AI工程师手册 ai-angineers-handbook 完整指南一文看懂从零构建 AI Agent 的资源全景【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook想要真正理解 AI Agent而不是只会机械地调用现成框架这份AI工程师手册ai-angineers-handbook为你整理了一条从零构建 AI Agent 的完整学习路径从最基础的工具调用到反思Reflection模式再到完整的深度研究 AgentDeep Research Agent实战全部不依赖任何 LLM 编排框架。下面这份指南将带你快速看懂这套开源资源全景帮你规划出属于自己的 AI Agent 学习路线图。什么是 AI工程师手册 ai-angineers-handbookai-angineers-handbook 是一份面向 AI 工程方向的系统性资源合集AI Engineering Resources核心目标只有一个聚焦从零构建智能 Agent。与许多填鸭式教程不同它坚持用手写代码的方式把 Agent 的每一个零件——工具调用、规划、记忆、反思——都拆开讲清楚非常适合想深入底层原理的新手和普通开发者。手册作者用一张韦恩图概括了 AI 工程师的能力构成AI 工程师 AI 研究 机器学习 软件工程的交集这也正是这本手册希望帮你补齐的能力三角。AI工程师手册里有哪些核心资源整个仓库围绕building_agents_from_scratch从零构建 Agent系列展开资源一览如下模块主题当前状态Tool Use从零实现 Agent 工具调用✅ 已发布Planning / Reflection反思模式 工作记忆✅ 已发布Deep Research Agent深度研究 Agent 完整实战✅ 已发布Memory记忆系统 即将推出EvaluationAgent 评估 即将推出每个模块都同时提供 Python 源码和 Jupyter Notebook 交互式教程你可以边看边跑动手体验感十足。项目总入口见 README.md模块索引见 building_agents_from_scratch。从零构建 AI Agent 第一步学会工具调用工具调用Tool Use是 Agent 的核心能力之一也是手册系列的第一课。它不借助 LangChain、LlamaIndex 这类编排框架而是用最朴素的代码实现Agent 通过一段 JSON 格式的系统提示向 LLM 声明自己拥有哪些工具、每个工具的参数是什么然后由模型自主判断这个问题是否需要调用工具、按什么顺序调用。以示例中的货币换算工具为例当你问100 美元等于多少欧元时Agent 会规划出调用序列并执行换算而当你问日本用什么货币这种常识问题时它则会直接回答、绝不浪费工具调用——这种该出手时才出手的智能判断正是高质量 Agent 的关键。核心代码位于 src/main.py、src/tools.py 和 src/tool_registry.py完整交互版见 notebooks/tool_use.ipynb。让 AI Agent 学会自我改进Reflection 反思模式实战一次就能写出完美计划的 Agent 并不存在所以手册第二课引入了反思Reflection模式Agent 先生成计划执行后回头审视结果再修订计划、继续优化形成一个计划 → 执行 → 反思 → 修订的闭环同时配合一个简单版的工作记忆Working Memory把历次交互记录下来作为参考。这就像让 AI 学会复盘不满足于做完而是追求做得更好。实现代码见 planning/reflection/src/main.py配套的 notebooks/reflection.ipynb 可以让你逐步观察反思前后计划的变化非常直观。进阶实战从零搭建 Deep Research Agent 深度研究 Agent如果你已经掌握工具调用与反思手册的压轴项目——**深度研究 AgentDeep Research Agent**绝对值得一试。它的目标是给你一个主题自动产出一份结构完整的 Markdown 研究报告。整体工作流程如下用户输入研究主题LLM 先生成报告大纲限定段落数量每个段落被单独送入研究流程收集信息所有素材汇总到总结步骤生成含结论的最终报告以 Markdown 形式交付给用户。而每个段落的研究流程本身又是一个搜索 反思的迭代闭环LLM 生成搜索查询 → 执行 Web 搜索 → 反思结果遗漏点 → 再生成更精准的查询反复迭代 n 次直到信息足够全面。该项目还融入了 DeepSeek-R1 推理模型的独特细节并结合 SambaNova 与 Tavily 服务运行一次约 5 分钟即可生成报告。入口文件是 src/topology.py编排逻辑在 src/agents.py环境变量模板见 env.example。看懂 AI Agent 规划策略规划、记忆与工具如何协同纵观手册你会发现一条贯穿始终的主线——AI Agent 规划策略。无论工具调用还是反思都离不开规划这个大脑中枢LLM 负责推理决策Controller 负责调度左侧的 Planning 提供策略右侧的 Tools 提供执行能力上方的 Memory短期 长期记忆为决策提供上下文。理解了这张整体架构图再回看工具调用与反思项目你会发现它们只是对同一架构的不同侧重点的深入拆解——这就是这本 AI工程师手册最有价值的地方用同一套心智模型串起所有实战项目。如何快速运行 AI工程师手册中的示例代码上手非常简单前提是准备好 Python 环境和 API Key。首先克隆仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook然后进入对应模块目录按下面三步操作安装依赖推荐使用 uv 包管理器uv pip install -r requirements.txt配置密钥导出OPENAI_API_KEY深度研究项目还需在.env中配置SAMBANOVA_API_KEY和TAVILY_API_KEY运行示例工具调用与反思项目直接执行python3 src/main.py深度研究项目执行uv run --env-file .env src/topology.py --topic 你的研究主题运行结果会打印在终端深度研究项目则会在reports目录生成 Markdown 报告。新手常见问题 FAQ问完全没接触过 AI Agent适合从这本手册入门吗非常适合。手册坚持从零构建、不用编排框架代码量小、注释清晰配合 Notebook 可逐行理解每个环节的原理。问手册用的是什么模型可以换别的吗示例默认使用 OpenAI 模型gpt-4o-mini深度研究项目使用 DeepSeek-R1 推理模型作者已预告将支持 Anthropic、Mistral 等更多模型提供商。问学完这些项目能获得什么能力你将能独立设计 Agent 的工具调用逻辑、规划与反思机制并具备搭建研究型Agent 的完整工程能力为后续学习记忆、评估等高级主题打好地基。总结ai-angineers-handbook 这份 AI工程师手册用从零构建 AI Agent这一条主线把工具调用、反思模式、深度研究 Agent 等关键知识点串成了完整的实战体系。对新手而言它是极佳的动手入门教材对普通开发者而言它又是一份随时可查的 Agent 工程手册。赶紧克隆仓库跟着 Notebook 跑一遍你的第一个手写 AI Agent 就从这里开始【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
