一个系统化的 AI 智能体学习与实践工作空间，基于工程化驱动的开发方法论
本项目记录了从零开始构建生产级 AI 智能体的完整学习历程。不同于简单的脚本堆砌，本项目采用 "工程化驱动 (Engineering-Driven)" 的理念，将智能体开发拆解为设计、文档与实现三个标准化阶段。
- 🏗️ Core-Logic 分离：基础设施与业务逻辑完全解耦，拒绝面条式代码
- 📐 模式驱动开发：沉淀 ReAct、Reflection 等通用设计模式
- 🔧 统一工具链：LLM 客户端、UI 工具、鲁棒解析器开箱即用
- 📝 文档先行：每个项目都包含完整的
docs.md和spec.md - 🎨 交互式开发：基于 Jupyter Notebook 的可视化调试环境
| 项目名称 | 核心模式 | 简介 |
|---|---|---|
| 旅行智能助手 | ReAct | 理解自然语言，调用搜索与天气工具规划行程 |
| 数据可视化智能体 | Reflection | 自动生成代码绘图，并利用多模态模型进行视觉反思与优化 |
AI Agent Adventure/
├── Agentic AI（DeepLearning）/ # DeepLearning.AI 课程实践
│ ├── 实践日志/ # 每日学习记录
│ └── repo/ # 项目代码
│ └── M2_UGL_1/ # 图表生成智能体 (Reflection Pattern)
│ ├── agent/ # 第一版实现
│ └── agent_refactor/ # 重构版 (Core-Logic 分离)
│
├── Datawhale Hello Agents/ # Datawhale 开源教程实践
│ ├── 实践日志/ # 学习笔记
│ └── repo/
│ └── 第一个智能体/ # 旅行智能助手 (ReAct Pattern)
│ ├── travel_agent_demo.ipynb
│ └── agent/ # 重构版实现
│
├── template/ # 🌟 通用智能体脚手架
│ ├── core/ # 可复用基础设施
│ │ ├── llm_client.py # 统一 LLM 客户端 (支持多厂商)
│ │ ├── ui_utils.py # Notebook UI 工具
│ │ └── safe_parsing.py # 防御性解析工具
│ ├── patterns/ # 设计模式库
│ │ ├── react.py # ReAct 循环控制器
│ │ ├── reflection.py # 反思模式骨架
│ │ └── prompt_templates.py # Prompt 模板库
│ ├── notebooks/ # 开发工作台
│ │ └── debug_workbench.ipynb
│ └── config/
│ └── .env.example # 环境变量模板
│
└── docs/ # 📖 知识库
# 克隆仓库
git clone https://github.com/YFOOOO/AI-Agent-Adventure.git
cd AI-Agent-Adventure
# 配置环境变量 (支持 OpenAI, 阿里云, 智谱AI 等)
cp template/config/.env.example .env
# 编辑 .env 填入你的 API Keys# 使用脚手架快速初始化
mkdir my_agent
cp -r template/core my_agent/
cp template/config/.env.example my_agent/.env
# 启动 Jupyter 开发环境
cd my_agent
jupyter notebook本项目提供了一套经过生产验证的基础设施（位于 template/core），旨在让开发者专注于 Agent 逻辑本身：
- 统一 LLM 客户端：透明代理模式，一行代码切换 OpenAI、通义千问、智谱 AI 等模型。
- 可视化 UI 工具：在 Notebook 中渲染美观的思维链（Thought-Action）卡片与多模态内容。
- 鲁棒解析器：防御性处理 LLM 的 JSON/Code 输出，提升系统稳定性。
本项目采用三阶段开发流程：
1️⃣ 知识内化 (docs.md)
- 记录技术依赖、API 配置、核心原理（如 ReAct 范式）
2️⃣ 架构设计 (spec.md)
- System Prompt 定义
- Tools Interface 规范
- 数据流设计
3️⃣ 原型验证 (.ipynb)
- 交互式开发
- 逐步验证工具调用
- 可视化 Agent 思考链
4️⃣ 架构重构 (v2.0)
- 采用 Core-Logic 分离
- 提取可复用基础设施
- 标准化代码结构
- Datawhale - Hello Agents
- DeepLearning.AI - Agentic AI
- Microsoft - AI Agents for Beginners
- Hugging Face Agents Course
- 实现 Planning Pattern (规划模式)
- Multi-Agent 协作系统
- 工具函数自动注册机制
本项目采用 MIT License 开源协议。
欢迎提交 Issue 和 Pull Request！
如有问题或建议，欢迎通过 GitHub Issues 联系我。
⭐ 如果这个项目对你有帮助，欢迎 Star！
Happy Agent Building! 🎉