# llm-agent-lab

**Repository Path**: coderwillyan/llm-agent-lab

## Basic Information

- **Project Name**: llm-agent-lab
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-30
- **Last Updated**: 2026-08-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LLM Agent Lab · 大语言模型智能体学习实验室

一个系统化的 **LLM 智能体（Agent）学习与实践仓库**，涵盖从理论入门、通信协议、核心专题实践到综合项目实战的完整学习路径。内容以中文教程（Markdown + Jupyter Notebook）为主，配合可运行的代码示例，帮助读者从零理解并动手构建智能体系统。

## 内容结构

```
llm-agent-lab/
├── 00_图速览/          # 核心概念一图速览（智能体、MCP-Skills 等）
├── 01_理论篇/          # 智能体理论基础
├── 02_协议篇/          # 智能体通信协议（MCP / A2A / ANP / Agent Skills）
├── 03_实践篇/          # 核心专题动手实践
├── 04_综合实战/        # 多平台综合项目实战
├── 05_拓展篇/          # 进阶拓展
├── assets/             # 教程图片资源
├── Recycled/           # 历史/草稿文档归档
├── 模型统一配置说明.ipynb  # 各家模型 API 的统一调用配置示例
├── pyproject.toml      # uv 项目配置（Python ≥ 3.12）
└── requirements.txt    # pip 依赖清单
```

### 01 · 理论篇

| 章节 | 内容 |
| --- | --- |
| 01 | 初识智能体 |
| 02 | 智能体发展史 |
| 03 | 大语言模型基础 |
| 04 | 智能体经典范式构建 |
| 05 | 智能体工程范式的演进 |

### 02 · 协议篇

| 章节 | 内容 |
| --- | --- |
| 01 | 智能体通信协议总览（MCP / A2A / ANP） |
| 02 | Agent Skills 解读 |
| 03 | Agent Skills 补充 |

### 03 · 实践篇

- **工具专题**：Function Calling 实战、MCP 理论与实战（含天气、文件等可运行的 MCP Server 示例）、Agent Skills 实操（Claude / OpenClaw）
- **记忆专题**：记忆与检索、当代 Agent 记忆系统入门，以及 Mem0 / Letta / GBrain 三个记忆项目的快速上手实战
- **上下文工程**：上下文工程的方法与实践

### 04 · 综合实战

- **实战范式**：基于低代码平台 vs 基于开发框架的智能体搭建
- **Dify**：Dify 构建智能体一页纸速通，附多个可直接导入的 DSL 工作流（`yml/`：路线规划、A 股分析、ECharts 可视化、SEO 博客生成等）
- **OpenClaw**：OpenClaw（小龙虾）安装调试一页纸
- **LangChain**：LangChain 1.0 Agent 实践（Notebook，含 MCP 集成）
- **综合案例**：`helloagents-trip-planner` 智能旅行助手 —— FastAPI 后端 + Vue 前端的全栈 Agent 应用（接入高德地图、Unsplash 等服务）

### 05 · 拓展篇

- 从零构建你自己的 Agent 框架（HelloAgents）
- 智能体性能评估

## 快速开始

### 1. 环境准备
- Python 3.12
- Jupyter Notebook 或 JupyterLab
- VSCode

推荐使用 Python 3.12，并为项目创建独立虚拟环境。以下两种方式任选其一。

```bash
git clone https://gitee.com/coderwillyan/llm-agent-lab.git
cd llm-agent-lab
```

### 方式一：Conda

```bash
conda create --name env_agent python=3.12 -y

conda activate env_agent

pip install ipykernel

python -m ipykernel install \
--user \
--name=env_agent \
--display-name "Python 3.12 (env_agent)"
```

### 方式二：uv （推荐）

```bash
uv venv --python=3.12

uv sync

uv add ipykernel

uv run ipython kernel install \
--user \
--name env_agent \
--display-name "Python 3.12 (env_agent)"
```

### 2. 配置模型 API (示例)

在项目根目录创建 `.env` 并填入你的密钥，支持多家 OpenAI 兼容接口：

```bash
# 硅基流动（SiliconFlow）
SILICONFLOW_BASE_URL=https://api.siliconflow.cn/v1
SILICONFLOW_API_KEY=sk-xxx
SILICONFLOW_MODEL_ID=Qwen/Qwen3-8B

# DeepSeek
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_API_KEY=sk-xxx
DEEPSEEK_MODEL_ID=deepseek-chat

# 本地模型（Ollama / vLLM）
OLLAMA_BASE_URL=http://localhost:11434/v1

# 实战示例所需的外部服务
OPENWEATHER_API_KEY=xxx
```

各家接口的统一调用方式（含代理冲突处理）见根目录的 [`模型统一配置说明.ipynb`](模型统一配置说明.ipynb)，建议动手前先运行一遍验证连通性。

### 3. 开始学习

- 纯理论章节直接阅读对应 Markdown 文档即可；
- 含 `.ipynb` 的章节需启动 Jupyter 运行：

```bash
uv run jupyter lab   # 或 jupyter notebook
```

推荐学习顺序：`00 图速览` → `01 理论篇` → `02 协议篇` → `03 实践篇` → `04 综合实战` → `05 拓展篇`。

## 说明

- 部分 Notebook 会清除本地代理环境变量（`HTTP_PROXY` 等）以避免网络冲突，如遇 API 连接问题请先检查代理设置。
- `Recycled/` 目录为历史草稿归档，仅供翻阅，不属于正式学习路径。
- `04_综合实战/07_综合实战-案例/helloagents-trip-planner/` 是独立的全栈项目，有其自己的 README 与依赖，请进入该目录单独安装运行。