从单智能体到生产级系统18 课开源 AI Agent 课程工程化路径【免费下载链接】ai-agents-for-beginners18 Lessons to Get Started Building AI Agents项目地址: https://gitcode.com/GitHub_Trending/ai/ai-agents-for-beginners刚接触 AI 智能体AI Agent的开发者卡点通常不在写出第一个 agent而在让它可控、可观测、能部署。开源项目 AI Agents for Beginners 把这条路径拆成 18 门可执行课程每门都配可直接运行的 Python 示例基于 Microsoft Agent Framework 与 Foundry Agent Service 完成全部演示。速览课程骨架四大核心能力模块解决什么问题关键产出Agentic RAG05-agentic-rag单次检索无法保证答案正确迭代检索与自校验机制多智能体协作08-multi-agent单 agent 装不下复杂多角色任务交接与群聊两种编排模式人机协同06-building-trustworthy-agents高风险操作不能无人值守人工审批门与权限边界可观测与评估10-ai-agents-productionagent 行为是黑盒Trace 指标与成本控制流程四类能力覆盖了从构建到运营的主线其余课程工具调用、规划、上下文工程、记忆、协议都围绕它们展开。十分钟跑通第一个智能体最短路径是克隆、建环境、装依赖然后直接打开第一课的 notebookgit clone https://gitcode.com/GitHub_Trending/ai/ai-agents-for-beginners cd ai-agents-for-beginners python -m venv venv source venv/bin/activate pip install -r requirements.txt第一个可运行示例在01-intro-to-ai-agents/code_samples/01-python-agent-framework.ipynb按单元格顺序执行即可看到 agent 的完整响应链路。三个容易踩的坑必须用 Python 3.12 创建 venv低版本会在安装依赖时出现版本冲突示例连接 Microsoft Foundry Agent Service需要准备 Azure 账号并在 Foundry 项目中部署一个模型如 gpt-5-minirequirements.txt将agent-framework-core锁在 1.10.x1.11 引入了破坏性 API 变更随意升级会导致 notebook 报错。让检索结果可自校验Agentic RAG 的迭代循环普通 RAG 的弱点是检索只发生一次检索质量差时没有任何纠错机制错误直接传导到答案。Agentic RAG 把要不要再查、换哪个数据源查的决定权交给模型本身。agent 自主规划检索动作重写查询、在向量检索与 SQL、API 之间切换数据源每轮检索后评估结果质量不达标就回到检索端重来形成检索 → 评估 → 修正的循环跨步骤保留状态与记忆记住已尝试过的数据源避免重复查询触达死胡同时可调用诊断工具高风险场景则升级给人工介入。实际项目里在知识库问答与合规校验系统上加这套评估重试循环能把检索到了但答错的问题拦在检索阶段。把复杂任务拆给多个智能体交接与群聊单个 agent 承担多角色时系统提示词越写越长角色描述互相干扰输出质量最先掉下来。多智能体方案的核心是按职责边界拆分而不是简单增加模型调用。每个 agent 只做单一角色推荐、行程规划、预算管理有独立的系统提示词与工具集交接hand-off当前 agent 判断请求超出自身职责时把会话状态移交给更合适的 agent 继续群聊group chat多个 agent 在共享会话中处理同一问题由筛选器或协调者决定采用哪个结果协调者 agent 可充当路由入口按请求类型分发任务。实际项目里当单 agent 的提示词膨胀到数百行、输出开始出现角色冲突时先拆出职责边界最清晰的一个子 agent而不是推倒重来。给人工保留审批权Human-in-the-loop 机制agent 的能力边界由接入的工具决定一旦挂上资金划转、删除数据、对外发邮件这类高风险工具就不能允许它自动执行。agent 调用高风险工具前先暂停把计划动作返回给人工确认审批结果写回会话agent 据此继续执行或调整方案权限边界在系统层面显式声明哪些工具自动执行、哪些需审批、哪些禁用审批记录留在 trace 中为审计与复盘提供依据。实际项目里把工具按风险分三档只对会写系统或产生费用的工具设置审批门只读查询类工具直接放行避免审批疲劳。用差旅报销单走通端到端流程10-ai-agents-production/code_samples/10-expense_claim-demo.ipynb是仓库里最接近真实业务的示例完整链路按时间线如下输入一张差旅票据图片加上公司报销规则智能体动作OCR agent 先读取票据把金额、日期、商户、费用类型提取成结构化模型email agent 再基于结构化数据生成报销邮件最后把费用构成画成饼图中间问题票据格式不统一含税金额与币种字段经常含糊模型直接誊抄会漏字段、错单位解决方式agent 按任务上下文动态选择函数提取结果经过结构化校验字段不匹配 schema 就重新查询修正而不是把脏数据抛给前端最终输出一封可直接发出的报销邮件加一张可归档的费用构成图。这个例子的价值在于展示了多 agent 分工后每一步的输出都成为下一步的受控输入。从本地到生产三档部署对比档位部署方式关注指标典型手段本地venv Jupyter可用 Foundry Local 切本地模型调用成功率、单次运行时长按顺序跑 notebook 示例与冒烟测试小流量托管到 Foundry Agent Service 灰度延迟、token 成本、工具调用错误率OpenTelemetry 埋点单次运行成本看板生产多模型提供商互备、弹性扩缩用户反馈、任务完成率、成本异常自动化评估、告警、provider 回退本地阶段用第 17 课的 Foundry Local 方案可以完全离线跑通进入小流量后重点看单次运行的 token 成本与工具失败率生产阶段则把自动化评估如 LLM 打分、RAGAS 类指标挂进 CI。选择下一步入口STUDY_GUIDE.md给出 18 课的学习顺序建议适合需要路线规划的初学者AGENTS.md仓库的工程约定与设计实践适合跑完示例后准备自建 agent 的开发者05-agentic-rag/README.md详解检索自校验的机制与边界条件适合准备做知识库问答系统的读者。先把 10-ai-agents-production/code_samples/10-expense_claim-demo.ipynb 跑通再把 OCR 环节换成推理更快的模型对比单次运行延迟与 token 成本的变化这是验证上面整套方法论最快的方式。【免费下载链接】ai-agents-for-beginners18 Lessons to Get Started Building AI Agents项目地址: https://gitcode.com/GitHub_Trending/ai/ai-agents-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考