码与 JSON 操作、Hugging Face Hub 集成。 自测题：代码智能体与工具调用（第 2 单元） 5 道选择题巩固 smolagents 的代码智能体、工具调用智能体与默认工具箱——涵盖工具定义、ReAct 循环、Hub 共享、JSON 调用与工具箱内容。 smolagents 模块小结（第 2 单元） 总结第二单元 smolagents 模块的学习成果，并指引后续使用 LlamaIndex 构建智能体的方向。 自测题：smolagents 框架（第 2 单元） smolagents 单元测试——以交互式形式托管在 Hugging Face Space 上，检验你对 smolagents 库的理解。
第 2 单元 · LlamaIndex
9 篇 LlamaIndex 简介 介绍用 LlamaIndex 构建 LLM 驱动智能体的核心组成——组件、工具、智能体与工作流，及其工作流与 LlamaHub 等优势。 LlamaIndex 中的组件是什么？ 以 Alfred 筹备晚宴为例，介绍 LlamaIndex 中 QueryEngine 等核心组件，以及如何用加载、索引、存储、查询、评估五阶段构建 RAG 流程。 在 LlamaIndex 中使用智能体 在 LlamaIndex 中使用 AgentWorkflow 构建函数调用、ReAct 与多智能体系统，并封装 QueryEngineTool 实现 Agentic RAG。 在 LlamaIndex 中使用工具 介绍 LlamaIndex 的四种工具类型（FunctionTool、QueryEngineTool、Toolspecs、Utility Tools）及其创建方式。 在 LlamaIndex 中创建智能工作流 介绍 LlamaIndex 工作流：以事件触发步骤，用 Workflow 类、@step 与 StartEvent/StopEvent 构建多步流程，并支持状态管理与多智能体协作。 LlamaHub 简介 介绍 LlamaHub 注册中心及其组件的安装与用法，并以 Hugging Face 推理 API 集成示例演示 LLM 组件的接入。 自测题：LlamaIndex 组件与工具（第 2 单元） 4 道选择题巩固 LlamaIndex 的 QueryEngine、FunctionTools、Toolspecs 与工具创建要点。 自测题：LlamaIndex 智能体工作流（第 2 单元） 4 道选择题巩固 LlamaIndex 的 AgentWorkflow、状态管理、记忆保持与 Agentic RAG 等核心概念。 LlamaIndex 模块结语（第二单元） 完成第二单元 LlamaIndex 模块后的总结与下一步指引，鼓励构建搜索引擎并反馈课程。
第 2 单元 · LangGraph
7 篇 欢迎来到 LangGraph 的世界 了解 LangGraph 框架如何为 LLM 工作流提供可控、生产就绪的编排能力，以及本单元的五个学习模块。 LangGraph 的核心构建模块 拆解 LangGraph 应用的核心组件——状态、节点、边与状态图，并给出可运行的示例代码。 构建你的第一个 LangGraph 用 LangGraph 搭建 Alfred 的邮件处理工作流，演示状态定义、节点、条件路由，并接入 Langfuse 做可观测性。 使用 LangGraph 构建文档分析智能体 以“管家 Alfred”为角色，演示用 LangGraph 搭建一个能处理图像文档、提取文本、做计算并生成摘要的文档分析智能体。 何时使用 LangGraph？ 从“控制 vs 自由度”权衡出发，讲清 LangGraph 的定位、核心图结构（节点/边/状态）以及相比原生 Python 的优势。 自测题：LangGraph（第 2 单元） 5 道选择题巩固 LangGraph 的设计目的、控制与自由的权衡、State 角色、条件边与幻觉缓解策略。 结语（LangGraph 模块） 第二单元 LangGraph 模块的收官小结，回顾所学结构化工作流，并给出官方文档、入门课程与反馈表单等延伸资源。
第 3 单元 · Agentic RAG
6 篇 代理增强检索生成（Agentic RAG）用例介绍 通过 Agentic RAG 帮 Alfred 筹备派对的实战用例介绍：用检索增强生成为智能体赋予实时问答能力。 创建你的 Gala 智能体 将嘉宾检索、网络搜索、天气与 Hub 统计等工具整合成完整的 Alfred 智能体，并演示多框架实现与对话记忆。 构建并集成智能体工具（智能体 RAG） 以 Alfred 为例，为智能体集成网络搜索、天气查询与 Hugging Face Hub 统计三类工具，并分别用 smolagents、LlamaIndex、LangGraph 实现。 智能体增强检索生成（Agentic RAG） 讲解 Agentic RAG 如何用工具与流程增强检索，让智能体自主决定检索路径以解答数据问题。 创建宾客信息检索增强生成（RAG）工具 以 Alfred 筹备晚会为例，讲解如何基于专属数据集构建 RAG 检索工具，并分别用 smolagents、LlamaIndex、LangGraph 三种框架与智能体集成。 智能体 RAG：总结 回顾单元 3 智能体增强检索生成（RAG）系统——Alfred 如何借助结构化知识、实时信息、领域工具与记忆筹备晚会。
第 4 单元 · 结业项目
5 篇 欢迎来到最后一个单元（第 4 单元） 课程收官单元概览——以构建自己的智能体并用 GAIA 基准子集评估（需达到 30% 以上）作为结业项目，获取课程证书。 什么是 GAIA？ 介绍 GAIA 基准——用于评估 AI 助手在真实世界多步骤任务上表现的评测集，及其核心原则、难度等级与示例。 动手实践：提交你的最终智能体 讲解 Unit 4 排行榜数据集、评分 API 路由与提交流程，指导如何提交最终智能体参与 GAIA 评测。 那现在呢？我应该学习哪些主题？ 介绍 Agentic AI 领域两个关键协议——模型上下文协议（MCP）与代理对代理（A2A）协议，及其在连接工具与多智能体协作中的作用。 结论 课程收官——回顾你的 AI 智能体学习之旅，并指向 MCP 等进阶资源，鼓励持续学习。
附加单元 1 · 函数调用微调
4 篇 附加单元 1 简介：为函数调用微调大语言模型 本附加单元介绍如何为函数调用（Function Calling）微调大语言模型，涵盖思考到行动到观察循环、LoRA 与特殊词元。 什么是函数调用？ 讲解函数调用如何让 LLM 通过微调学会使用工具，以及对话中新增的 Action 与 Observation 角色和特殊词元。 为函数调用微调模型 基于 Gemma-2-2B-IT 与 LoRA 技术，为函数调用能力微调一个大语言模型，并接入函数调用训练流程。 附加单元一：结论 回顾附加单元一的核心收获：理解函数调用并微调模型实现函数调用，并为进入框架单元（smolagents、LlamaIndex、LangGraph）做准备。
附加单元 2 · 可观测性与评估
4 篇 AI 智能体的可观测性与评估 介绍附加单元 2——用 OpenTelemetry 集成、指标监控、实时与离线评估来观测并持续提升 AI 智能体的性能。 AI 智能体可观测性与评估 介绍 AI 智能体的可观测性概念、关键监控指标，以及离线评估与在线评估两类评估方法如何协同保障智能体质量。 附加单元 2：AI 智能体的可观测性与评估 用开源可观测性工具（OpenTelemetry + Langfuse）追踪智能体内部步骤，并介绍在线与离线评估方法。 自测题：智能体可观测性与评估（附加单元二） 5 道选择题巩固附加单元二——可观测性、监控指标、离线与在线评估，以及 OpenTelemetry 的角色。
附加单元 3 · 实战
6 篇 奖励单元 3 介绍：AI 智能体与游戏 概述 AI 智能体与游戏的交汇，讲解如何用智能体构建宝可梦风格回合制战斗，并给出进阶学习资源。 从 LLM 到 AI 智能体 通过游戏 NPC 的例子讲清 LLM 与 AI 智能体的区别，以及智能体在自主性、适应性、持久性上的优势与当前的延迟限制。 游戏中使用 LLM 的最新技术 通过四个技术演示与一款已发布游戏，了解 LLM 如何驱动游戏中的 AI NPC 与实时叙事。 构建你自己的宝可梦对战智能体 用 Poke-env、Pokémon Showdown、LLMAgentBase 与 TemplateAgent 四个构建块，动手搭建一个由 LLM 驱动的宝可梦回合制战斗智能体。 启动你的宝可梦战斗智能体 介绍如何观看直播智能体对战，以及将自己的宝可梦战斗智能体上传到竞技场 Space 与其他智能体对抗。 结论：你的宝可梦战斗智能体 完成 Bonus Unit 3 后的总结与进阶思考，回顾智能体工作流基础并给出改进方向。
没有匹配的教程，换个关键词、难度或主题试试。