尧图网站建设 
Hello-Agents 共创项目模板指南基于 HelloAgents 框架构建你的第一个智能体项目【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文面向 Hello-Agents 教程的读者与贡献者系统讲解共创项目Co-creation Project的标准工程模板。模板以 HelloAgents 框架为核心通过SimpleAgent智能体、BaseTool自定义工具与 Jupyter Notebook 工作流构成一套可复制的环境配置 → 工具定义 → 智能体构建 → 功能演示 → 评估总结开发范式。读完本文你将掌握如何基于模板在本地搭建一个完整的 Agent 应用骨架并能对照仓库内多个已完成的共创项目理解其落地细节。背景共创项目在 Hello-Agents 中的定位Hello-Agents 是 Datawhale 社区发起的系统性智能体学习教程见 仓库根 README涵盖从智能体原理、经典范式到协议、评估与综合案例的完整知识体系。其中第十六章毕业设计指向仓库下的Co-creation-projects目录见 共创路径说明鼓励读者将所学落地为独立项目。EXAMPLE-ProjectTemplate正是为此准备的标准项目骨架仓库中的 模板 README 提供了项目说明文档的写作框架模板 Notebook 则提供了从环境配置到功能演示的完整代码组织方式。本文以该模板为骨架结合仓库内已完成的共创项目与源码讲解如何规范、高效地构建一个 HelloAgents 智能体项目。项目模板结构一览模板目录包含三个文件职责划分清晰文件作用README.md项目说明文档模板简介、核心功能、技术栈、快速开始、示例、亮点、评估、未来计划等main.ipynb主程序 Notebook6 个部分串联环境配置、工具定义、智能体构建、功能演示与总结requirements.txt核心依赖清单锁定hello-agents[all]0.2.7等关键包模板的requirements.txt查看原文包含五类依赖可作为新项目的基础# 核心依赖 hello-agents[all]0.2.7 # LLM相关 openai1.0.0 # 数据处理 pandas2.0.0 numpy1.24.0 # 其他工具 python-dotenv1.0.0 requests2.31.0其中hello-agents[all]是 HelloAgents 框架的完整安装选项openai用于对接 OpenAI 兼容的 LLM 接口pandas/numpy支撑数据处理类工具python-dotenv负责从.env文件加载 API 密钥等环境变量requests提供 HTTP 调用能力。第 1 步环境配置模板 Notebook 第 1 部分完成依赖安装、库导入与环境变量加载代码骨架如下见 main.ipynb# 安装依赖如果需要 # !pip install -q hello-agents[all] # 导入必要的库 from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.tools import BaseTool import os from dotenv import load_dotenv # 加载环境变量 load_dotenv() print(✅ 环境配置完成)环境要求与安装模板 README 明确要求Python 3.10Notebook 的 kernel metadata 同样标注python3、version: 3.10.0。安装依赖使用pip install -r requirements.txt配置 API 密钥模板 README 给出的密钥配置方式如下# 创建.env文件 cp .env.example .env # 编辑.env文件填入你的API密钥 # OPENAI_API_KEYyour_key_hereNotebook 中则通过load_dotenv()加载.env。仓库中的实际共创项目在此基础上扩展了更丰富的环境变量。例如 DataAnalysisAgent 的 Notebook 直接使用os.environ设置四个关键参数os.environ[LLM_MODEL_ID] Qwen/Qwen3-8B os.environ[LLM_API_KEY] ms-xxx os.environ[LLM_BASE_URL] https://api-inference.modelscope.cn/v1/ os.environ[LLM_TIMEOUT] 60由此可以推断HelloAgentsLLM 通过LLM_MODEL_ID模型标识、LLM_API_KEY密钥、LLM_BASE_URLOpenAI 兼容的接口地址、LLM_TIMEOUT请求超时秒数这四个环境变量完成 LLM 客户端初始化既支持 OpenAI 官方接口也支持 ModelScope、DeepSeek、Qwen 等 OpenAI 兼容服务。项目贡献者在 HelloCodeAgentCli README 中同样提到HelloAgentsLLM 是统一 LLM 接口支持 OpenAI/DeepSeek/Qwen 等与上述推断相互印证。第 2 步自定义工具定义模板第 2 部分展示如何通过继承BaseTool定义工具class CustomTool(BaseTool): 自定义工具类 name tool_name description 工具描述 def run(self, query: str) - str: 工具执行逻辑 # 实现你的工具逻辑 return f处理结果{query} print(✅ 工具定义完成)BaseTool是 HelloAgents 工具体系的基类子类通过类属性name与description声明工具元信息并实现run方法承载执行逻辑。该元信息会在智能体的工具调用流程中被注入系统提示词供 LLM 判断何时调用哪个工具。仓库中的共创项目展示了两种工具实现风格继承BaseTool模板风格适合逻辑简单的工具继承Tool并传入ToolParameter参数描述DataAnalysisAgent 风格例如 DataAnalysisAgent Notebook 中from hello_agents.tools import Tool, ToolParameter其DataCleaningTool在__init__中显式声明namedata_cleaner与描述run(self, parameters: Dict[str, Any])接收结构化参数如data_json、drop_na、columns_to_keep并在执行中对缺失参数、空数据、非法列名等边界情况返回明确的错误信息。这说明 HelloAgents 工具接口同时支持简单的字符串入参与结构化的字典参数两种形态后者更适合参数较多的数据类工具。第 3 步智能体构建模板第 3 部分完成 LLM 实例化、系统提示词定义与智能体装配# 创建LLM llm HelloAgentsLLM() # 定义系统提示词 system_prompt 你是一个智能助手。 你的任务是 1. 理解用户的需求 2. 使用合适的工具 3. 提供有帮助的回答 # 创建智能体 agent SimpleAgent( name示例智能体, llmllm, system_promptsystem_prompt ) # 添加工具 agent.add_tool(CustomTool()) print(✅ 智能体构建完成)SimpleAgent是 HelloAgents 提供的基础对话智能体构造参数包括name、llm与可选的system_prompt通过add_tool为智能体挂载工具。该设计在框架源码中同样得到印证教程 第七章构建你的Agent框架 中自定义的MySimpleAgent继承自SimpleAgent其构造函数签名扩展为name, llm, system_prompt, config, tool_registry, enable_tool_calling并在run方法中先组装system/user/assistant消息列表再调用self.llm.invoke(messages)获取回复启用工具调用时则进入多轮工具调用循环max_tool_iterations控制最大迭代轮次。由此可见HelloAgentsLLM.invoke与SimpleAgent.add_tool正是框架LLM 推理 工具执行闭环的两个核心接口。第 4 步功能演示模板第 4 部分通过两个示例调用展示智能体能力# 示例1基础功能 print( 示例1基础功能 ) result agent.run(你的测试输入) print(result)# 示例2复杂场景 print(\n 示例2复杂场景 ) result agent.run(更复杂的测试输入) print(result)建议示例 1 使用最简输入验证链路连通性示例 2 覆盖多工具协同或长流程场景。参考仓库中已完成项目如 DataAnalysisAgent 输出outputs/echarts.html可视化与outputs/report.md分析报告你可以在演示环节加入结果落盘将智能体的产出持久化为文件便于后续评估与展示。第 5 步性能评估可选模板第 5 部分预留了评估代码位注释提示可测试准确率、响应时间等指标。对于智能体项目评估项可包括任务成功率、工具调用准确率、单轮响应延迟、多轮迭代次数等。仓库中已有项目提供了评估参考例如 DatabaseAgent 的 test.py 通过独立测试脚本对智能体的数据库操作能力进行校验可作为评估环节的落地范式评估代码与主程序分离输出结构化结果。第 6 步总结与展望模板第 6 部分要求从三个维度收尾实现的功能清单化列出已交付能力遇到的挑战与解决方案如工具参数解析失败、LLM 输出格式不稳定、长流程中断等真实问题及对策未来改进方向如接入 Memory/RAG、升级为 ReAct 或 Plan-and-Solve 范式、增加多智能体协作等。README 写作规范让项目可被检索与复用模板 README 给出了 12 个标准章节见 模板 README本节结合仓库中的已实现项目说明每部分的填写要点章节填写要点仓库实例项目名称/一句话描述点明基于 HelloAgents 框架的 XXX 工具DataAnalysisAgent 描述为基于HelloAgents框架的智能数据分析工具项目简介解决什么问题、特色功能、适用场景见 DataAnalysisAgent README核心功能使用- [ ]清单逐项列出如数据分析、智能建议、报告生成技术栈标注 HelloAgents 框架、智能体范式、工具与 API、依赖库如HelloAgents 框架SimpleAgent、OpenAI API快速开始环境要求Python 3.10、安装依赖、配置密钥、运行方式密钥可通过.env或 Notebook 内os.environ配置使用示例包含代码与运行结果最好给出数据输入与输出产物路径如数据放data/、结果输出到outputs/项目亮点/性能评估/未来计划实事求是无评估数据可留空或写明待补充禁止虚构准确率、响应时间等数字贡献指南/许可证/作者/致谢按模板填写致谢 Datawhale 社区与 Hello-Agents 项目—一个值得借鉴的细节DataAnalysisAgent README 提供了完整的 项目目录结构说明README.md、main.ipynb、data/、outputs/等清晰的目录树能显著提升项目的可读性与可维护性。从模板到完整项目仓库中的参考实现模板的价值在于可复制。仓库Co-creation-projects下已积累了大量遵循该套路的共创项目可作为不同技术方向的参考数据分析类DataAnalysisAgent 结合SimpleAgent、Tool/ToolParameter工具体系与 AST 代码解析实现数据清洗、统计、可视化与报告生成输出 ECharts HTML 与 Markdown 报告数据库类DatabaseAgent 提供 SQL 建表脚本、智能体源码与独立测试脚本展示数据层 Agent 层 测试层的完整工程结构代码助手类HelloCodeAgentCli 基于HelloAgentsLLM、ReActAgent、TerminalTool、NoteTool、MemoryTool等组件构建类似 Claude Code/Codex 的 CLI 助手展示如何用框架组件组合出更复杂的应用形态工具协议类Smart Recipe Agent 通过protocol_tools.py等文件封装自定义工具协议。从这些项目可以归纳出模板之外的通用工程经验环境变量统一管理密钥统一走.env或 Notebook 顶部的os.environ配置块避免硬编码输入输出目录分离数据放入data/生成物HTML、MD、JSON落入outputs/测试与主程序分离为关键工具或智能体链路编写独立测试脚本文档即交付物README 覆盖安装、配置、运行、示例与评估降低他人复用的门槛。小结本文以EXAMPLE-ProjectTemplate为骨架完整讲解了 Hello-Agents 共创项目的六步开发流程——环境配置、工具定义、智能体构建、功能演示、性能评估与总结展望并给出了 README 的 12 节写作规范。模板依赖hello-agents[all]0.2.7核心 API 为HelloAgentsLLM统一 LLM 接口、SimpleAgent基础智能体支持add_tool挂载工具与BaseTool/Tool工具基类。结合仓库内已完成的共创项目与 第七章源码 可以确认这套模板背后是LLM 推理 工具执行 消息循环的通用 Agent 架构。新项目只需复制模板、填充业务逻辑即可快速产出规范、可复用、可评估的智能体应用。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Hello-Agents 共创项目模板指南：基于 HelloAgents 框架构建你的第一个智能体项目
Hello-Agents 共创项目模板指南基于 HelloAgents 框架构建你的第一个智能体项目【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文面向 Hello-Agents 教程的读者与贡献者系统讲解共创项目Co-creation Project的标准工程模板。模板以 HelloAgents 框架为核心通过SimpleAgent智能体、BaseTool自定义工具与 Jupyter Notebook 工作流构成一套可复制的环境配置 → 工具定义 → 智能体构建 → 功能演示 → 评估总结开发范式。读完本文你将掌握如何基于模板在本地搭建一个完整的 Agent 应用骨架并能对照仓库内多个已完成的共创项目理解其落地细节。背景共创项目在 Hello-Agents 中的定位Hello-Agents 是 Datawhale 社区发起的系统性智能体学习教程见 仓库根 README涵盖从智能体原理、经典范式到协议、评估与综合案例的完整知识体系。其中第十六章毕业设计指向仓库下的Co-creation-projects目录见 共创路径说明鼓励读者将所学落地为独立项目。EXAMPLE-ProjectTemplate正是为此准备的标准项目骨架仓库中的 模板 README 提供了项目说明文档的写作框架模板 Notebook 则提供了从环境配置到功能演示的完整代码组织方式。本文以该模板为骨架结合仓库内已完成的共创项目与源码讲解如何规范、高效地构建一个 HelloAgents 智能体项目。项目模板结构一览模板目录包含三个文件职责划分清晰文件作用README.md项目说明文档模板简介、核心功能、技术栈、快速开始、示例、亮点、评估、未来计划等main.ipynb主程序 Notebook6 个部分串联环境配置、工具定义、智能体构建、功能演示与总结requirements.txt核心依赖清单锁定hello-agents[all]0.2.7等关键包模板的requirements.txt查看原文包含五类依赖可作为新项目的基础# 核心依赖 hello-agents[all]0.2.7 # LLM相关 openai1.0.0 # 数据处理 pandas2.0.0 numpy1.24.0 # 其他工具 python-dotenv1.0.0 requests2.31.0其中hello-agents[all]是 HelloAgents 框架的完整安装选项openai用于对接 OpenAI 兼容的 LLM 接口pandas/numpy支撑数据处理类工具python-dotenv负责从.env文件加载 API 密钥等环境变量requests提供 HTTP 调用能力。第 1 步环境配置模板 Notebook 第 1 部分完成依赖安装、库导入与环境变量加载代码骨架如下见 main.ipynb# 安装依赖如果需要 # !pip install -q hello-agents[all] # 导入必要的库 from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.tools import BaseTool import os from dotenv import load_dotenv # 加载环境变量 load_dotenv() print(✅ 环境配置完成)环境要求与安装模板 README 明确要求Python 3.10Notebook 的 kernel metadata 同样标注python3、version: 3.10.0。安装依赖使用pip install -r requirements.txt配置 API 密钥模板 README 给出的密钥配置方式如下# 创建.env文件 cp .env.example .env # 编辑.env文件填入你的API密钥 # OPENAI_API_KEYyour_key_hereNotebook 中则通过load_dotenv()加载.env。仓库中的实际共创项目在此基础上扩展了更丰富的环境变量。例如 DataAnalysisAgent 的 Notebook 直接使用os.environ设置四个关键参数os.environ[LLM_MODEL_ID] Qwen/Qwen3-8B os.environ[LLM_API_KEY] ms-xxx os.environ[LLM_BASE_URL] https://api-inference.modelscope.cn/v1/ os.environ[LLM_TIMEOUT] 60由此可以推断HelloAgentsLLM 通过LLM_MODEL_ID模型标识、LLM_API_KEY密钥、LLM_BASE_URLOpenAI 兼容的接口地址、LLM_TIMEOUT请求超时秒数这四个环境变量完成 LLM 客户端初始化既支持 OpenAI 官方接口也支持 ModelScope、DeepSeek、Qwen 等 OpenAI 兼容服务。项目贡献者在 HelloCodeAgentCli README 中同样提到HelloAgentsLLM 是统一 LLM 接口支持 OpenAI/DeepSeek/Qwen 等与上述推断相互印证。第 2 步自定义工具定义模板第 2 部分展示如何通过继承BaseTool定义工具class CustomTool(BaseTool): 自定义工具类 name tool_name description 工具描述 def run(self, query: str) - str: 工具执行逻辑 # 实现你的工具逻辑 return f处理结果{query} print(✅ 工具定义完成)BaseTool是 HelloAgents 工具体系的基类子类通过类属性name与description声明工具元信息并实现run方法承载执行逻辑。该元信息会在智能体的工具调用流程中被注入系统提示词供 LLM 判断何时调用哪个工具。仓库中的共创项目展示了两种工具实现风格继承BaseTool模板风格适合逻辑简单的工具继承Tool并传入ToolParameter参数描述DataAnalysisAgent 风格例如 DataAnalysisAgent Notebook 中from hello_agents.tools import Tool, ToolParameter其DataCleaningTool在__init__中显式声明namedata_cleaner与描述run(self, parameters: Dict[str, Any])接收结构化参数如data_json、drop_na、columns_to_keep并在执行中对缺失参数、空数据、非法列名等边界情况返回明确的错误信息。这说明 HelloAgents 工具接口同时支持简单的字符串入参与结构化的字典参数两种形态后者更适合参数较多的数据类工具。第 3 步智能体构建模板第 3 部分完成 LLM 实例化、系统提示词定义与智能体装配# 创建LLM llm HelloAgentsLLM() # 定义系统提示词 system_prompt 你是一个智能助手。 你的任务是 1. 理解用户的需求 2. 使用合适的工具 3. 提供有帮助的回答 # 创建智能体 agent SimpleAgent( name示例智能体, llmllm, system_promptsystem_prompt ) # 添加工具 agent.add_tool(CustomTool()) print(✅ 智能体构建完成)SimpleAgent是 HelloAgents 提供的基础对话智能体构造参数包括name、llm与可选的system_prompt通过add_tool为智能体挂载工具。该设计在框架源码中同样得到印证教程 第七章构建你的Agent框架 中自定义的MySimpleAgent继承自SimpleAgent其构造函数签名扩展为name, llm, system_prompt, config, tool_registry, enable_tool_calling并在run方法中先组装system/user/assistant消息列表再调用self.llm.invoke(messages)获取回复启用工具调用时则进入多轮工具调用循环max_tool_iterations控制最大迭代轮次。由此可见HelloAgentsLLM.invoke与SimpleAgent.add_tool正是框架LLM 推理 工具执行闭环的两个核心接口。第 4 步功能演示模板第 4 部分通过两个示例调用展示智能体能力# 示例1基础功能 print( 示例1基础功能 ) result agent.run(你的测试输入) print(result)# 示例2复杂场景 print(\n 示例2复杂场景 ) result agent.run(更复杂的测试输入) print(result)建议示例 1 使用最简输入验证链路连通性示例 2 覆盖多工具协同或长流程场景。参考仓库中已完成项目如 DataAnalysisAgent 输出outputs/echarts.html可视化与outputs/report.md分析报告你可以在演示环节加入结果落盘将智能体的产出持久化为文件便于后续评估与展示。第 5 步性能评估可选模板第 5 部分预留了评估代码位注释提示可测试准确率、响应时间等指标。对于智能体项目评估项可包括任务成功率、工具调用准确率、单轮响应延迟、多轮迭代次数等。仓库中已有项目提供了评估参考例如 DatabaseAgent 的 test.py 通过独立测试脚本对智能体的数据库操作能力进行校验可作为评估环节的落地范式评估代码与主程序分离输出结构化结果。第 6 步总结与展望模板第 6 部分要求从三个维度收尾实现的功能清单化列出已交付能力遇到的挑战与解决方案如工具参数解析失败、LLM 输出格式不稳定、长流程中断等真实问题及对策未来改进方向如接入 Memory/RAG、升级为 ReAct 或 Plan-and-Solve 范式、增加多智能体协作等。README 写作规范让项目可被检索与复用模板 README 给出了 12 个标准章节见 模板 README本节结合仓库中的已实现项目说明每部分的填写要点章节填写要点仓库实例项目名称/一句话描述点明基于 HelloAgents 框架的 XXX 工具DataAnalysisAgent 描述为基于HelloAgents框架的智能数据分析工具项目简介解决什么问题、特色功能、适用场景见 DataAnalysisAgent README核心功能使用- [ ]清单逐项列出如数据分析、智能建议、报告生成技术栈标注 HelloAgents 框架、智能体范式、工具与 API、依赖库如HelloAgents 框架SimpleAgent、OpenAI API快速开始环境要求Python 3.10、安装依赖、配置密钥、运行方式密钥可通过.env或 Notebook 内os.environ配置使用示例包含代码与运行结果最好给出数据输入与输出产物路径如数据放data/、结果输出到outputs/项目亮点/性能评估/未来计划实事求是无评估数据可留空或写明待补充禁止虚构准确率、响应时间等数字贡献指南/许可证/作者/致谢按模板填写致谢 Datawhale 社区与 Hello-Agents 项目—一个值得借鉴的细节DataAnalysisAgent README 提供了完整的 项目目录结构说明README.md、main.ipynb、data/、outputs/等清晰的目录树能显著提升项目的可读性与可维护性。从模板到完整项目仓库中的参考实现模板的价值在于可复制。仓库Co-creation-projects下已积累了大量遵循该套路的共创项目可作为不同技术方向的参考数据分析类DataAnalysisAgent 结合SimpleAgent、Tool/ToolParameter工具体系与 AST 代码解析实现数据清洗、统计、可视化与报告生成输出 ECharts HTML 与 Markdown 报告数据库类DatabaseAgent 提供 SQL 建表脚本、智能体源码与独立测试脚本展示数据层 Agent 层 测试层的完整工程结构代码助手类HelloCodeAgentCli 基于HelloAgentsLLM、ReActAgent、TerminalTool、NoteTool、MemoryTool等组件构建类似 Claude Code/Codex 的 CLI 助手展示如何用框架组件组合出更复杂的应用形态工具协议类Smart Recipe Agent 通过protocol_tools.py等文件封装自定义工具协议。从这些项目可以归纳出模板之外的通用工程经验环境变量统一管理密钥统一走.env或 Notebook 顶部的os.environ配置块避免硬编码输入输出目录分离数据放入data/生成物HTML、MD、JSON落入outputs/测试与主程序分离为关键工具或智能体链路编写独立测试脚本文档即交付物README 覆盖安装、配置、运行、示例与评估降低他人复用的门槛。小结本文以EXAMPLE-ProjectTemplate为骨架完整讲解了 Hello-Agents 共创项目的六步开发流程——环境配置、工具定义、智能体构建、功能演示、性能评估与总结展望并给出了 README 的 12 节写作规范。模板依赖hello-agents[all]0.2.7核心 API 为HelloAgentsLLM统一 LLM 接口、SimpleAgent基础智能体支持add_tool挂载工具与BaseTool/Tool工具基类。结合仓库内已完成的共创项目与 第七章源码 可以确认这套模板背后是LLM 推理 工具执行 消息循环的通用 Agent 架构。新项目只需复制模板、填充业务逻辑即可快速产出规范、可复用、可评估的智能体应用。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考